简介基于Python深度学习的多特征电力负荷预测课程设计项目专为高校课程设计及期末大作业场景打造覆盖数据清洗、多特征分析、可视化与LSTM模型训练等完整环节让学习者快速贯通时间序列预测要点。压缩包共8个文件包含3个Python脚本数据预处理、可视化展示、lstm预测、2个CSV数据文件、1个Excel数据表、1份使用说明及Markdown文档整体仅831KB轻量精炼下载后无需修改即可直接运行确保稳拿高分。目前已有481人学习使用。通过数据预处理脚本可掌握多特征融合与缺失值处理技巧借助可视化脚本直观观察负荷曲线与特征相关性LSTM预测脚本则展示深度学习在电力负荷预测中的实际用法项目结构清晰、注释完整对课程答辩、期末提交或后续科研扩展均具直接参考价值。1. 电力负荷预测课程设计这份Python源码包帮你把LSTM跑通做电力负荷预测课程设计最难受的不是不懂LSTM而是数据、预处理、训练、画图四件事堆在一起随便一环出错整晚就耗进去了。这份“基于python深度学习的多特征电力负荷预测项目源码数据”就是干这个的它把数据、处理脚本、训练脚本、可视化脚本和说明文档都打包好了下载后按README跑一遍就能出预测曲线适合要做课程设计、期末大作业的本科生也适合想快速看多特征LSTM怎么落地的入门者。核心思路是把天气、日期、历史负荷等多列特征拼成滑窗样本再用LSTM回归预测下一时刻负荷。下面按我从拆包到复现的路径把原理、参数和踩坑一次讲透。2. 多特征LSTM负荷预测的原理与选型先搞清数据怎么变成样本2.1 什么是多特征负荷预测输入矩阵与预测目标电力负荷预测本质上是一个时间序列回归问题给定历史若干个时刻的负荷值预测未来某个时刻的负荷数值。单特征的做法只拿“过去的负荷”去预测“未来的负荷”相当于把负荷曲线当成一条可以外推的波浪线。但实际运行过课程设计数据就知道工作日和周末的负荷形态差异很大节假日更是突然掉头光靠历史负荷外推遇到这些突变点基本必翻车。多特征的做法是在输入里加入与负荷相关的其他列温度、湿度、星期几、是否节假日、前一天同一时刻负荷等。模型看到的不再是一条曲线而是一张二维表——行是时间点列是特征。LSTM吃的是这种“时间步×特征数”的矩阵每个时间步得到一组特征向量模型自己去学这些特征和未来负荷之间的映射关系。需要明确预测目标这份项目里用的是单步预测也就是用过去N个时刻的数据预测下一个时刻的负荷值。N就是滑动窗口长度代码里通常叫look_back或timesteps。千万别把多特征和多步预测混为一谈多特征是输入矩阵变宽多步预测是输出变长两者可以独立调整。2.2 为什么选LSTMARIMA、普通RNN、LSTM横向对比课程设计里被问得最多的一个答辩问题就是“你为什么用LSTM”。这个问题答不好项目分再高也会被扣印象分。我的建议是把对比逻辑讲清楚而不是背模型名字。模型适合的数据形态主要短板适用场景ARIMA单变量、平稳时间序列线性假设多特征难融合负荷突变时误差大传统负荷预测教材案例普通RNN序列数据长序列梯度消失记住不了20步之前的信息短序列玩具项目LSTM多变量、长序列、非线性训练时间长参数比RNN多本项目这种多特征负荷预测GRU多变量、长序列效果与LSTM接近但答辩讲解时不如LSTM好讲追求训练速度时ARIMA是统计模型对序列平稳性要求高虽然可以通过差分处理趋势但多特征融合非常勉强。普通RNN在序列长度不超过10时还行一旦用24小时甚至48小时窗口去预测下一时刻普通RNN的梯度传播基本失效。LSTM通过遗忘门、输入门和输出门三个门控结构把长期信息保存在细胞状态里窗口拉长到48步也不会忘记开头的信息。答辩时你还可以补一句LSTM的参数量适中几千条数据量下训练不会过拟合太严重而且Keras封装后代码量少课程设计里比较稳。如果老师追问为什么不用Transformer你就说课程设计数据量不大LSTM在这个规模下性价比最高。2.3 拆包看源码结构每个脚本在流程里干什么拿到压缩包先别急着运行建议先建一个干净的虚拟环境然后按文件清单逐个确认。解压后是这样一个结构文件作用运行顺序raw_data.csv原始采集数据含时间戳、负荷、温度、湿度等多列输入data.xlsx原始数据的Excel版本方便用Excel打开检查输入data_processing.py数据清洗、缺失值填充、特征构造、归一化第1步运行power.csv预处理后生成的带全部特征的表LSTM真正读它中间产物lstm_predict.py构建LSTM模型、训练、预测、输出评价指标第2步运行data_show.py读取训练结果画出真实值与预测值对比曲线第3步运行README.md使用说明、环境依赖、运行顺序先读整个流程是线性的raw_data.csv进data_processing.py产出power.csv再进lstm_predict.py训练最后用data_show.py出图。常见做法是第一步和第二步分开跑因为预处理脚本里常会print出中间结果比如缺失值数量、归一化后的数据范围方便你确认数据没问题再继续。如果README里写了环境版本优先按那个装。没写的话我一般用Python 3.8 TensorFlow 2.10 pandas numpy matplotlib openpyxl读xlsx用。这里要特别提醒TensorFlow 2.10以上版本的Keras API有些微调如果报from keras相关错误优先检查版本对不对。3. 把数据喂进LSTM预处理、滑窗与训练全流程复现3.1 数据预处理缺失值、滞后特征与归一化预处理是整个项目里最影响结果的一步也是答辩时老师最喜欢问细节的地方。我先说这一步要干什么读原始CSV、看缺失值、做特征工程、归一化、输出power.csv。用pandas就能完成核心代码片段如下import pandas as pd import numpy as np df pd.read_csv(raw_data.csv, encodingutf-8) # 数据列通常包含time, load, temp, humi, weekday, holiday print(df.info()) print(df.isnull().sum()) # 缺失值用前向填充 线性插值组合处理 df[load] df[load].fillna(methodffill).interpolate(methodlinear) # 构造滞后特征前一天同一时刻的负荷对负荷预测帮助很大 df[load_lag_24] df[load].shift(24) # 将星期几转为周期编码避免把0~6当成连续数值 df[week_sin] np.sin(2 * np.pi * df[weekday] / 7) df[week_cos] np.cos(2 * np.pi * df[weekday] / 7) # 删除构造滞后特征产生的空行 df df.dropna().reset_index(dropTrue) # 保存处理后的数据供训练脚本直接读取 df.to_csv(power.csv, indexFalse)这段代码里最关键的三个处理逻辑要理解清楚。第一缺失值用ffill加插值组合是因为负荷数据偶尔会有采集空档直接删行会破坏时间连续性ffill能保持序列长度interpolate让过渡更平滑。第二load_lag_24是滞后24小时的特征它对预测的帮助常常比温度还大因为负荷有很强的日周期性。第三星期几不要直接喂0~6的整数模型会误以为是连续变量编码成sin/cos是常见的周期编码手段。归一化这一步我一般放在滑动窗口构造之后再做但很多同学会直接对整列做MinMaxScaler。这里有个容易忽略的点load_lag_24列里有NaN要先dropna再归一化否则NaN会被带入训练数据。power.csv里保存的应该是归一化之前的数值还是归一化之后的这个项目里是把原始数值存出来训练脚本里再统一归一化这样做的好处是data_show.py画图时能方便地逆变换回真实负荷值。3.2 滑动窗口构造监督学习样本look_back怎么定LSTM不是直接把整张表扔进去训练的它需要的是“过去N步特征 → 下一步负荷”的样本对。这一步叫滑动窗口也叫时间步折叠。核心代码如下import numpy as np def create_sequences(data, look_back24, target_colload): X, y [], [] for i in range(len(data) - look_back): # 取从i到ilook_back的特征矩阵 X.append(data.iloc[i:i look_back].values) # 预测目标是第ilook_back时刻的负荷 y.append(data.iloc[i look_back][target_col]) return np.array(X), np.array(y) # 假设features是经过归一化后的DataFrame目标列是load feature_cols [load, temp, humi, week_sin, week_cos, load_lag_24] features df[feature_cols].values # 先归一化再构造样本 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) features_scaled scaler.fit_transform(features) X, y create_sequences(pd.DataFrame(features_scaled), look_back24, target_col0) print(X.shape, y.shape) # 期望输出类似 (样本数, 24, 6) 和 (样本数,)look_back24的含义是用过去24个时间点预测下一个时间点。如果数据是小时级采样的24就是过去一天如果是15分钟级采样24就是过去6小时。这个参数是项目里最值得调的超参数直接影响模型对周期性的捕捉能力。选look_back有个经验法则先看数据的采样频率再想预测尺度。小时级数据24或48比较稳15分钟级数据48或96。太小的窗口模型看不到完整日周期太大的窗口会引入过多噪声且训练变慢。训练样本量等于总行数减去look_back如果数据集只有几千行look_back设太大还会让有效样本缩水。注意create_sequences里循环遍历可能有点慢数据量大时可以改成向量化切片构造。但课程设计数据量通常不超过一万行Python循环完全能跑别为了优化把代码写复杂了答辩时反而讲不清。3.3 跑通lstm_predict.py模型结构与训练参数预处理完成后核心的lstm_predict.py负责建模型、训练、预测和评估。代码结构大致如下from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam # 划分训练集与测试集按时间顺序切分不能随机打乱 train_size int(len(X) * 0.8) X_train, X_test X[:train_size], X[train_size:] y_train, y_test y[:train_size], y[train_size:] model Sequential() model.add(LSTM(units64, return_sequencesTrue, input_shape(X_train.shape[1], X_train.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(units32, return_sequencesFalse)) model.add(Dropout(0.2)) model.add(Dense(units1)) model.compile(optimizerAdam(learning_rate0.001), lossmse, metrics[mae]) model.summary() history model.fit(X_train, y_train, epochs50, batch_size32, validation_data(X_test, y_test), verbose1)模型结构是经典的两层LSTM加Dropout加输出层。第一层return_sequencesTrue是因为需要向第二层LSTM输出完整序列第二层return_sequencesFalse只输出最后一步的隐藏状态然后接Dense回归层输出一个标量负荷值。Dropout夹在两层之间防止过拟合课程设计数据量不大0.2的比率比较稳妥。训练关键参数有三个epochs、batch_size、learning_rate。epochs50在数据量小时足够但如果发现loss还在明显下降可以加大到80或100。batch_size32是内存和梯度稳定性的折中数据量小就设16。learning_rate0.001是Adam优化器的常见默认值loss震荡不收敛时可降到0.0005。这里有个衔接坑要提前说训练时X_train的维度是(样本数, 时间步, 特征数)这个三维结构比二维表格多了时间步维度很多同学在预处理阶段把特征表存成二维喂给模型时忘记reshape。建议在训练前打印X_train.shape确认最后一位等于feature_cols的长度。训练完成后模型predict出来的结果是归一化范围内的数值要逆变换回真实负荷才能算误差和画图。逆变换要记住一个原则scaler是对全部特征列一起fit的逆变换时得把预测值放回原特征矩阵的负荷列位置再提取那一列不能只对一个数值单独做inverse_transform。4. 常见问题排查多特征LSTM最容易翻车的四个场景4.1 训练loss不降反升或者剧烈震荡现象model.fit打印的loss在几十个epoch内不但没下降甚至往上走或者上下剧烈跳动。原因最常见的是学习率偏大Adam默认0.001在数据量小、特征尺度不一致时会抖动其次是特征没归一化温度是两位数、负荷是四位数数值上大的特征主导了梯度。解决先确认所有特征列都经过MinMaxScaler或StandardScaler处理然后把learning_rate降到0.0005或0.0001试一遍最后把batch_size调小到16梯度更新更频繁有时能缓解震荡。如果依然不收敛检查数据里有没有NaN或inf混进训练集。4.2 训练集和验证集效果都很好但测试曲线严重偏离现象val_loss很低预测曲线整体形状对但幅度明显偏低或偏高尤其是节假日、极端天气时段。原因这是典型的数据泄漏——归一化时把测试集数据也纳入了scaler的fit范围模型在训练时就“见过”测试集的统计信息。另一种可能是滞后特征load_lag_24在测试集构造时用了未来信息。解决归一化必须先fit训练集再用训练集的scaler去transform测试集绝对不能对全量数据fit。滞后特征的构造也要逐段进行测试集的滞后值只能来自测试集自身的历史不能引用训练集末尾之后的数据。检查power.csv里测试时间段是否有异常连续值。4.3 预测曲线比真实曲线整体滞后一个时间步现象预测值曲线形状和真实值几乎一样但整体向右平移了一格看起来“慢半拍”。原因这个现象在做单步回归预测时太常见了尤其是损失函数只用MSE时。模型发现“把上一个时刻的负荷值当作预测结果”就能拿到很低的loss于是偷懒学成了复制粘贴而不是真正建模变化趋势。解决不要只依赖MSE在评估指标里加MAPE和RMSE一起看。缓解手段有两个一是把load_lag_24这类滞后特征去掉再试迫使模型学习当前时刻的特征与负荷的真实关系二是调整滑窗结构预测目标改为“未来24小时后”而不是“下一个时刻”让模型没法简单复制。答辩时如果被问到为什么曲线滞后把这个原因讲清楚反而是加分项。4.4 预测结果出现负值或超过真实值上限现象逆变换后的预测负荷出现负数或者明显超过电网实际负荷上限。原因归一化把数据压到0~1之间但模型输出层是线性激活预测值有可能落到0以下或1以上。逆变换时如果对超出范围的值强行反算就会得到物理上不合理的负荷值。解决在逆变换后加一个clip操作把预测值限制在训练集的实际最小值和最大值之间。这是工程上的兜底做法虽然模型内部没有物理约束但至少保证输出符合常识。代码里加一行pred np.clip(pred, y_train_min, y_train_max)就能规避这个尴尬问题。4.5 跑起来特别慢CPU训练一个epoch要好几分钟现象代码能跑但训练速度慢到让人怀疑人生。原因LSTM是循环结构CPU上串行计算效率远低于GPU。另外look_back设得太大或者数据没有转换成float32而是保留了float64都会拖慢矩阵运算。解决课程设计量级的数据把fit里的verbose1去掉能省一点IO开销数据用.astype(np.float32)转换后训练能明显提速如果用的是TensorFlow 2.x确认是不是安装了CPU版本安装GPU版且机器有N卡的话训练时间能缩短一个量级。5. 验证指标与多步预测把效果量化到能写进报告5.1 用MAPE和RMSE量化模型效果课程设计的评分很大程度取决于报告里的量化结果。光画一张对比图不够必须给出数值指标。我一般会在训练脚本最后加上这样一段评估代码from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error def inverse_transform_load(pred_scaled, scaler, feature_index0): # 构造一个与特征数相同的空矩阵把预测值放到负荷列位置 dummy np.zeros((len(pred_scaled), scaler.scale_.shape[0])) dummy[:, feature_index] pred_scaled.ravel() return scaler.inverse_transform(dummy)[:, feature_index] pred_load inverse_transform_load(pred_scaled, scaler) true_load inverse_transform_load(y_test, scaler) rmse np.sqrt(mean_squared_error(true_load, pred_load)) mape mean_absolute_percentage_error(true_load, pred_load) * 100 print(fRMSE: {rmse:.2f} MW) print(fMAPE: {mape:.2f}%)这段代码的核心是inverse_transform_load函数。因为scaler是对整列特征矩阵做fit的逆变换必须还原出同样形状的矩阵再提取目标列直接对一维数组做inverse_transform会报列数不匹配。feature_index0对应load列在feature_cols里的位置如果你的特征列表顺序不同要同步修改。MAPE在电力负荷预测里比RMSE更直观因为它直接告诉你平均偏离了几个百分点。课程设计数据正常的话MAPE在3%~8%之间是合理的小于3%可能是数据泄漏了大于15%说明模型没学好。RMSE给出的是有量纲的误差报告里两个都写答辩更有说服力。5.2 多步预测递归预测与直接多步输出的取舍课程设计做完单步预测后很多老师会追问“能不能预测未来24小时”。这就是多步预测。最简单的做法是递归预测把模型预测出的t1时刻负荷拼到输入末尾再预测t2循环24次。但递归预测会累积误差预测步数越多曲线越平滑甚至趋于一条水平线这是递归方式的固有缺陷。另一种做法是直接多步输出把模型最后一层Dense的units从1改成24训练目标变成未来24个时刻的负荷向量。这种方式训练要改损失函数但预测时一步到位不会累积误差。课程设计时间有限的话建议框架搭成单步即可答辩时口头说明多步预测的两种思路老师知道你有深入理解就够了。做多步预测对比实验时别忘了评估指标的差异递归预测的MAPE会随步数上升报告里画一条“预测步数vs MAPE”曲线比堆一堆单步结果更能体现工作量。从那以后我每次拆这类负荷预测项目都会先在create_sequences里确认好look_back和目标列位置再开始跑训练这个顺序能省掉后面大半的后悔药成本。希望这份拆包笔记帮到你也祝你的课程设计一次跑出预期效果。本文还有配套的精品资源点击获取 
长河君 · 2026/10/12 17:22:05 · 阅读 1.2k 多特征电力负荷预测LSTM源码拆解：从数据预处理到训练评估
简介基于Python深度学习的多特征电力负荷预测课程设计项目专为高校课程设计及期末大作业场景打造覆盖数据清洗、多特征分析、可视化与LSTM模型训练等完整环节让学习者快速贯通时间序列预测要点。压缩包共8个文件包含3个Python脚本数据预处理、可视化展示、lstm预测、2个CSV数据文件、1个Excel数据表、1份使用说明及Markdown文档整体仅831KB轻量精炼下载后无需修改即可直接运行确保稳拿高分。目前已有481人学习使用。通过数据预处理脚本可掌握多特征融合与缺失值处理技巧借助可视化脚本直观观察负荷曲线与特征相关性LSTM预测脚本则展示深度学习在电力负荷预测中的实际用法项目结构清晰、注释完整对课程答辩、期末提交或后续科研扩展均具直接参考价值。1. 电力负荷预测课程设计这份Python源码包帮你把LSTM跑通做电力负荷预测课程设计最难受的不是不懂LSTM而是数据、预处理、训练、画图四件事堆在一起随便一环出错整晚就耗进去了。这份“基于python深度学习的多特征电力负荷预测项目源码数据”就是干这个的它把数据、处理脚本、训练脚本、可视化脚本和说明文档都打包好了下载后按README跑一遍就能出预测曲线适合要做课程设计、期末大作业的本科生也适合想快速看多特征LSTM怎么落地的入门者。核心思路是把天气、日期、历史负荷等多列特征拼成滑窗样本再用LSTM回归预测下一时刻负荷。下面按我从拆包到复现的路径把原理、参数和踩坑一次讲透。2. 多特征LSTM负荷预测的原理与选型先搞清数据怎么变成样本2.1 什么是多特征负荷预测输入矩阵与预测目标电力负荷预测本质上是一个时间序列回归问题给定历史若干个时刻的负荷值预测未来某个时刻的负荷数值。单特征的做法只拿“过去的负荷”去预测“未来的负荷”相当于把负荷曲线当成一条可以外推的波浪线。但实际运行过课程设计数据就知道工作日和周末的负荷形态差异很大节假日更是突然掉头光靠历史负荷外推遇到这些突变点基本必翻车。多特征的做法是在输入里加入与负荷相关的其他列温度、湿度、星期几、是否节假日、前一天同一时刻负荷等。模型看到的不再是一条曲线而是一张二维表——行是时间点列是特征。LSTM吃的是这种“时间步×特征数”的矩阵每个时间步得到一组特征向量模型自己去学这些特征和未来负荷之间的映射关系。需要明确预测目标这份项目里用的是单步预测也就是用过去N个时刻的数据预测下一个时刻的负荷值。N就是滑动窗口长度代码里通常叫look_back或timesteps。千万别把多特征和多步预测混为一谈多特征是输入矩阵变宽多步预测是输出变长两者可以独立调整。2.2 为什么选LSTMARIMA、普通RNN、LSTM横向对比课程设计里被问得最多的一个答辩问题就是“你为什么用LSTM”。这个问题答不好项目分再高也会被扣印象分。我的建议是把对比逻辑讲清楚而不是背模型名字。模型适合的数据形态主要短板适用场景ARIMA单变量、平稳时间序列线性假设多特征难融合负荷突变时误差大传统负荷预测教材案例普通RNN序列数据长序列梯度消失记住不了20步之前的信息短序列玩具项目LSTM多变量、长序列、非线性训练时间长参数比RNN多本项目这种多特征负荷预测GRU多变量、长序列效果与LSTM接近但答辩讲解时不如LSTM好讲追求训练速度时ARIMA是统计模型对序列平稳性要求高虽然可以通过差分处理趋势但多特征融合非常勉强。普通RNN在序列长度不超过10时还行一旦用24小时甚至48小时窗口去预测下一时刻普通RNN的梯度传播基本失效。LSTM通过遗忘门、输入门和输出门三个门控结构把长期信息保存在细胞状态里窗口拉长到48步也不会忘记开头的信息。答辩时你还可以补一句LSTM的参数量适中几千条数据量下训练不会过拟合太严重而且Keras封装后代码量少课程设计里比较稳。如果老师追问为什么不用Transformer你就说课程设计数据量不大LSTM在这个规模下性价比最高。2.3 拆包看源码结构每个脚本在流程里干什么拿到压缩包先别急着运行建议先建一个干净的虚拟环境然后按文件清单逐个确认。解压后是这样一个结构文件作用运行顺序raw_data.csv原始采集数据含时间戳、负荷、温度、湿度等多列输入data.xlsx原始数据的Excel版本方便用Excel打开检查输入data_processing.py数据清洗、缺失值填充、特征构造、归一化第1步运行power.csv预处理后生成的带全部特征的表LSTM真正读它中间产物lstm_predict.py构建LSTM模型、训练、预测、输出评价指标第2步运行data_show.py读取训练结果画出真实值与预测值对比曲线第3步运行README.md使用说明、环境依赖、运行顺序先读整个流程是线性的raw_data.csv进data_processing.py产出power.csv再进lstm_predict.py训练最后用data_show.py出图。常见做法是第一步和第二步分开跑因为预处理脚本里常会print出中间结果比如缺失值数量、归一化后的数据范围方便你确认数据没问题再继续。如果README里写了环境版本优先按那个装。没写的话我一般用Python 3.8 TensorFlow 2.10 pandas numpy matplotlib openpyxl读xlsx用。这里要特别提醒TensorFlow 2.10以上版本的Keras API有些微调如果报from keras相关错误优先检查版本对不对。3. 把数据喂进LSTM预处理、滑窗与训练全流程复现3.1 数据预处理缺失值、滞后特征与归一化预处理是整个项目里最影响结果的一步也是答辩时老师最喜欢问细节的地方。我先说这一步要干什么读原始CSV、看缺失值、做特征工程、归一化、输出power.csv。用pandas就能完成核心代码片段如下import pandas as pd import numpy as np df pd.read_csv(raw_data.csv, encodingutf-8) # 数据列通常包含time, load, temp, humi, weekday, holiday print(df.info()) print(df.isnull().sum()) # 缺失值用前向填充 线性插值组合处理 df[load] df[load].fillna(methodffill).interpolate(methodlinear) # 构造滞后特征前一天同一时刻的负荷对负荷预测帮助很大 df[load_lag_24] df[load].shift(24) # 将星期几转为周期编码避免把0~6当成连续数值 df[week_sin] np.sin(2 * np.pi * df[weekday] / 7) df[week_cos] np.cos(2 * np.pi * df[weekday] / 7) # 删除构造滞后特征产生的空行 df df.dropna().reset_index(dropTrue) # 保存处理后的数据供训练脚本直接读取 df.to_csv(power.csv, indexFalse)这段代码里最关键的三个处理逻辑要理解清楚。第一缺失值用ffill加插值组合是因为负荷数据偶尔会有采集空档直接删行会破坏时间连续性ffill能保持序列长度interpolate让过渡更平滑。第二load_lag_24是滞后24小时的特征它对预测的帮助常常比温度还大因为负荷有很强的日周期性。第三星期几不要直接喂0~6的整数模型会误以为是连续变量编码成sin/cos是常见的周期编码手段。归一化这一步我一般放在滑动窗口构造之后再做但很多同学会直接对整列做MinMaxScaler。这里有个容易忽略的点load_lag_24列里有NaN要先dropna再归一化否则NaN会被带入训练数据。power.csv里保存的应该是归一化之前的数值还是归一化之后的这个项目里是把原始数值存出来训练脚本里再统一归一化这样做的好处是data_show.py画图时能方便地逆变换回真实负荷值。3.2 滑动窗口构造监督学习样本look_back怎么定LSTM不是直接把整张表扔进去训练的它需要的是“过去N步特征 → 下一步负荷”的样本对。这一步叫滑动窗口也叫时间步折叠。核心代码如下import numpy as np def create_sequences(data, look_back24, target_colload): X, y [], [] for i in range(len(data) - look_back): # 取从i到ilook_back的特征矩阵 X.append(data.iloc[i:i look_back].values) # 预测目标是第ilook_back时刻的负荷 y.append(data.iloc[i look_back][target_col]) return np.array(X), np.array(y) # 假设features是经过归一化后的DataFrame目标列是load feature_cols [load, temp, humi, week_sin, week_cos, load_lag_24] features df[feature_cols].values # 先归一化再构造样本 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) features_scaled scaler.fit_transform(features) X, y create_sequences(pd.DataFrame(features_scaled), look_back24, target_col0) print(X.shape, y.shape) # 期望输出类似 (样本数, 24, 6) 和 (样本数,)look_back24的含义是用过去24个时间点预测下一个时间点。如果数据是小时级采样的24就是过去一天如果是15分钟级采样24就是过去6小时。这个参数是项目里最值得调的超参数直接影响模型对周期性的捕捉能力。选look_back有个经验法则先看数据的采样频率再想预测尺度。小时级数据24或48比较稳15分钟级数据48或96。太小的窗口模型看不到完整日周期太大的窗口会引入过多噪声且训练变慢。训练样本量等于总行数减去look_back如果数据集只有几千行look_back设太大还会让有效样本缩水。注意create_sequences里循环遍历可能有点慢数据量大时可以改成向量化切片构造。但课程设计数据量通常不超过一万行Python循环完全能跑别为了优化把代码写复杂了答辩时反而讲不清。3.3 跑通lstm_predict.py模型结构与训练参数预处理完成后核心的lstm_predict.py负责建模型、训练、预测和评估。代码结构大致如下from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam # 划分训练集与测试集按时间顺序切分不能随机打乱 train_size int(len(X) * 0.8) X_train, X_test X[:train_size], X[train_size:] y_train, y_test y[:train_size], y[train_size:] model Sequential() model.add(LSTM(units64, return_sequencesTrue, input_shape(X_train.shape[1], X_train.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(units32, return_sequencesFalse)) model.add(Dropout(0.2)) model.add(Dense(units1)) model.compile(optimizerAdam(learning_rate0.001), lossmse, metrics[mae]) model.summary() history model.fit(X_train, y_train, epochs50, batch_size32, validation_data(X_test, y_test), verbose1)模型结构是经典的两层LSTM加Dropout加输出层。第一层return_sequencesTrue是因为需要向第二层LSTM输出完整序列第二层return_sequencesFalse只输出最后一步的隐藏状态然后接Dense回归层输出一个标量负荷值。Dropout夹在两层之间防止过拟合课程设计数据量不大0.2的比率比较稳妥。训练关键参数有三个epochs、batch_size、learning_rate。epochs50在数据量小时足够但如果发现loss还在明显下降可以加大到80或100。batch_size32是内存和梯度稳定性的折中数据量小就设16。learning_rate0.001是Adam优化器的常见默认值loss震荡不收敛时可降到0.0005。这里有个衔接坑要提前说训练时X_train的维度是(样本数, 时间步, 特征数)这个三维结构比二维表格多了时间步维度很多同学在预处理阶段把特征表存成二维喂给模型时忘记reshape。建议在训练前打印X_train.shape确认最后一位等于feature_cols的长度。训练完成后模型predict出来的结果是归一化范围内的数值要逆变换回真实负荷才能算误差和画图。逆变换要记住一个原则scaler是对全部特征列一起fit的逆变换时得把预测值放回原特征矩阵的负荷列位置再提取那一列不能只对一个数值单独做inverse_transform。4. 常见问题排查多特征LSTM最容易翻车的四个场景4.1 训练loss不降反升或者剧烈震荡现象model.fit打印的loss在几十个epoch内不但没下降甚至往上走或者上下剧烈跳动。原因最常见的是学习率偏大Adam默认0.001在数据量小、特征尺度不一致时会抖动其次是特征没归一化温度是两位数、负荷是四位数数值上大的特征主导了梯度。解决先确认所有特征列都经过MinMaxScaler或StandardScaler处理然后把learning_rate降到0.0005或0.0001试一遍最后把batch_size调小到16梯度更新更频繁有时能缓解震荡。如果依然不收敛检查数据里有没有NaN或inf混进训练集。4.2 训练集和验证集效果都很好但测试曲线严重偏离现象val_loss很低预测曲线整体形状对但幅度明显偏低或偏高尤其是节假日、极端天气时段。原因这是典型的数据泄漏——归一化时把测试集数据也纳入了scaler的fit范围模型在训练时就“见过”测试集的统计信息。另一种可能是滞后特征load_lag_24在测试集构造时用了未来信息。解决归一化必须先fit训练集再用训练集的scaler去transform测试集绝对不能对全量数据fit。滞后特征的构造也要逐段进行测试集的滞后值只能来自测试集自身的历史不能引用训练集末尾之后的数据。检查power.csv里测试时间段是否有异常连续值。4.3 预测曲线比真实曲线整体滞后一个时间步现象预测值曲线形状和真实值几乎一样但整体向右平移了一格看起来“慢半拍”。原因这个现象在做单步回归预测时太常见了尤其是损失函数只用MSE时。模型发现“把上一个时刻的负荷值当作预测结果”就能拿到很低的loss于是偷懒学成了复制粘贴而不是真正建模变化趋势。解决不要只依赖MSE在评估指标里加MAPE和RMSE一起看。缓解手段有两个一是把load_lag_24这类滞后特征去掉再试迫使模型学习当前时刻的特征与负荷的真实关系二是调整滑窗结构预测目标改为“未来24小时后”而不是“下一个时刻”让模型没法简单复制。答辩时如果被问到为什么曲线滞后把这个原因讲清楚反而是加分项。4.4 预测结果出现负值或超过真实值上限现象逆变换后的预测负荷出现负数或者明显超过电网实际负荷上限。原因归一化把数据压到0~1之间但模型输出层是线性激活预测值有可能落到0以下或1以上。逆变换时如果对超出范围的值强行反算就会得到物理上不合理的负荷值。解决在逆变换后加一个clip操作把预测值限制在训练集的实际最小值和最大值之间。这是工程上的兜底做法虽然模型内部没有物理约束但至少保证输出符合常识。代码里加一行pred np.clip(pred, y_train_min, y_train_max)就能规避这个尴尬问题。4.5 跑起来特别慢CPU训练一个epoch要好几分钟现象代码能跑但训练速度慢到让人怀疑人生。原因LSTM是循环结构CPU上串行计算效率远低于GPU。另外look_back设得太大或者数据没有转换成float32而是保留了float64都会拖慢矩阵运算。解决课程设计量级的数据把fit里的verbose1去掉能省一点IO开销数据用.astype(np.float32)转换后训练能明显提速如果用的是TensorFlow 2.x确认是不是安装了CPU版本安装GPU版且机器有N卡的话训练时间能缩短一个量级。5. 验证指标与多步预测把效果量化到能写进报告5.1 用MAPE和RMSE量化模型效果课程设计的评分很大程度取决于报告里的量化结果。光画一张对比图不够必须给出数值指标。我一般会在训练脚本最后加上这样一段评估代码from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error def inverse_transform_load(pred_scaled, scaler, feature_index0): # 构造一个与特征数相同的空矩阵把预测值放到负荷列位置 dummy np.zeros((len(pred_scaled), scaler.scale_.shape[0])) dummy[:, feature_index] pred_scaled.ravel() return scaler.inverse_transform(dummy)[:, feature_index] pred_load inverse_transform_load(pred_scaled, scaler) true_load inverse_transform_load(y_test, scaler) rmse np.sqrt(mean_squared_error(true_load, pred_load)) mape mean_absolute_percentage_error(true_load, pred_load) * 100 print(fRMSE: {rmse:.2f} MW) print(fMAPE: {mape:.2f}%)这段代码的核心是inverse_transform_load函数。因为scaler是对整列特征矩阵做fit的逆变换必须还原出同样形状的矩阵再提取目标列直接对一维数组做inverse_transform会报列数不匹配。feature_index0对应load列在feature_cols里的位置如果你的特征列表顺序不同要同步修改。MAPE在电力负荷预测里比RMSE更直观因为它直接告诉你平均偏离了几个百分点。课程设计数据正常的话MAPE在3%~8%之间是合理的小于3%可能是数据泄漏了大于15%说明模型没学好。RMSE给出的是有量纲的误差报告里两个都写答辩更有说服力。5.2 多步预测递归预测与直接多步输出的取舍课程设计做完单步预测后很多老师会追问“能不能预测未来24小时”。这就是多步预测。最简单的做法是递归预测把模型预测出的t1时刻负荷拼到输入末尾再预测t2循环24次。但递归预测会累积误差预测步数越多曲线越平滑甚至趋于一条水平线这是递归方式的固有缺陷。另一种做法是直接多步输出把模型最后一层Dense的units从1改成24训练目标变成未来24个时刻的负荷向量。这种方式训练要改损失函数但预测时一步到位不会累积误差。课程设计时间有限的话建议框架搭成单步即可答辩时口头说明多步预测的两种思路老师知道你有深入理解就够了。做多步预测对比实验时别忘了评估指标的差异递归预测的MAPE会随步数上升报告里画一条“预测步数vs MAPE”曲线比堆一堆单步结果更能体现工作量。从那以后我每次拆这类负荷预测项目都会先在create_sequences里确认好look_back和目标列位置再开始跑训练这个顺序能省掉后面大半的后悔药成本。希望这份拆包笔记帮到你也祝你的课程设计一次跑出预期效果。本文还有配套的精品资源点击获取