Python深度学习多特征电力负荷预测：从特征工程到LSTM实战

简介这份资源是面向电力负荷预测方向的Python深度学习实战源码包适合具备一定Python与机器学习基础、希望快速上手时间序列预测的学生、算法工程师及科研人员。它围绕多特征输入场景整合历史负荷、温度、湿度、日期时间等变量帮助读者理解如何用神经网络自动学习复杂模式并完成未来电力需求预测。压缩包共9个文件约795KB包含3个py源码文件、2个csv数据集、1个xlsx表格、2个md说明文档及1个license源码、数据与说明配套齐全便于直接运行与二次修改。目前已有72人学习下载。读者可从中获得完整的数据预处理、模型构建、训练评估与预测流程参考涵盖MLP、CNN、RNN等常见架构的落地思路以及MSE、RMSE、MAE等评估指标的实现方式适合作为课程设计、毕业设计或智能电网相关项目的起步模板。1. 多特征电力负荷预测为什么单靠历史负荷曲线已经不够用了如果你拿到的是一份python基于深度学习的多特征电力负荷预测源码.zip第一反应大概率是解压、看requirements.txt、找train.py然后直接python train.py跑一遍看 loss 降不降。但真正决定这个项目能不能落地、预测误差能不能压到可用范围的从来不是模型结构有多深而是你喂进去的“特征”到底够不够、对不对。电力负荷预测这件事早期做法基本是拿过去 24 小时或过去 7 天的负荷序列丢进 LSTM 或 GRU 里做自回归。问题是负荷曲线本身受温度、湿度、节假日、星期几、电价时段甚至重大活动影响单变量时序模型学到的只是“惯性”一旦遇到降温、调休、寒潮误差立刻翻车。多特征电力负荷预测的核心思路就是把气象、日历、历史统计这些外部变量和负荷序列拼在一起让深度学习模型去学“什么条件下负荷会怎么变”。这套源码适合两类人一类是刚接触深度学习想找一个完整时序项目练手的另一类是手里有本地负荷数据、想快速搭一个可迭代预测管线的工程人员。下面我按实际复现顺序把数据、特征、模型、训练和排错拆开讲。2. 数据与特征工程多特征到底加哪些、怎么对齐2.1 电力负荷预测的输入特征分四类拿到源码后先别急着看模型先看data/目录和特征构造脚本。一个能跑出合理结果的多特征方案输入通常由四类拼成特征类别典型字段作用常见坑历史负荷前 1 天同时刻、前 7 天同时刻、滑动均值提供惯性基线直接归一化全量数据导致泄漏气象温度、湿度、体感温度、降雨解释突变气象站点与负荷区域不对齐日历星期、月份、是否节假日、是否调休解释周期与异常只做 one-hot 不处理调休统计衍生日最大/最小负荷、峰谷差、上周同日均值给模型全局视角衍生特征用了未来信息源码里如果只做了前两类你至少要补上日历和统计衍生否则周末和工作日的负荷形态差异会让模型学成“平均脸”。2.2 用 pandas 做时间对齐与缺失填充多特征最大的工程量在“对齐”。负荷数据通常是 15 分钟或 1 小时一条气象数据可能是 3 小时或日值节假日表是日期级。下面这段是我一般会先跑的预处理骨架import pandas as pd import numpy as np # 读取负荷与气象统一到小时频率 load pd.read_csv(data/load.csv, parse_dates[timestamp]).set_index(timestamp) weather pd.read_csv(data/weather.csv, parse_dates[timestamp]).set_index(timestamp) # 气象若为 3 小时粒度先重采样到小时再前向填充 weather_hourly weather.resample(1h).interpolate(methodtime) # 合并负荷缺失不填充气象缺失前向填充 df load.join(weather_hourly, howleft) df[temp] df[temp].ffill().bfill() df[humidity] df[humidity].ffill().bfill() # 日历特征 df[hour] df.index.hour df[weekday] df.index.weekday df[is_weekend] (df[weekday] 5).astype(int) df[month] df.index.month # 历史负荷衍生前 1 天、前 7 天同时刻 df[load_lag24] df[load].shift(24) df[load_lag168] df[load].shift(168) df[load_roll_mean_24] df[load].shift(1).rolling(24).mean() df df.dropna() print(df.shape)逻辑说明resample(1h).interpolate(methodtime)解决气象与负荷频率不一致shift(24)和shift(168)分别取前一天和上周同一时刻注意必须shift后再rolling否则会把当前时刻负荷算进均值造成未来信息泄漏。参数上ffill().bfill()只用于气象负荷本身缺失建议直接删或单独标记不要用均值填否则峰谷被抹平。2.3 归一化必须按训练集统计量做很多人翻车在这里对整个数据集做MinMaxScaler然后切训练测试。正确做法是只在训练集上fit再transform验证和测试from sklearn.preprocessing import MinMaxScaler split int(len(df) * 0.8) train, test df.iloc[:split], df.iloc[split:] scaler MinMaxScaler() scale_cols [load, temp, humidity, load_lag24, load_lag168, load_roll_mean_24] train_scaled train.copy() test_scaled test.copy() train_scaled[scale_cols] scaler.fit_transform(train[scale_cols]) test_scaled[scale_cols] scaler.transform(test[scale_cols])fit_transform只出现在训练集测试集用同一个scaler做transform。这一步不做对离线指标会虚高上线直接崩。特征工程做完建议先画一张预测目标与温度的散点图确认温度与负荷不是完全无关否则加气象特征只是增加噪声。3. 模型搭建LSTM、CNN-LSTM 与 Transformer 怎么选3.1 时序窗口构造与 Dataset 写法深度学习吃的是定长窗口。假设用过去 48 小时预测未来 1 小时窗口构造如下import torch from torch.utils.data import Dataset, DataLoader class LoadDataset(Dataset): def __init__(self, data, feature_cols, target_col, window48, horizon1): self.data data[feature_cols].values.astype(np.float32) self.target data[target_col].values.astype(np.float32) self.window window self.horizon horizon def __len__(self): return len(self.data) - self.window - self.horizon 1 def __getitem__(self, idx): x self.data[idx: idx self.window] y self.target[idx self.window: idx self.window self.horizon] return torch.tensor(x), torch.tensor(y) feature_cols [load, temp, humidity, hour, weekday, is_weekend, load_lag24, load_lag168, load_roll_mean_24] ds LoadDataset(train_scaled, feature_cols, load, window48, horizon1) loader DataLoader(ds, batch_size64, shuffleTrue)window48表示看过去两天horizon1表示预测下一小时。如果做日前预测把horizon改成 24同时输出层维度改成 24。shuffleTrue只在训练集用验证和测试必须按时间顺序。3.2 LSTM 基线先跑通再谈改进不要一上来就 Transformer。先用单层 LSTM 把管线跑通确认数据没泄漏、loss 正常下降import torch.nn as nn class LSTMForecaster(nn.Module): def __init__(self, n_features, hidden64, layers1, horizon1): super().__init__() self.lstm nn.LSTM(n_features, hidden, layers, batch_firstTrue) self.fc nn.Linear(hidden, horizon) def forward(self, x): out, _ self.lstm(x) return self.fc(out[:, -1, :]) model LSTMForecaster(n_featureslen(feature_cols), hidden64, horizon1) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3)hidden64对几千到几万条负荷数据足够layers1先跑过拟合再加。out[:, -1, :]取最后一个时间步表示用整个窗口的摘要做预测。训练循环里记得每个 epoch 后在验证集上算 MAE不要只看训练 loss。3.3 CNN-LSTM 与 Transformer 的适用边界CNN-LSTM 的做法是先用一维卷积在时间维上提局部模式再送 LSTM。它对负荷曲线里的“早高峰爬坡”“晚高峰回落”这类局部形态更敏感适合 15 分钟粒度、日周期明显的场景。Transformer 适合你有多天甚至多周窗口、且特征维度较高的情况但小数据集上容易过拟合位置编码和学习率都要调。选型建议数据量小于 2 万条先 LSTM有明显局部形态且噪声大用 CNN-LSTM窗口超过 168 小时且有多变量交互再考虑 Transformer。源码里如果已经给了某一种不要急着换先把它的验证集 MAE 跑出来做基线。4. 训练与评估损失函数、指标和早停怎么设4.1 损失函数别只用 MSE电力负荷预测里峰谷误差的代价不一样。MSE 对大误差敏感但会让模型偏向平滑。常见做法是 MSE 加一点 MAE或者对高峰时段加权def weighted_mse(pred, true, peak_mask, peak_weight2.0): loss (pred - true) ** 2 weight torch.ones_like(loss) weight[peak_mask] peak_weight return (loss * weight).mean()peak_mask可以用训练集负荷的 80 分位数生成。peak_weight2.0表示高峰误差权重翻倍具体取值看你的业务对高峰偏差的容忍度。4.2 评估指标MAE、RMSE、MAPE 一起看def evaluate(model, loader, scaler, devicecpu): model.eval() preds, trues [], [] with torch.no_grad(): for x, y in loader: x, y x.to(device), y.to(device) preds.append(model(x).cpu().numpy()) trues.append(y.cpu().numpy()) pred np.concatenate(preds) true np.concatenate(trues) # 反归一化 pred_inv scaler.inverse_transform( np.concatenate([pred, np.zeros((len(pred), len(scale_cols)-1))], axis1) )[:, 0] true_inv scaler.inverse_transform( np.concatenate([true, np.zeros((len(true), len(scale_cols)-1))], axis1) )[:, 0] mae np.mean(np.abs(pred_inv - true_inv)) rmse np.sqrt(np.mean((pred_inv - true_inv) ** 2)) mape np.mean(np.abs((pred_inv - true_inv) / true_inv)) * 100 return mae, rmse, mape反归一化时构造同样列数的零矩阵再取第一列是为了匹配scaler的维度。MAPE 在负荷接近零时会爆炸所以夜间低谷时段要单独看不要只报一个总数。4.3 早停与学习率调度scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience5, factor0.5) best_mae float(inf) patience_counter 0 for epoch in range(100): model.train() for x, y in loader: optimizer.zero_grad() loss criterion(model(x), y) loss.backward() optimizer.step() val_mae evaluate(model, val_loader, scaler)[0] scheduler.step(val_mae) if val_mae best_mae: best_mae val_mae torch.save(model.state_dict(), best.pt) patience_counter 0 else: patience_counter 1 if patience_counter 10: breakpatience5是学习率调度patience_counter10是早停。两个 patience 不要设成一样否则容易在还没降学习率时就停掉。保存best.pt而不是最后一个 epoch是基本习惯。5. 避坑与排查多特征负荷预测最常见的 5 个翻车点5.1 现象验证集 MAE 很低上线后误差翻倍原因归一化用了全量数据或者衍生特征里混入了未来信息比如rolling没shift。 解决检查所有rolling、mean、max是否先shift(1)归一化只在训练集fit用时间序列切分而不是随机切分。5.2 现象模型预测曲线几乎是一条平滑直线原因损失函数只用 MSE且没有高峰加权模型学到的是条件均值。 解决加高峰权重或改用 Quantile Loss 输出分位数检查输入里是否包含load_lag24这类强特征如果没有模型只能靠气象硬猜。5.3 现象加了气象特征后误差反而变大原因气象站点与负荷区域不匹配或者气象数据本身缺失严重前向填充引入了错误趋势。 解决先算气象与负荷的互信息或皮尔逊相关系数低于 0.1 的特征先不加缺失超过 20% 的时段直接标记为缺失不要硬填。5.4 现象训练 loss 下降但验证 loss 震荡原因batch size 太小、学习率太高或者窗口内样本重叠导致验证集泄漏。 解决batch_size提到 64 或 128学习率降到 1e-4验证集和训练集之间留出至少一个window的间隔避免窗口重叠。5.5 现象MAPE 报出来 3%但高峰时段误差超过 15%原因MAPE 被大量低谷样本拉低高峰样本占比小。 解决分时段统计 MAE高峰、平段、低谷分开报如果业务只看高峰直接用高峰 MAE 做模型选择。提示每次改特征或模型结构只改一个变量跑完记录验证集 MAE 和高峰 MAE。多特征项目最容易越调越乱没有对照就跑偏。6. 进阶技巧用残差修正和滚动预测把误差再压一档6.1 残差修正让第二个模型学“第一个模型错在哪”LSTM 跑完把验证集残差true - pred存下来连同当时的气象和日历特征训练一个轻量级 Gradient Boosting 做修正。我一般用lightgbm几十棵树就够import lightgbm as lgb # residual 为验证集残差X_res 为对应时刻特征 res_model lgb.LGBMRegressor(n_estimators100, learning_rate0.05, max_depth4) res_model.fit(X_res_train, residual_train) final_pred lstm_pred res_model.predict(X_res_test)n_estimators100、max_depth4是防止修正模型过拟合的保守值。残差修正对高峰时段的系统性偏差特别有效但注意残差模型只能用验证集训练不能碰测试集。6.2 滚动预测多步预测不要一次性输出如果做未来 24 小时预测直接让 LSTM 输出 24 维误差会累积。更稳的做法是滚动预测每次预测 1 小时把预测值填回输入窗口再预测下一小时。代价是推理变慢但日前预测的曲线形态会自然得多。def rolling_forecast(model, init_window, steps24): window init_window.clone() preds [] for _ in range(steps): with torch.no_grad(): pred model(window) preds.append(pred.item()) # 把预测负荷填回窗口最后一行的负荷列 next_row window[:, -1, :].clone() next_row[:, 0] pred window torch.cat([window[:, 1:, :], next_row.unsqueeze(1)], dim1) return preds这里假设负荷列是第 0 列填回时其他特征保持不变。实际用的时候气象特征要用预报值日历特征按时间推进。滚动预测的误差会累积所以每预测 6 步建议用真实值校正一次具体间隔看你的数据刷新频率。6.3 一个我踩过的坑别在测试集上调窗口长度窗口长度window是超参数但很多人直接在测试集上试 24、48、72挑一个误差最低的这等于偷看测试集。正确做法是在训练集里再切一段验证集来选window测试集只在最后用一次。我现在的习惯是训练集 70%验证集 15%测试集 15%所有调参在验证集完成测试集跑完就封存。多特征电力负荷预测这个方向特征质量比模型深度重要得多把对齐、归一化、高峰评估这三件事做扎实比换 Transformer 带来的提升更明显。希望帮到你。本文还有配套的精品资源点击获取