简介面向毕业设计、课程设计与期末大作业场景的Python深度学习实战项目基于LSTM多特征电力负荷预测覆盖数据清洗、特征处理、模型训练、结果评估与可视化全流程适合具备一定Python基础、希望快速上手神经网络项目的新手也可作为课程考核的高分参考。资源共8个文件含3个Python脚本、2个MD说明文档、2个CSV数据文件、1个Excel原始数据集代码注释详尽按数据预处理、预测建模、结果展示模块拆分压缩包仅830KB轻量易部署。已有239人浏览学习下载可获带注释完整源码、分步项目说明和可直接使用的训练数据README内含项目背景与运行步骤Excel与CSV同时覆盖原始样本和处理后特征按说明配置环境即可复现预测流程也可在毕设或课设中延伸调参、对比与展示。1. LSTM凭什么成为电力负荷预测的主力多特征建模的一个可行路线做电力负荷预测的人大概率都经历过这种尴尬传统统计模型在平稳天气下表现尚可一旦遇到节假日、极端温度或者工厂临时检修预测曲线就开始“开盲盒”。而深度学习里的LSTM长短期记忆网络之所以能在这类场景里撑起半边天核心在于它对时间序列的“记忆”能力——它记得住前几天的负荷走势也记得住昨晚某个时刻的突发波动。标题里说的“多特征”指的是不只是拿历史负荷一条曲线去预测未来而是把温度、湿度、节假日标记、小时序号、星期几这些外生变量一起喂进网络让模型学到“热天工作日下午两点”这类组合模式下的负荷规律项目源码和数据集本来就是照着这个思路搭好的。这篇笔记我会从特征设计、数据预处理、LSTM网络结构、训练调参到最后的评估与滚动预测把整个流程捋一遍。适合已经有Python基础、跑过简单深度学习教程、但还没完整做过一个时序预测项目的读者。看完之后你不仅能把这份源码跑通还能顺手改进它往自己的业务数据上迁移。2. 读懂电力负荷预测的LSTM方案多特征结构和关键参数2.1 电力负荷序列为什么要用LSTM序列建模与长期依赖电力负荷数据本质上是一个高频率采样的时间序列常见间隔是15分钟、30分钟或1小时。它有几个让传统方法头疼的性质日周期性明显、周周期性存在、受天气影响呈非线性、节假日会产生突变。ARIMA这类线性模型处理周期性和趋势还可以但面对“温度超过35度后空调负荷急剧上升”这种阈值型非线性关系常常力不从心。LSTM是循环神经网络RNN的一种改进结构它在神经元内部增加了输入门、遗忘门、输出门和细胞状态。简单理解细胞状态是一条贯穿时间步的传送带信息可以从序列的开头一路传到结尾遗忘门决定哪些历史信息丢掉输入门决定哪些新信息写进记忆输出门决定当前时刻输出什么。这个机制解决了传统RNN在长序列上梯度消失的问题让模型能捕捉几天前甚至几周前的相似负荷模式。在电力负荷预测任务里LSTM的输入是一个滑窗截出来的子序列比如用过去7天每天96个采样点15分钟间隔预测明天96个点。滑窗宽度和预测步长是可调参数后面我会专门说怎么设。相比普通RNNLSTM在负荷这类中等长度序列几百个时间步上表现稳定得多训练也更容易收敛。2.2 多特征怎么选目标变量、外生变量与特征矩阵设计标题里的“多特征”是这份源码的核心卖点也是工程落地时最值得花时间琢磨的地方。常见做法是目标变量只有一个——未来某个时间窗口的负荷值输入特征分成两组一组是负荷自身的历史值滞后特征另一组是影响负荷的外生变量。我最常用的特征组合是这样的特征类别具体字段说明历史负荷当前时刻前1小时、前1天同时刻、前7天同时刻的负荷滞后特征捕获短期惯性和周期模式时间特征小时序号0-23、星期几0-6、是否节假日刻画日内峰谷、周末与工作日差异气象特征温度当前值与预测值、湿度、体感温度温度是夏季和冬季负荷的最大扰动源滚动统计过去24小时平均负荷、过去24小时最大负荷提供趋势和波动幅度信息这些特征并不是越多越好。把湿度、风速、降雨量一股脑塞进去模型拟合能力是提升了但对输入数据的完整度要求也变高了——一旦线上预测时气象数据拿不到整个模型就得停摆。我一般遵循一个原则先做单变量LSTM作为基线再逐步加特征每加一个特征验证集MAPE平均绝对百分比误差至少下降0.3个百分点才保留。特征的构造代码看起来很简单但对齐索引是个容易出错的地方。下面是构造特征矩阵的典型代码片段import pandas as pd import numpy as np def build_features(df, target_colload, seq_len24): df: 包含负荷、温度、湿度、节假日的DataFrame索引为时间 target_col: 目标变量列名 seq_len: 滑窗长度按小时计 data df.copy() # 滞后特征过去1小时、24小时昨天同时刻、168小时上周同时刻 data[lag_1h] data[target_col].shift(1) data[lag_24h] data[target_col].shift(24) data[lag_168h] data[target_col].shift(24 * 7) # 时间特征小时、星期几、是否周末 data[hour] data.index.hour data[dayofweek] data.index.dayofweek data[is_weekend] (data[dayofweek] 5).astype(int) # 滚动统计特征 data[rolling_mean_24h] data[target_col].rolling(24).mean() data[rolling_max_24h] data[target_col].rolling(24).max() # 去掉滑窗引起的NaN行 data data.dropna() feature_cols [lag_1h, lag_24h, lag_168h, hour, dayofweek, is_weekend, temperature, humidity, rolling_mean_24h, rolling_max_24h] return data[feature_cols].values, data[target_col].values这段代码有几个关键点。shift(1)表示取上一时刻的负荷值如果原始数据是15分钟间隔要预测15分钟后的负荷这个滞后特征就是“上一刻负荷”如果数据是小时级shift(24)拿到的就是“昨天同一小时”的负荷这是电力负荷最明显的日周期性。滚动窗口用.rolling(24).mean()算的是过去一天的平均负荷水平它相当于给模型一个“当前整体态势是高还是低”的偏置信息。特征构造完之后千万不要直接把数据喂给LSTM。LSTM期望的输入形状是(样本数, 时间步数, 特征维度)也就是说不能把特征矩阵摊平成二维而是要按滑窗切成三维张量。切窗逻辑我放在下一章的数据预处理里一并讲。2.3 模型结构选择单层LSTM、双向LSTM还是堆叠LSTM源码里最常用的网络结构是“LSTM层 全连接输出层”。至于用几层LSTM、每层多少隐藏单元这是调参的核心矛盾层数和单元数加大会提升模型容量让训练集loss压得很低但验证集容易过拟合而且训练时间呈非线性增长。以小时级负荷数据为例我的起点配置一般是单层LSTM隐藏单元数64Dropout设为0.2输出端接一个包含32个神经元的全连接层最后输出预测步长对应的节点数。这个配置在大多数公开负荷数据集上都能在一两百个epoch内收敛到合理的精度。双向LSTMBiLSTM在负荷预测里不是默认选项因为它会增加一倍的计算量而负荷序列的依赖关系大多是单向的——过去的负荷影响未来未来的负荷不可能倒过来影响现在。如果加了BiLSTM之后验证集指标没有明显提升果断换回单向LSTM。堆叠LSTM两层或三层适合序列特别长、模式特别复杂的场景但在电力负荷这种以周期性和天气驱动为主的任务里收益有限。我测试过同样的数据用单层和双层LSTM训练双层在验证集MAPE上通常只比单层好0.10.2个百分点但训练时间差了接近一倍而且双层结构对学习率更敏感更容易出现梯度不稳定。对小团队和一线工程师来说先把单层结构调好比盲目堆层更务实。3. 复现多特征LSTM负荷预测从数据预处理到训练闭环3.1 数据集的加载与时间索引对齐公开的电力负荷数据集比如常见的GEFCom2014负荷数据一般给出每小时或每15分钟的负荷值单位MW有些还附带对应的温度值。拿到数据后第一步是确认时间索引的完整性和时区一致性。数据集偶尔会出现个别缺失值常见做法是用前后24小时同时刻的平均值插补。import pandas as pd df pd.read_csv(load_data.csv, parse_dates[datetime], index_coldatetime) df df.sort_index() # 确保时间索引升序 # 查看缺失情况 print(df.isnull().sum()) # 用前后7天同时刻的均值插补缺失负荷值 def fill_load_missing(s, pattern7D): missing_idx s[s.isnull()].index for ts in missing_idx: window s.loc[ts - pd.Timedelta(pattern):ts pd.Timedelta(pattern)] s[ts] window.mean() return s df[load] fill_load_missing(df[load])这里有一个小细节插补时优先取“同时刻”的数据比如缺失的是3月5日14:00的负荷应该用2月26日、2月19日等多个周二14:00的负荷均值来填而不是直接内插。因为电力负荷的日内曲线形状很固定用相邻时刻的值内插会把峰谷削平引入额外的噪声。3.2 数据标准化归一化与反归一化的正确姿势LSTM使用tanh和sigmoid作为激活函数输入数据必须落在合适的数值范围里。负荷通常是几百到几千MW温度在三四十度小时序号在0到23之间它们的量纲完全不同。如果不做归一化梯度更新会被数值大的特征主导模型训练会极其不稳定甚至发散。常见的做法是用MinMaxScaler把每个特征压到[0, 1]区间但有一点必须处理对scaler必须在训练集上fit再用训练集的scaler去transform验证集和测试集。如果对全部数据一起fit验证集和测试集的信息就被模型“偷看”了评估结果会虚高这个坑我后面专门讲。from sklearn.preprocessing import MinMaxScaler feature_scaler MinMaxScaler() target_scaler MinMaxScaler() # 按时间顺序切分前80%训练后20%测试 split_idx int(len(features) * 0.8) X_train_raw, X_test_raw features[:split_idx], features[split_idx:] y_train_raw, y_test_raw target[:split_idx], target[split_idx:] # 重要只在训练集上fittransform测试集 X_train feature_scaler.fit_transform(X_train_raw) X_test feature_scaler.transform(X_test_raw) y_train target_scaler.fit_transform(y_train_raw.reshape(-1, 1)).ravel() y_test target_scaler.transform(y_test_raw.reshape(-1, 1)).ravel()注意target_scaler单独用一个scaler不要跟特征共用同一个。因为负荷的单位和范围跟温度、湿度完全不同目标变量单独缩放可以避免输出头需要去适配特征分布。反归一化时用target_scaler.inverse_transform(predictions)把预测值还原成真实的MW数值用来计算误差指标。3.3 滑窗切分构造LSTM输入的时间步维度LSTM的输入需要三维张量(batch_size, seq_len, num_features)。seq_len是滑窗长度代表模型每次回顾多少历史时间步。这个值的选择直接影响预测效果设太小比如6小时模型学不到日周期性设太大比如168小时序列过长训练变慢而LSTM的记忆能力也有限。我的习惯是对于小时级数据seq_len设为48或72相当于回顾过去2到3天。这样即覆盖了一个完整的日内周期又不会让序列长到难以训练。如果你预测的是未来24小时可以考虑用“序列到序列”seq2seq结构编码器读入过去72小时的负荷解码器输出未来24小时的负荷。源码里的结构更简单本质上是用过去的seq_len个时间步直接预测后面的pred_len个时间步。def create_sequences(X, y, seq_len48, pred_len24): 把二维特征矩阵切成LSTM输入需要的三维序列。 X: 标准化后的特征矩阵 (n_samples, n_features) y: 标准化后的目标变量 (n_samples,) seq_len: 输入序列长度回溯多少步 pred_len: 预测长度一次预测未来多少步 X_seq, y_seq [], [] for i in range(len(X) - seq_len - pred_len 1): X_seq.append(X[i:i seq_len]) y_seq.append(y[i seq_len:i seq_len pred_len]) return np.array(X_seq), np.array(y_seq)这里有个关键的取舍X_seq的滑动窗口是连续滑动的相邻样本之间共享了大部分时间步所以训练集内部有很强的自相关性这不会影响模型收敛但会让验证集误差看起来比实际更乐观。如果业务上有严格的时间序列评估需求可以用“间隔采样”的方式构造验证集——每隔若干个样本取一个作为验证避免相邻样本信息重叠。但对大多数项目来说直接按时间顺序切分就是足够好的做法。3.4 用PyTorch构建多特征LSTM模型并跑通训练闭环PyTorch的nn.LSTM接口对做负荷预测很友好输入维度直接对应特征数hidden_size控制隐藏单元数量num_layers控制层数。下面是完整可运行的模型定义和训练循环。import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size, hidden_size64, num_layers1, pred_len24, 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.fc1 nn.Linear(hidden_size, 32) self.fc2 nn.Linear(32, pred_len) def forward(self, x): # x: (batch, seq_len, input_size) lstm_out, (h_n, c_n) self.lstm(x) # 取最后一个时间步的隐藏状态作为序列表示 last_hidden h_n[-1] # (batch, hidden_size) out torch.relu(self.fc1(last_hidden)) out self.fc2(out) return out注意到dropout参数的设置PyTorch里单层LSTM如果不小心传入dropout0.2会报warning甚至报错因为dropout只作用于多层LSTM的层间单层模型里没有“层间”这个概念。所以代码里用了条件判断只有num_layers 1时才传dropout给LSTM对单层模型则在使用时另加Dropout层或者干脆不用。训练循环通常用Adam优化器学习率设置在1e-3量级配合ReduceLROnPlateau调度器做动态衰减。loss函数用MSELoss但评估指标用MAPE和RMSE。import torch.optim as optim from torch.utils.data import TensorDataset, DataLoader # 转换为Tensor并构建DataLoader X_train_t torch.FloatTensor(X_train_seq) y_train_t torch.FloatTensor(y_train_seq) X_val_t torch.FloatTensor(X_val_seq) y_val_t torch.FloatTensor(y_val_seq) train_dataset TensorDataset(X_train_t, y_train_t) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) model LSTMPredictor(input_sizeX_train_seq.shape[2], hidden_size64, pred_len24) optimizer optim.Adam(model.parameters(), lr1e-3) scheduler optim.lr_scheduler.ReduceLROnPlateau(optimizer, modemin, factor0.5, patience8) criterion nn.MSELoss() for epoch in range(150): model.train() train_loss 0 for X_batch, y_batch in train_loader: optimizer.zero_grad() pred model(X_batch) loss criterion(pred, y_batch) loss.backward() optimizer.step() train_loss loss.item() * X_batch.size(0) # 验证 model.eval() with torch.no_grad(): val_pred model(X_val_t) val_loss criterion(val_pred, y_val_t).item() scheduler.step(val_loss) if (epoch 1) % 20 0: print(fEpoch {epoch1:3d} | Train Loss: {train_loss/len(train_loader.dataset):.6f} | Val Loss: {val_loss:.6f})batch_firstTrue是PyTorch中控制输入维度的关键参数。当它为True时输入张量的第一维是batch模型内部会自动处理时间步和特征的排列。时间步数在创建序列时已经由seq_len决定了所以传给模型的张量形状是(batch_size, seq_len, input_size)。验证集的构造这里没有展开但有一个原则验证集必须是时间上晚于训练集的数据。比如训练集用前85%的时间段验证集用后15%。如果打乱顺序随机划分LSTM会看到未来的数据验证指标会虚高得离谱。3.5 反归一化与评估指标计算预测完成后必须把结果反归一化回真实量纲再计算指标。直接对标准化后的数据算RMSE没有业务意义因为数值不在MW量级上。反归一的代码一行就够# preds: 模型输出的numpy数组 (n_samples, pred_len) preds_raw target_scaler.inverse_transform(preds) y_true_raw target_scaler.inverse_transform(y_true)评估指标我固定用两组RMSE看绝对误差水平MAPE看相对误差百分比。电力负荷预测的业务方通常更关心MAPE因为它直接对应“预测偏差了几个百分点”更容易跟调度考核挂钩。def evaluate(y_true, y_pred): mape np.mean(np.abs((y_true - y_pred) / y_true)) * 100 rmse np.sqrt(np.mean((y_true - y_pred) ** 2)) return rmse, mape计算MAPE时如果真实负荷值接近0需要做保护避免除零。实际电力负荷数据极少出现接近0的值但凌晨低谷时段负荷可能降到几十MW如果数值跨度很大MAPE可能被低谷时段的相对误差放大。这时可以改用基于容量的绝对误差——按峰值负荷归一化RMSENRMSE在论文和项目报告中更常见。4. 多特征LSTM负荷预测的踩坑与排查五个典型问题的解决路径4.1 预测结果整体偏低归一化泄露与反归一的错误配对现象验证集MAPE看起来不错5%以内但把预测曲线画出来后发现预测值整体比真实值低一截尤其是峰荷时段预测曲线像被压扁了一样。原因这是典型的数据泄露data leakage。如果MinMaxScaler是在全部数据上fit的训练过程中模型已经看到了测试阶段的最大最小值这会让标准化后的训练数据分布“偏松”模型学到的是被压缩后的波动幅度。反归一化后因为scaler的min和max包含了未来信息恢复出来的数值整体被下拉。还有一种隐蔽的原因训练时用了fit_transform(X_train)但验证或测试时误用了另一个重新fit的scaler导致验证集数据被缩放到了不同的区间模型在推理时面对的是“未见过”的输入分布输出自然不准。解决严格遵循“只在训练集上fit测试集只transform”的原则。画出预测曲线后先检查训练阶段是否出现过类似scaler.fit_transform(X)把全量数据传进去的代码。用验证集调参时也要把验证集当作未来数据单独transform。分布式训练里尤其容易在这里翻车。4.2 特征构造的索引错位滞后特征引入了未来信息现象单变量LSTM只用历史负荷效果不如多特征LSTM但多特征LSTM在验证集上效果反而更差或者训练loss下降很快但验证loss震荡厉害。原因特征构造代码里shift的步数错了。比如数据是15分钟间隔但误用了shift(24)本意是取“昨天同一时刻”实际上取到了6小时前的负荷这个特征跟目标变量的相关性极高模型过度依赖它反而忽略了更长期的模式。更严重的情况是如果你用了shift(-1)那本质上把目标未来值偷看进了特征训练loss会降到极低、验证集上直接崩盘。解决在构造特征后用df.corr()检查各特征与目标变量的相关性尤其注意滞后特征的相关性是否合理。lag_1h相关性在0.95以上是正常的但如果lag_-1h也出现在特征列里那就是时序对齐出了问题。再打印一下data[[load, lag_1h, lag_24h]].head(48)肉眼检查凌晨时段的数据对齐是否正确。4.3 预测曲线变成了“平移复制”滑窗宽度与预测长度的比例失衡现象模型预测结果看起来像是把输入序列的最后一段直接平移到了未来曲线形状完全一致但整体往右挪了24小时。MAPE看着还行但峰谷位置全错位业务上根本没法用。原因当seq_len设置过短比如仅16小时模型没有足够的历史信息来推断完整的日周期它学到的最简单策略就是“把最近的模式复制到未来”。这在负荷相对平稳的季节里可能骗过误差指标但遇到温度突变或节假日就会原形毕露。解决把seq_len扩大到至少包含一个完整日周期小时级数据取24到72。同时检查输入特征里是否包含hour这个时间特征、模型是否能利用它。如果没有时间特征LSTM完全不知道当前是白天还是黑夜也很难自动从负荷序列中推断出相位信息。我处理这种问题时会在模型输入端把手动构造的时间特征一起拼进去而不是让LSTM自己从负荷序列里“悟”出星期几。4.4 验证集指标好但真实场景差训练-验证切分没有按时间序列现象项目汇报时验证集MAPE只有3%上线后前两周也很正常遇到第一个极端天气直接掉到15%以上业务方开始质疑模型是否靠谱。原因训练集和验证集是随机切分的。随机切分在分类任务里可行但在时间序列预测里是严重的错误。负荷数据有强自相关训练集里包含了验证集“附近”的样本也许只是隔了几个小时模型相当于提前“背过”了答案。等到真实上线时未来数据跟训练集的时间间隔越来越大模型泛化能力不足的问题就暴露了。解决按时间顺序切分训练集用前80%或70%验证集用后20%或30%。更严格一点的做法是“滚动时间窗验证”用1月到3月训练预测4月然后1月到4月训练预测5月依此类推最后平均每月误差。这样能看出模型在不同季节下的稳定性而不是只看某一段时间的表现。4.5 loss长时间不降学习率过大与梯度裁剪缺失的连环效应现象训练loss在几百个epoch里持续在某个水平震荡不下降也不发散验证集指标也纹丝不动。试着调大hidden_size问题依旧。原因LSTM对学习率非常敏感。学习率过高时梯度更新会跳过最优区域loss在“窄谷”周围来回震荡表现为停滞学习率过低的收敛速度又让人无法接受。此外长序列的LSTM在反向传播时梯度范数容易累积变大如果没有做梯度裁剪gradient clipping一个异常batch就会把参数推出正常范围。解决把初始学习率设为1e-3配合ReduceLROnPlateau验证loss连续8个epoch不下降时把学习率减半。同时在loss.backward()之后加上torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)。这个组合在我做过的负荷预测项目里几乎没有失手。如果还不行把batch_size从64降到32小batch通常能带来更稳定的梯度估计。对于特殊场景也可以考虑用AdamW替代Adam两者在很多任务上相差不大但AdamW的权值衰减策略更干净不容易跟LSTM内部的门控机制互相干扰。5. 从源码到上线评估指标对比、基线模型与滚动预测策略5.1 评估指标的层次单点误差、曲线相似度与业务口径拿到一份源码别急着跑完训练就宣布成功。负荷预测的评估至少要看三个层次。第一层是单点误差RMSE和MAPE是必须的这部分前面已经提过。第二层是曲线形状相似度常用的是计算预测曲线与真实曲线的皮尔逊相关系数能看出峰谷时刻是否对齐。第三层是业务指标比如“峰荷时段上午10点到12点的MAPE”和“谷荷时段凌晨2点到4点的MAPE”分别是多少因为调度考核通常对峰荷时段的准确率要求更严。5.2 基线对比跑通LSTM之前先把ARIMA和SVR的结果放在桌上一份只有LSTM结果的报告很难说服评委或业务方因为你没有证明“LSTM比现有方案好”。常见做法是搭两个基线模型一个是统计模型ARIMA用于证明LSTM在处理长期依赖和非线性上有优势另一个是机器学习模型SVR或XGBoost用于证明序列建模比“特征工程回归器”更有价值。SVR做负荷预测的思路是把历史负荷的滞后值、温度、节假日等特征全部拍平成二维表格作为SVR的训练输入。这不公平因为SVR没有显式的时间建模能力但如果你把滞后的24小时负荷都作为特征喂进去SVR也能凑合表现。在同样的特征集下对比LSTM和SVRLSTM的优势通常体现在长周期模式的捕获上——SVR难以自动判断“距离上次节假日过去了多少天”而LSTM可以。模型验证集MAPE训练时间调参难度适用场景ARIMA8-12%分钟级低p,d,q搜索平稳负荷无季节突变SVR6-9%分钟级中核函数C有特征工程、非线性关系明显XGBoost5-8%分钟级中树参数特征工程强、需要可解释性LST本文还有配套的精品资源点击获取