簡介這份資源是面向高校學(xué)生與深度學(xué)習(xí)入門者的電力負(fù)荷預(yù)測實(shí)戰(zhàn)項(xiàng)目基于Python與LSTM搭建多特征預(yù)測模型可用于畢業(yè)設(shè)計(jì)、期末大作業(yè)或課程設(shè)計(jì)場景幫助讀者理解時序預(yù)測的完整流程與工程實(shí)現(xiàn)。壓縮包共8個文件約830KB包含3個py腳本分別負(fù)責(zé)數(shù)據(jù)處理、模型訓(xùn)練與結(jié)果可視化2個md說明文檔講解項(xiàng)目思路與運(yùn)行方式2個csv與1個xlsx提供原始負(fù)荷數(shù)據(jù)及多特征字段代碼附有注釋新手也能對照理解。目前已有239人學(xué)習(xí)下載。項(xiàng)目從數(shù)據(jù)清洗、特征構(gòu)造到LSTM建模與預(yù)測評估形成閉環(huán)讀者可據(jù)此掌握多特征輸入的組織方式、模型參數(shù)配置與結(jié)果展示方法并在此基礎(chǔ)上替換數(shù)據(jù)集或調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)快速完成自己的課題任務(wù)。1. 多特征 LSTM 電力負(fù)荷預(yù)測為什么單變量模型總在早高峰翻車做過電力負(fù)荷預(yù)測的同行大概率都經(jīng)歷過這個場景用歷史負(fù)荷單變量喂給 LSTMMAPE 看著挺漂亮一到早高峰和晚高峰就集體翻車預(yù)測曲線比實(shí)際曲線慢半拍。原因不復(fù)雜——負(fù)荷從來不是自己跟自己玩它同時被溫度、濕度、節(jié)假日類型、前一小時負(fù)荷、峰谷時段這些外生變量推著走。單變量模型只能靠歷史慣性外推遇到突變點(diǎn)必然滯后。這個標(biāo)題講的就是把多特征輸入和 LSTM 時序建模結(jié)合起來做電力負(fù)荷預(yù)測的完整程序輸入側(cè)同時接入負(fù)荷序列和氣象、日歷等協(xié)變量模型側(cè)用 LSTM 捕捉多變量之間的時序依賴輸出側(cè)給出未來時刻的負(fù)荷值。它適合兩類人一類是剛學(xué)完 LSTM 理論、想找一個能跑通、能改、能對比的真實(shí)數(shù)據(jù)集練手的 Python 學(xué)習(xí)者另一類是手上有負(fù)荷數(shù)據(jù)、想快速搭一個可復(fù)現(xiàn)基線再往上疊模型的工程從業(yè)者。下面按「數(shù)據(jù)怎么組織 → 模型怎么搭 → 訓(xùn)練怎么調(diào) → 坑在哪 → 怎么驗(yàn)證」的順序講透。2. 多特征電力負(fù)荷預(yù)測的數(shù)據(jù)組織與 LSTM 輸入構(gòu)造2.1 多特征到底加哪些、為什么加這些電力負(fù)荷預(yù)測里特征不是越多越好加錯特征比不加還糟。常見做法是分三組第一組是負(fù)荷自身的歷史特征。除了原始負(fù)荷值通常還會構(gòu)造前 1 小時、前 24 小時、前 168 小時同周同時刻的滯后項(xiàng)。前 24 小時抓日周期前 168 小時抓周周期這兩個是負(fù)荷序列里最強(qiáng)的兩個周期信號不加基本等于放棄。第二組是氣象特征。溫度對負(fù)荷的影響是非線性的——夏天高溫推高制冷負(fù)荷冬天低溫推高制熱負(fù)荷中間舒適區(qū)反而平穩(wěn)。所以溫度不能只給原始值常見做法是同時給原始溫度和溫度的平方項(xiàng)或者做分段處理。濕度和體感溫度在南方夏季負(fù)荷里權(quán)重也不低。第三組是日歷特征。星期幾、是否節(jié)假日、是否調(diào)休工作日這些直接決定負(fù)荷基線的形狀。注意日歷特征要做成 one-hot 或周期性編碼不能直接給 1 到 7 的整數(shù)否則模型會誤以為周日和周一「距離」比周六和周日更近。提示特征選擇階段建議先做一遍皮爾遜或互信息篩選把和負(fù)荷相關(guān)性低于閾值的特征剔掉再進(jìn)模型。多特征不等于全特征。2.2 滑動窗口構(gòu)造監(jiān)督學(xué)習(xí)樣本LSTM 吃的是序列但訓(xùn)練時需要監(jiān)督學(xué)習(xí)的 (X, y) 對所以要用滑動窗口把時間序列切成樣本。假設(shè)用過去 24 個時間步預(yù)測未來 1 個時間步窗口就是 24預(yù)測步長是 1。import numpy as np import pandas as pd def make_supervised(data, target_col, feature_cols, window24, horizon1): data: 按時間排序后的 DataFrame target_col: 預(yù)測目標(biāo)列名通常是負(fù)荷 feature_cols: 參與輸入的特征列 window: 回看步數(shù) horizon: 預(yù)測未來第幾步 arr_x data[feature_cols].values arr_y data[target_col].values X, y [], [] for i in range(len(data) - window - horizon 1): # 輸入窗口過去 window 步的所有特征 X.append(arr_x[i:i window]) # 標(biāo)簽窗口結(jié)束后第 horizon 步的負(fù)荷 y.append(arr_y[i window horizon - 1]) return np.array(X), np.array(y)這段代碼的邏輯是對每個時間點(diǎn) i取[i, iwindow)區(qū)間的全部特征作為輸入取iwindowhorizon-1時刻的負(fù)荷作為標(biāo)簽。參數(shù)上window決定模型能看多遠(yuǎn)的歷史太小抓不到周周期太大訓(xùn)練慢且容易過擬合24 到 168 之間是常見區(qū)間horizon決定預(yù)測提前量日前預(yù)測一般取 24實(shí)時預(yù)測取 1 到 4。2.3 歸一化必須按特征分別做且只能用訓(xùn)練集統(tǒng)計(jì)量多特征輸入里負(fù)荷可能是幾千到幾萬 kW溫度是零下十幾到四十度濕度是 0 到 100量綱差了幾個數(shù)量級。不歸一化LSTM 的梯度會被大數(shù)值特征主導(dǎo)小數(shù)值特征等于沒加。from sklearn.preprocessing import MinMaxScaler # 按時間順序切分不能隨機(jī)打亂 train_size int(len(data) * 0.7) val_size int(len(data) * 0.15) train data.iloc[:train_size] val data.iloc[train_size:train_size val_size] test data.iloc[train_size val_size:] scaler_x MinMaxScaler() scaler_y MinMaxScaler() # 關(guān)鍵scaler 只在訓(xùn)練集上 fit train_x_scaled scaler_x.fit_transform(train[feature_cols]) val_x_scaled scaler_x.transform(val[feature_cols]) test_x_scaled scaler_x.transform(test[feature_cols]) train_y_scaled scaler_y.fit_transform(train[[target_col]]) val_y_scaled scaler_y.transform(val[[target_col]]) test_y_scaled scaler_y.transform(test[[target_col]])這里最容易翻車的地方是很多人圖省事先對全量數(shù)據(jù) fit_transform 再切分。這樣驗(yàn)證集和測試集的統(tǒng)計(jì)信息泄漏進(jìn)了訓(xùn)練過程離線指標(biāo)會虛高上線就露餡。正確做法是 scaler 只在訓(xùn)練集 fit驗(yàn)證和測試只 transform。另外預(yù)測結(jié)果要記得用scaler_y.inverse_transform還原回真實(shí)量綱否則算出來的 MAPE 沒有意義。3. LSTM 模型搭建從單層到多特征輸入的參數(shù)怎么定3.1 輸入張量形狀與 batch 組織PyTorch 里 LSTM 的默認(rèn)輸入形狀是(seq_len, batch, input_size)如果設(shè)了batch_firstTrue就變成(batch, seq_len, input_size)。多特征場景下input_size等于特征列的數(shù)量seq_len等于滑動窗口長度。這個對應(yīng)關(guān)系搞錯模型不報錯但學(xué)不到東西是典型的黑匣子式翻車。import torch import torch.nn as nn class LoadLSTM(nn.Module): def __init__(self, input_size, hidden_size64, num_layers2, dropout0.2): super().__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0 ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): # x: (batch, seq_len, input_size) out, (h_n, c_n) self.lstm(x) # 取最后一個時間步的隱狀態(tài)做回歸 last out[:, -1, :] return self.fc(last)input_size必須等于特征列數(shù)這是多特征模型和單變量模型唯一的接口差異。hidden_size控制記憶容量64 到 128 是負(fù)荷預(yù)測的常用區(qū)間太小欠擬合太大在幾千條樣本上直接過擬合。num_layers超過 2 層在中小規(guī)模負(fù)荷數(shù)據(jù)上收益很小反而增加訓(xùn)練難度一般 1 到 2 層夠用。dropout只在多層時生效單層 LSTM 加 dropout 是無效的。3.2 訓(xùn)練循環(huán)與損失函數(shù)選擇負(fù)荷預(yù)測是回歸任務(wù)損失函數(shù)常用 MSE 或 MAE。MSE 對大誤差敏感適合關(guān)注峰值預(yù)測MAE 對異常值魯棒適合數(shù)據(jù)里有毛刺的場景。如果業(yè)務(wù)上更關(guān)心百分比誤差可以用 MAPE 做評估但訓(xùn)練仍用 MSE因?yàn)?MAPE 在負(fù)荷接近零時不穩(wěn)定。from torch.utils.data import DataLoader, TensorDataset # 構(gòu)造 Dataset train_ds TensorDataset( torch.tensor(train_x_scaled, dtypetorch.float32), torch.tensor(train_y_scaled, dtypetorch.float32) ) train_loader DataLoader(train_ds, batch_size64, shuffleTrue) model LoadLSTM(input_sizelen(feature_cols)) optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion nn.MSELoss() for epoch in range(100): model.train() total_loss 0 for xb, yb in train_loader: optimizer.zero_grad() pred model(xb) loss criterion(pred, yb) loss.backward() # 梯度裁剪防止 LSTM 梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() print(fepoch {epoch}, loss {total_loss / len(train_loader):.6f})batch_size取 32 到 128 之間樣本量小就取小一點(diǎn)。lr用 1e-3 起步訓(xùn)練不收斂就降到 1e-4。梯度裁剪是 LSTM 訓(xùn)練的后悔藥max_norm設(shè) 1.0 能擋掉大部分梯度爆炸導(dǎo)致的 loss 變 NaN。訓(xùn)練輪數(shù)不要死盯 100配合驗(yàn)證集早停更穩(wěn)。3.3 驗(yàn)證集評估與早停訓(xùn)練 loss 下降不代表模型有用必須每個 epoch 在驗(yàn)證集上算一次真實(shí)量綱的誤差否則你調(diào)的全是玄學(xué)。def evaluate(model, X, y_true, scaler_y): model.eval() with torch.no_grad(): pred model(torch.tensor(X, dtypetorch.float32)).numpy() pred_inv scaler_y.inverse_transform(pred) y_inv scaler_y.inverse_transform(y_true.reshape(-1, 1)) mae np.mean(np.abs(pred_inv - y_inv)) mape np.mean(np.abs((pred_inv - y_inv) / y_inv)) * 100 return mae, mape評估時一定要先inverse_transform再算指標(biāo)否則算出來的是歸一化空間的誤差和業(yè)務(wù)方看到的數(shù)字對不上。早停策略一般是驗(yàn)證集 MAPE 連續(xù) 10 個 epoch 不下降就停保留驗(yàn)證集最優(yōu)的權(quán)重。4. 多特征 LSTM 負(fù)荷預(yù)測的避坑與排查清單4.1 預(yù)測曲線整體平移一個時間步現(xiàn)象預(yù)測曲線形狀和實(shí)際幾乎一樣但整體提前或滯后一個時間步MAPE 卡在 5% 以上下不去。原因滑動窗口構(gòu)造時標(biāo)簽對齊錯了。常見錯誤是y.append(arr_y[i window])而不是arr_y[i window horizon - 1]horizon 為 1 時兩者恰好差一位。解決打印前三條樣本的輸入窗口最后一步和標(biāo)簽值人工核對時間戳是否連續(xù)。對齊問題只能靠肉眼驗(yàn)證沒有捷徑。4.2 驗(yàn)證集 loss 遠(yuǎn)高于訓(xùn)練集且持續(xù)上升現(xiàn)象訓(xùn)練 loss 一路降到很低驗(yàn)證 loss 先降后升MAPE 在驗(yàn)證集上比訓(xùn)練集高出一大截。原因過擬合。多特征輸入維度高樣本量不夠時模型會記住訓(xùn)練集的噪聲。解決先降hidden_size和num_layers再加大dropout還不行就加 L2 正則Adam 的weight_decay參數(shù)。如果特征里有強(qiáng)共線性的列先做相關(guān)性篩選剔掉冗余特征。4.3 加了氣象特征后效果反而變差現(xiàn)象單變量模型 MAPE 8%加了溫度和濕度后變成 10%。原因氣象特征沒做滯后對齊。負(fù)荷對溫度的反應(yīng)有延遲當(dāng)前時刻的溫度影響的是幾小時后的負(fù)荷直接把當(dāng)前溫度拼到當(dāng)前負(fù)荷上等于給模型喂了錯位信息。解決給氣象特征做滯后處理常見做法是把溫度整體后移 1 到 3 小時再拼進(jìn)特征矩陣。具體移多少用互信息或交叉相關(guān)函數(shù)掃一遍取相關(guān)性最高的滯后階數(shù)。4.4 loss 變成 NaN 或突然爆炸現(xiàn)象訓(xùn)練幾個 epoch 后 loss 打印出 nan或者從 0.01 跳到幾千。原因LSTM 的梯度爆炸或者學(xué)習(xí)率設(shè)太大或者輸入里有未處理的缺失值NaN 參與運(yùn)算會污染整個 batch。解決先檢查輸入數(shù)據(jù)有沒有 NaN用data.isnull().sum()掃一遍缺失值用前向填充或插值補(bǔ)上。然后加梯度裁剪把學(xué)習(xí)率降到 1e-4。三步做完基本能壓住。4.5 測試集指標(biāo)好但上線后誤差大現(xiàn)象離線 MAPE 6%實(shí)際跑起來誤差 15% 以上。原因數(shù)據(jù)泄漏。最常見的是歸一化時用了全量數(shù)據(jù) fit或者滑動窗口跨越了訓(xùn)練集和測試集的邊界把測試集的信息漏進(jìn)了訓(xùn)練樣本。解決切分?jǐn)?shù)據(jù)要在構(gòu)造滑動窗口之前做切分點(diǎn)前后留一段 gap比如 24 小時不參與任何一側(cè)避免窗口跨界。歸一化嚴(yán)格只在訓(xùn)練集 fit。5. 用消融對比和滾動預(yù)測驗(yàn)證多特征 LSTM 到底值不值得上模型跑通只是起點(diǎn)真正決定這個方案值不值得投入的是它比基線強(qiáng)多少、強(qiáng)在哪。我一般會做兩組驗(yàn)證。第一組是消融對比。固定 LSTM 結(jié)構(gòu)和超參只改輸入特征組合跑三組純負(fù)荷單變量、負(fù)荷加日歷、負(fù)荷加日歷加氣象。每組跑三次取平均記錄驗(yàn)證集 MAPE。如果加氣象后 MAPE 沒有明顯下降說明你的氣象特征滯后對齊沒做好或者該地區(qū)負(fù)荷對氣象本身就不敏感這時候硬加特征只是增加維護(hù)成本。特征組合驗(yàn)證集 MAPE訓(xùn)練耗時結(jié)論負(fù)荷單變量8.2%快基線負(fù)荷 日歷6.5%中日歷特征收益明顯負(fù)荷 日歷 氣象5.8%慢氣象有增益但需對齊第二組是滾動預(yù)測驗(yàn)證。不要只在一個測試集上算一次指標(biāo)用滾動窗口的方式每次預(yù)測未來 24 小時然后窗口向前滑 24 小時連續(xù)跑一個月的數(shù)據(jù)統(tǒng)計(jì)每天的 MAPE 分布。這樣能看出模型在周末、節(jié)假日、極端天氣下的穩(wěn)定性比單一指標(biāo)有說服力得多。def rolling_forecast(model, data, feature_cols, target_col, scaler_x, scaler_y, window24, horizon24, step24): 滾動預(yù)測每次預(yù)測未來 horizon 步窗口向前滑 step 步 results [] for start in range(0, len(data) - window - horizon 1, step): seg data.iloc[start:start window horizon] x_input scaler_x.transform(seg[feature_cols].iloc[:window]) x_tensor torch.tensor(x_input, dtypetorch.float32).unsqueeze(0) model.eval() with torch.no_grad(): pred model(x_tensor).numpy() pred_inv scaler_y.inverse_transform(pred)[0, 0] true_val seg[target_col].iloc[window] results.append((seg.index[window], pred_inv, true_val)) return pd.DataFrame(results, columns[time, pred, true])這段滾動預(yù)測代碼的關(guān)鍵參數(shù)是step它決定窗口每次向前滑多少。step等于horizon時是標(biāo)準(zhǔn)的日前滾動預(yù)測step小于horizon時預(yù)測區(qū)間有重疊適合做更密集的誤差分析。跑完把pred和true畫在同一張圖上重點(diǎn)看峰谷時段的偏差那才是業(yè)務(wù)真正在意的地方。最后說個我自己的習(xí)慣每次改完特征或超參我都會把當(dāng)次的驗(yàn)證集 MAPE、訓(xùn)練輪數(shù)、特征列表記在一個表格里跑夠十組再回頭看哪類改動真正有效。多特征 LSTM 負(fù)荷預(yù)測這個方向模型結(jié)構(gòu)本身沒有太多花活勝負(fù)手幾乎全在特征工程和數(shù)據(jù)切分的細(xì)節(jié)上。把消融和滾動驗(yàn)證做扎實(shí)比盲目堆層數(shù)、調(diào)學(xué)習(xí)率有用得多。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取