简介这是一份基于深度学习的区域电力负荷预测模型完整项目源码与说明文档面向高校学生在期末大作业、课程设计中使用Python完成负荷预测任务而设计也可作为相关方向开发者的实战参考。项目已获导师指导并通过审核获得97分高分评价环境配置后即可直接运行无需二次修改。压缩包共62个文件以39个Python脚本为主体覆盖数据预处理、模型定义、训练评估、工具函数等模块17张JPG图片用于呈现预测效果与可视化分析2个Markdown文档提供项目说明与备注整体压缩包仅3.72MB轻量且目录结构清晰。目前已有150人学习下载。除了可直接使用的模型外内容还包含完整项目目录与关键说明有助于理解深度学习在区域电力负荷预测中的特征处理、网络设计及结果分析思路是完成同类课程设计或期末项目的高分范本。1. 用深度学习做区域电力负荷预测先搞清楚这份源码到底解决什么问题调度员最头疼的一件事是明天的负荷曲线到底怎么走。区域电力负荷受天气、工作日、节假日和居民用电习惯共同影响早晚高峰、午间低谷、周末平移规律存在但非线性很强。传统时间序列模型在这种场景下经常误差大尤其是遇到气温突变或者节假日前后的“非典型日”ARIMA 和线性回归几乎无能为力。标题里这份源码做的就是这件事用 Python 和深度学习模型基于历史负荷和外部特征预测未来一段时间的区域电力负荷。这类项目通常包含数据预处理、模型训练、预测评估和可视化几个模块核心价值在于把“时序预测”这条路完整打通。如果你是刚入门深度学习的开发者或者做电力数据分析但没写过预测模型这份源码能省掉大量从零搭环境、调参、踩坑的时间。我对这类项目的经验是代码不是最难的难在数据怎么喂给模型、参数怎么调、结果怎么判断好坏。这篇文章就把这些环节一条条拆给你看。2. 模型选型与特征工程为什么短期负荷预测首选 LSTM/GRU 而不是 CNN2.1 区域负荷数据的特性决定了模型选型区域电力负荷和单户负荷有本质区别。单户负荷随机性极强一家人的用电行为很难预测但一个区域的负荷是成千上万用户的叠加统计规律非常明显。典型曲线呈现“双峰”结构早高峰在 8 点到 11 点晚高峰在 18 点到 21 点凌晨降到低谷。周一到周五的曲线形状相似周六日会整体右移或变形节假日则完全变成另一副样子。这些特性意味着负荷序列同时包含三种信息短时波动、日周期性、周周期性。深度学习模型处理这类时序数据的优势在于不需要手工构造复杂的滞后特征而是让模型自动从历史窗口里学习模式。CNN 能提取局部模式但缺乏时序记忆能力普通全连接网络无法建模序列依赖关系而 LSTM 和 GRU 天生适合这种场景——它们通过门控机制记住“昨天这个时刻的负荷是多少”“过去一周的趋势是什么”从而在当前输入的基础上做修正。选型时我一般会看四个维度序列长度、样本量、训练成本和部署约束。负荷预测的历史窗口通常取 168 小时7 天或 336 小时14 天序列长度不算夸张样本量在几千到几万之间属于中等规模训练和推理都要在普通机器上跑得动不能依赖大规模集群。这几个维度叠加下来LSTM 和 GRU 是最务实的选择。2.2 模型对比LSTM、GRU、TCN、Transformer 怎么选选模型之前先看数据规模。Transformer 在长序列和大数据量上表现最好但电力负荷数据往往不足以支撑它的参数量训练慢、调参难度高在小数据集上甚至不如 LSTM。TCN 用因果卷积实现时序建模训练速度比 LSTM 快但对周期模式的捕捉能力不如门控循环单元直接。GRU 是 LSTM 的简化版参数更少、训练更快在很多负荷预测任务里精度几乎一样。LSTM 则是“万金油”效果稳定坑少资料多。模型优势劣势适用场景LSTM长短期记忆能力强稳定参数量中等训练较慢中小规模时序数据推荐首选GRU参数量少训练快长序列能力略弱于 LSTM数据量有限时的务实替代TCN并行训练速度快周期模式捕捉一般超长序列或对训练速度要求高Transformer长程依赖建模强数据量要求高调参复杂大数据量、长序列研究场景我建议的做法是先用 LSTM 或 GRU 搭一套完整基线跑通之后再换其他模型做对比。很多开源项目里模型文件会同时包含 LSTM 和 GRU 的类定义方便切换。RNN 家族在网络结构上只需改动一行代码就能在 LSTM 和 GRU 间切换后续章节我会给出具体的代码写法。2.3 特征设计温度、节假日和时间戳是三大支柱仅把历史负荷丢给模型是不够的。一个区域负荷预测项目里至少要包含三类特征。第一类是历史负荷本身通过滑窗构造连续序列第二类是时间特征包括小时、星期几、是否周末、是否节假日这类特征帮助模型区分不同时段的用电模式第三类是气象特征其中温度的影响最显著——夏天每升高 1 度空调负荷可能增加几万千瓦冬天则相反。特征不是越多越好。有些项目把湿度、风速、降水全部塞进去但特征维度增加会让模型训练更慢还容易引入噪声。常见做法是先以“历史负荷 时间特征 温度”作为基础特征组合后续根据验证集误差决定是否增加其他气象变量。标签的定义同样关键。单步预测的标签是下一个时刻的负荷值多步预测的标签是未来 24 小时或 96 个点的负荷序列。不同标签定义对应不同的损失函数和评估方式后面会展开讲。评价指标通常用 MAPE平均绝对百分比误差和 RMSE均方根误差。MAPE 直观反映百分比误差但负荷接近零时数值会爆炸所以实操中更推荐配合 SMAPE 或对分母做保护。3. 数据预处理与滑窗构造从原始负荷序列到模型输入的完整转换3.1 数据清洗缺失值、异常值和重复时间戳拿到原始数据后别急着建模先把数据洗干净。区域负荷数据最常见的三个问题某个时间点没采集到数据、出现异常尖峰或负值、时间戳重复或乱序。如果缺失值不多用前后时刻线性插值就能解决异常值需要结合业务判断比如负荷突然变成 0 或者超过历史最大值数倍通常是计量设备故障应该剔除或用前后均值替代。import pandas as pd import numpy as np # 读取数据time 列是 datetime 格式 df pd.read_csv(load_data.csv, parse_dates[time]) df df.set_index(time).sort_index() # 删除重复时间戳保留最后一条 df df[~df.index.duplicated(keeplast)] # 缺失值用时间插值填充 df[load] df[load].interpolate(methodtime) # 异常值处理将超出 [下限, 上限] 的值替换为前后均值 lower df[load].quantile(0.001) upper df[load].quantile(0.999) df.loc[df[load] lower, load] np.nan df.loc[df[load] upper, load] np.nan df[load] df[load].interpolate(methodtime)这段代码做了四件事排序索引、去重、插值补缺失、分位数截断异常值。interpolate(methodtime)是按时间间隔比例插值比线性插值更适合时间序列。分位数截断选择 0.1% 和 99.9% 作为阈值既过滤掉极端异常又不会误伤真实尖峰。注意异常值替换成np.nan后再统一插值避免因删除数据导致时间轴不连续。3.2 时间特征与外部特征构造清洗完成后下一步是构造模型需要的辅助特征。时间特征必须拆成数值形式才能被模型消费小时用 0-23 的整数星期几用 0-6 的整数。但直接用原始整数有隐患——模型可能学到“23 点和 0 点差异巨大”而实际它们只差一小时。更优雅的做法是用正弦和余弦编码表示周期性。# 基础时间特征 df[hour] df.index.hour df[weekday] df.index.weekday df[is_weekend] (df.index.weekday 5).astype(int) # 周期性编码用 sin/cos 表示小时和星期 df[hour_sin] np.sin(2 * np.pi * df[hour] / 24) df[hour_cos] np.cos(2 * np.pi * df[hour] / 24) df[week_sin] np.sin(2 * np.pi * df[weekday] / 7) df[week_cos] np.cos(2 * np.pi * df[weekday] / 7) # 节假日特征需要外部日历数据 holiday_dates pd.to_datetime([2024-01-01, 2024-02-10]) # 示例 df[is_holiday] df.index.normalize().isin(holiday_dates).astype(int) # 温度特征缺失时向前填充 df[temp] df[temp].fillna(methodffill)周期性编码是这类项目里容易被忽略的细节。直接用hour23和hour0作为两个不同的整数模型需要额外学习“它们是相邻的”这件事用 sin/cos 编码后23 点和 0 点在二维平面上的距离天然很近模型学起来轻松得多。温度属于强外部变量缺失时用前向填充即可因为温度变化是连续的不会出现跳变。3.3 滑窗序列构造与训练/验证/测试划分特征构造完成后需要把表格数据转换成模型能吃的三维张量。LSTM 的输入格式是(样本数, 时间步数, 特征数)每个样本是一个历史窗口标签是对应的未来值或未来序列。滑窗构造有两组关键参数history 是回溯多少个小时horizon 是预测未来多少个小时。def create_sequences(data, history168, horizon1): 将二维表格数据转换为滑窗序列 data: (样本数, 特征数) 的 numpy 数组 history: 历史窗口长度默认 168 小时7天 horizon: 预测步长默认1步 X, y [], [] for i in range(history, len(data) - horizon 1): X.append(data[i - history:i]) y.append(data[i:i horizon, 0]) # 假设第0列是负荷 return np.array(X), np.array(y) # 按时间顺序切分先打乱顺序是错的 train_size int(len(df) * 0.7) val_size int(len(df) * 0.1) train_df df.iloc[:train_size] val_df df.iloc[train_size:train_size val_size] test_df df.iloc[train_size val_size:]滑窗的循环逻辑从history位置开始每次取前history行作为输入取紧接着的horizon行负荷作为标签。步长为 1意味着用 1 点到 168 点预测 169 点再用 2 点到 169 点预测 170 点窗口逐小时滑动。这样构造出来的样本量接近原始数据长度足以支撑深度学习模型的训练。时序数据切分必须遵守一个铁律不能随机打乱。训练集、验证集、测试集必须按时间顺序切分否则模型会“偷看”未来数据验证分数虚高一上真实场景就翻车。常见比例是 7:1:2 或 6:2:2具体看数据量测试集至少覆盖一个完整的周周期才有评估意义。from sklearn.preprocessing import MinMaxScaler # 归一化只用训练集的统计量 load_scaler MinMaxScaler() temp_scaler MinMaxScaler() train_df[load] load_scaler.fit_transform(train_df[[load]]) train_df[temp] temp_scaler.fit_transform(train_df[[temp]]) # 验证集和测试集只用 transform不能重新 fit val_df[load] load_scaler.transform(val_df[[load]]) val_df[temp] temp_scaler.transform(val_df[[temp]]) test_df[load] load_scaler.transform(test_df[[load]]) test_df[temp] temp_scaler.transform(test_df[[temp]])归一化是最容易埋坑的环节。必须只用训练集的 min 和 max 去缩放所有数据如果对全量数据一起fit_transform测试集的数值范围就潜入了训练过程属于典型的数据泄露。每个特征单独建 scaler因为负荷和温度的量纲完全不同放在一起归一化会丢失各自的变化幅度信息。4. 模型训练与超参数调试一个可运行的 LSTM 预测管线4.1 LSTM 模型定义与网络结构选择模型结构决定模型的学习能力上限也决定了训练难度。针对区域电力负荷这种中等规模时序数据一个两层 LSTM 加一层全连接输出的结构就足够了。输入维度是滑窗构造的特征数输出维度是 horizon 对应数量的预测值。import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, n_features, hidden_size64, num_layers2, dropout0.2, horizon1): super().__init__() self.lstm nn.LSTM( input_sizen_features, hidden_sizehidden_size, num_layersnum_layers, dropoutdropout, batch_firstTrue ) self.fc nn.Linear(hidden_size, horizon) def forward(self, x): # x shape: (batch, seq_len, n_features) out, _ self.lstm(x) # out shape: (batch, seq_len, hidden_size) # 取最后一个时间步的输出 last_out out[:, -1, :] return self.fc(last_out)这里有个选型细节batch_firstTrue让输入维度更直观避免 pytorch 默认的(seq_len, batch, features)带来的索引混乱。取out[:, -1, :]表示用最后一个时刻的隐藏状态做预测这是单步预测的标准做法如果做多步预测可以在全连接层直接输出多个值也可以改为 decoder 结构逐步生成前者更简单实用。dropout0.2是防止过拟合的关键参数。两层 LSTM 之间如果没有 dropout训练集误差可能很低但验证集误差高得离谱。hidden_size 取 64 是经过验证的合理起点太小欠拟合太大训练变慢且容易过拟合。4.2 训练循环损失函数、优化器与梯度裁剪模型定义好只是第一步训练过程的稳定性决定最终效果。负荷预测本质上是个回归任务损失函数用 MSE均方误差或 Huber Loss 都可以。MSE 对异常点敏感会把学习重点放在少数极端负荷上Huber Loss 在误差较小时表现像 MSE误差大时表现为线性对异常值更鲁棒我通常优先选它。from torch.utils.data import TensorDataset, DataLoader # 构造 DataLoader train_dataset TensorDataset( torch.tensor(X_train, dtypetorch.float32), torch.tensor(y_train, dtypetorch.float32).unsqueeze(-1) ) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) model LSTMPredictor(n_featuresX_train.shape[2], hidden_size64, horizon1) criterion nn.HuberLoss(delta1.0) optimizer torch.optim.Adam(model.parameters(), lr1e-3) best_val_loss float(inf) patience 0 early_stop_patience 10 for epoch in range(100): 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() # 梯度裁剪防止梯度爆炸 nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() train_loss loss.item() # 验证集评估 model.eval() val_loss 0 with torch.no_grad(): for x_val, y_val in val_loader: pred_val model(x_val) val_loss criterion(pred_val, y_val).item() print(fEpoch {epoch}: train_loss{train_loss:.4f}, val_loss{val_loss:.4f}) # 早停机制 if val_loss best_val_loss: best_val_loss val_loss patience 0 torch.save(model.state_dict(), best_model.pth) else: patience 1 if patience early_stop_patience: print(Early stopping triggered) break训练循环里三个细节值得解释。第一shuffleTrue只用于训练集验证集和测试集绝不打乱否则时间顺序被破坏评估失去意义。第二梯度裁剪的max_norm1.0防止 RNN 训练中常见的梯度爆炸——时序数据梯度传播路径长极容易出现梯度指数增长。第三早停的 patience 取 10意味着连续 10 个 epoch 验证集误差没有改善就停止训练避免无效计算。4.3 超参数表与首次调参建议参数不是越多越好首次跑通项目应该用保守的默认参数组合。以下是负荷预测任务里最常调的几个参数和我的推荐值。参数推荐值调整方向注意事项history 窗口168 小时数据有周周期时至少 168过短丢失周期信息过长增加计算量hidden_size64数据量大可加到 128超过 256 容易过拟合num_layers2数据量大可加到 3超过 3 层训练难度剧增dropout0.2过拟合时加到 0.3-0.4太小无效太大欠拟合batch_size64训练不稳定时减小到 32不能太大显存有限learning_rate1e-3验证集震荡时降到 5e-4优先用 Adam 默认参数horizon1先跑通单步再扩展多步多步预测误差累积很快第一次调参从 history168、hidden_size64、lr1e-3 开始跑通后逐个参数调整并观察验证集 MAPE 的变化。注意不能同时调多个参数否则分不清是哪个改动起了作用。学习率是最重要的参数如果训练 loss 和验证 loss 都在震荡第一个动作就是把学习率降到原来的 0.5 倍。5. 预测结果避坑指南负荷预测最容易翻车的 5 个细节5.1 数据泄露验证集指标虚高的元凶现象训练集误差很低验证集误差也低但部署到真实场景后误差急剧上升预测曲线明显滞后于真实曲线。原因归一化时对全部数据做了fit_transform或者滑窗构造时用了未来数据填充缺失值测试集的信息在训练阶段就已经被模型看到。解决检查代码里所有 scaler 是否只fit训练集检查填充缺失值是否发生在切分之前——如果是先切分再分别填充。5.2 时间特征编码不当导致夜峰错位现象预测曲线在凌晨时段出现明显的锯齿状波动夜间负荷被预测成白天水平。原因把小时直接用 0-23 的整数喂给模型模型把 23 点和 0 点当成距离很远的两个值导致昼夜边界处预测跳变。解决使用 sin/cos 周期编码让 23 点和 0 点在特征空间里相邻。这也是为什么第 3 章要单独构造hour_sin和hour_cos这一步省不得。5.3 MAPE 在低负荷时段爆炸现象整体 MAPE 看着还行但按小时拆分后凌晨 3-5 点的 MAPE 高达 50% 以上直接拉低了模型的可信度。原因MAPE 的分母是真实负荷值凌晨负荷可能只有高峰时段的十分之一很小的绝对误差就会产生很大的百分比误差。解决评估时采用分段评估把高峰时段和低谷时段分开计算 MAPE或改用 SMAPE它的分母是真实值和预测值的平均值对极小值更稳健。我在实际项目中的做法是同时报告“全时段 MAPE”和“7:00-22:00 MAPE”两个指标后者更能反映业务关心的时段预测精度。5.4 节假日预测完全失准现象工作日预测误差很小但春节、国庆期间的预测值和实际值差了近 30%。原因训练集里节假日样本占比太少模型几乎没有见过“全城放假”的负荷模式。解决把节假日作为特征加入模型并对节假日样本适当提高权重另一个做法是为节假日单独建立一个预测模型或者将预测值乘以一个基于历史节假日负荷比例调整的修正系数。这类问题没有完美的解决方案因为节假日每年只有十几天数据量天然稀缺。一个务实的手段是在特征中加入“距最近节假日的天数”让模型至少能感知到节前和节后的负荷变化趋势。5.5 递推式多步预测误差滚雪球现象预测未来 24 小时时前 6 小时误差尚可越往后误差越大到第 24 小时基本不可用。原因用单步预测模型做滚动预测每预测一步就把输出当作真实值塞回输入误差会逐级累积。解决改用直接多步预测即模型一次性输出未来 24 个点的值如果坚持用递推方式预测结果要做指数衰减修正或者训练时加入噪声模拟累积效果。这 5 个坑是负荷预测项目里最典型的翻车点。每次遇到预测效果不理想先按这 5 条逐一排查比盲目调参有效得多。6. 从单步预测到多步滚动预测验证模型真实效果的进阶做法单步预测验证的是模型的“单点感知”能力但实际业务需要的是未来 24 小时的完整曲线。把单步模型改造成多步预测最直接的做法是采用递推滚动策略用当前窗口预测下一个点然后把预测值拼进窗口尾部继续预测下一个点。def rolling_predict(model, init_window, steps, scaler): 滚动递推预测 init_window: 初始历史窗口形状 (1, history, n_features) steps: 要预测多少个时间步 model.eval() window init_window.clone() predictions [] with torch.no_grad(): for _ in range(steps): # 预测窗口内最后一个点的未来值 pred model(window) predictions.append(pred.item()) # 构造下一时刻的完整特征向量 next_feat build_feature_vector(pred.item()) # 含时间特征和温度 # 滑动窗口丢掉最老的一行拼接新的一行 window torch.cat([window[:, 1:, :], next_feat.unsqueeze(0).unsqueeze(0)], dim1) return scaler.inverse_transform(np.array(predictions).reshape(-1, 1)).flatten()滚动预测的代码里有几个容易出错的地方。第一温度特征属于外部变量预测未来 24 小时时只能用气象预报值不能用历史实测值否则不现实。第二时间特征如hour_sin和weekday是可以精确计算的直接按预测时刻生成即可。第三拼接新窗口时维度必须严格匹配(batch, seq_len, features)否则模型直接报错。我建议的验证方式是把测试集分成三类场景分别评估工作日、周末、节假日。工作日看早晚高峰的峰值误差周末看曲线形态是否平移节假日看整体偏差幅度。画图时把真实曲线和预测曲线画在一起如果发现预测曲线比真实曲线整体右移一两个小时说明时间特征还没学好先检查周期编码如果发现峰值偏低说明 hidden_size 或训练轮次不足。多步预测的误差随预测距离增加是必然规律关键看误差增长速度是否可接受。记录每个预测步长的 MAPE比如第 1 小时 2%、第 6 小时 5%、第 24 小时 9%形成一张误差衰减曲线既能判断模型能力边界也能给业务一个明确的“预测有效期”。我自己的习惯是跑任何新模型之前先训练一个简单的历史均值模型作为基线用过去 7 天同一时刻的平均负荷作为预测值计算它的 MAPE。深度学习模型必须明显优于这个基线才有继续调优的价值否则就是“用大炮打蚊子”。这个习惯帮我避免了很多次把时间和精力浪费在不值得优化的模型细节上。负荷预测这条路没有终点数据在变用电行为在变参数就得跟着调希望这篇笔记能帮你把第一个版本顺利跑通少走几步弯路。本文还有配套的精品资源点击获取