简介电力负荷预测是智能电网运行与能源调度中的关键环节直接关系到供电可靠性与经济性这份以Python与长短期记忆LSTM网络为核心实现的电力负荷预测项目面向高校人工智能、数据科学及电气信息等方向的期末大作业、课程设计或毕业设计注释完整曾被评为高分满分大作业资源。项目不仅提供完整源代码还覆盖数据预处理、特征构造、模型训练、误差评估与可视化等环节简单部署即可运行适合不同基础的学习者快速上手。压缩包采用zip格式共350个文件包含170个CSV格式数据文件、14个Python脚本、48个index、48个data、47个meta等模型检查点相关文件以及PNG可视化图像和Markdown说明文档整体大小约11.33MB。目前已有138人学习下载。内容预览显示在不同训练步数下模型MAPE指标控制在0.0474至0.0541之间预测精度较高能够支撑课程答辩与效果展示同时内置多组训练日志便于对照实验与调优整体功能完善、界面直观具有很高的工程实践与学习价值。1. 这一版LSTM电力负荷预测为什么敢说是高分项目电力负荷预测是典型的时间序列回归问题而LSTM几乎是这类任务在课程设计阶段的默认答案。但“默认答案”不等于“高分答案”很多人的LSTM项目止步于把数据塞进模型、跑出一个还看得过去的损失值报告里却讲不清数据为什么这么切、特征为什么这么选、损失函数和评估指标为什么不一致。这恰好是答辩时最容易被追问的地方。这篇博文直接以“人工智能大作业基于LSTM的电力负荷预测项目源码高分项目”为线索把一套能跑通、能解释、能拿得出手的LSTM电力负荷预测方案拆开讲。从LSTM为什么适合负荷数据开始到数据清洗、滑窗构造、模型搭建、训练调参再到报告里怎么写验证结论每一步都给出可直接复现的代码和参数说明。适合正在做人工智能大作业、毕业设计或者想用LSTM快速上手时间序列预测的读者。你不需要有深度学习实战经验但最好懂一点Python和Pandas的基本操作。2. 为什么电力负荷预测要用LSTM先弄懂时序建模的核心逻辑2.1 负荷数据的三个特征决定了LSTM是合适的选择电力负荷数据在形态上有三个绕不开的特征强周期性、强自相关性、非平稳性。周期性体现在日负荷曲线有明显的峰谷——白天两个高峰、夜间低谷工作日和周末的形态也不同自相关性体现在今天的负荷大概率与昨天同一时刻相似非平稳性体现在整体用电水平会随季节、气温、经济增长缓慢漂移。这三个特征对模型提出了明确要求模型必须能记住“昨天这个时候是什么水平”能捕捉“最近几个小时的变化趋势”还不能假设数据是稳定不变的。传统ARIMA这类线性模型对非平稳序列要先做差分但对周期性和长距离依赖的建模能力有限。普通RNN虽然能处理序列但梯度消失问题让它很难记住超过几个时间步的信息。LSTM通过门控机制——遗忘门、输入门、输出门——有选择地保留和丢弃信息恰好同时满足“记住长期规律”和“跟随近期变化”两个需求。2.2 从RNN到LSTM遗忘门和输入门到底在控制什么LSTM的核心不是神经元本身而是那条贯穿整个序列的记忆通道通常称为cell state。每个时间步上遗忘门决定上一时刻的记忆保留多少输入门决定当前时刻的新信息写入多少输出门决定最终输出什么。import numpy as np def lstm_cell_forward(x_t, h_prev, c_prev, W_f, U_f, b_f, W_i, U_i, b_i, W_c, U_c, b_c, W_o, U_o, b_o): # x_t: 当前时间步输入, h_prev: 上一时间步隐藏状态, c_prev: 上一时间步记忆 # 遗忘门: 看当前输入和上一时刻输出, 决定遗忘多少旧记忆 f_t sigmoid(np.dot(W_f, x_t) np.dot(U_f, h_prev) b_f) # 输入门: 哪些新信息值得写入记忆 i_t sigmoid(np.dot(W_i, x_t) np.dot(U_i, h_prev) b_i) # 候选记忆: 当前输入给出的新内容 c_tilde np.tanh(np.dot(W_c, x_t) np.dot(U_c, h_prev) b_c) # 更新记忆: 旧记忆按遗忘门衰减, 加上新内容按输入门写入 c_t f_t * c_prev i_t * c_tilde # 输出门: 从记忆中提取多少给当前输出 o_t sigmoid(np.dot(W_o, x_t) np.dot(U_o, h_prev) b_o) h_t o_t * np.tanh(c_t) return h_t, c_t这段代码演示的是LSTM单元在一个时间步内的完整计算过程。实际工程中你不会手写这个PyTorch或TensorFlow的nn.LSTM已经封装好了全部参数但理解这个过程对调参和答辩都至关重要。比如“lstm遗忘门的输入是什么数据”这个常被问到的问题答案就是当前时间步输入x_t和上一时间步隐藏状态h_prev的拼接经过权重变换后通过sigmoid输出一个0到1之间的门控值。2.3 为什么用LSTM而不是Transformer或TCN一个很现实的问题是既然Transformer在序列任务上表现更好为什么大作业还要用LSTM答案分两层。第一层是数据规模电力负荷预测的数据量通常只有几万到几十万个时间点Transformer的注意力机制在这种规模下优势不明显反而更容易过拟合而且训练耗时更长。第二层是解释性LSTM的时序展开结构和门控机制更直观答辩时你能清楚讲出“模型记住了什么、丢弃了什么”换成注意力权重反而更难向非专业老师解释。TCN时间卷积网络也是一个竞争者它对长序列的感受野可控、训练速度快。但TCN的因果卷积和膨胀率设计需要额外解释而且课程设计中最常见的基线对比就是LSTM和普通RNN用LSTM做主线更容易找到对照实验。我一般建议主线用LSTM扩展讨论里提一嘴Transformer和TCN说明你了解它们的优缺点但不需要真的跑对比。3. 从原始数据到可训练样本数据处理和滑窗构造的完整实现3.1 数据来源与预处理的最小可行方案电力负荷数据最常用的公开数据集是西班牙的电力负荷数据或者用UCI的Individual Household Electric Power Consumption数据集。大作业场景下数据不需要多复杂但一定要包含时间戳和负荷值两列时间粒度通常是15分钟、30分钟或1小时。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler df pd.read_csv(load_data.csv, parse_dates[datetime], index_coldatetime) # 按小时聚合, 缺失值用前后均值填充 df df.resample(H).mean() df[load] df[load].interpolate(methodlinear) # 只保留负荷列, 做归一化 data df[[load]].values scaler MinMaxScaler(feature_range(0, 1)) scaled_data scaler.fit_transform(data)这段代码做了三件事把原始时间序列统一到小时粒度、用线性插值补缺失值、归一化到0到1区间。MinMaxScaler的选择不是随意的LSTM默认使用tanh激活函数输入落在0到1区间能让梯度更稳定。MinMaxScaler对异常值敏感如果数据里有特别离谱的毛刺建议先做截断处理再归一化。3.2 用滑窗构造监督学习样本lookback和horizon怎么定LSTM不能直接吃一整条时间序列需要把序列切成(样本数, 时间步长, 特征数)的三维张量。关键在于两个参数lookback用过去多少个时间步做输入和horizon预测未来多久。大作业最常见的是预测下一个小时即horizon1。def create_sequences(data, lookback24, horizon1): X, y [], [] for i in range(len(data) - lookback - horizon 1): X.append(data[i:i lookback, 0]) y.append(data[i lookback:i lookback horizon, 0]) return np.array(X), np.array(y) lookback 24 X, y create_sequences(scaled_data, lookbacklookback, horizon1) # 按时间顺序切分, 前80%训练, 后20%测试, 禁止随机打乱 split_idx int(len(X) * 0.8) X_train, X_test X[:split_idx], X[split_idx:] y_train, y_test y[:split_idx], y[split_idx:] # 转换成LSTM要求的输入格式 (samples, timesteps, features) X_train X_train.reshape((X_train.shape[0], X_train.shape[1], 1)) X_test X_test.reshape((X_test.shape[0], X_test.shape[1], 1))lookback24意味着用过去24小时的负荷预测下一个小时这个设定符合日周期性的直觉。reshape的第三个维度是特征数当前只有负荷一个特征所以是1。这里有两个容易被扣分的细节第一时间序列必须按时间顺序切分不能用train_test_split随机打乱否则会引入未来信息泄漏第二归一化必须只用训练集的scaler去transform测试集不能在整个数据集上fit否则测试信息在训练阶段就泄露了。3.3 要不要加日期特征和温度特征大作业的加分项往往不在模型本身而在特征工程。只输入历史负荷值模型学到的是纯自回归规律如果加上小时、星期几、是否节假日这些时间特征模型就能自动区分工作日和周末的负荷差异。df[hour] df.index.hour df[dayofweek] df.index.dayofweek df[is_weekend] (df.index.dayofweek 5).astype(int) # 小时和星期几是周期性变量, 用正弦余弦编码避免0和23的边界跳变 df[hour_sin] np.sin(2 * np.pi * df[hour] / 24) df[hour_cos] np.cos(2 * np.pi * df[hour] / 24) df[dow_sin] np.sin(2 * np.pi * df[dayofweek] / 7) df[dow_cos] np.cos(2 * np.pi * df[dayofweek] / 7) feature_cols [load, hour_sin, hour_cos, dow_sin, dow_cos, is_weekend] feature_data df[feature_cols].values为什么用正弦余弦而不是直接用0到23的整数因为小时特征里23点和0点只差1小时但数值上差23模型会误以为它们差异很大。正弦余弦编码让这两个点在单位圆上相邻保留了周期性的真实距离。这个细节写进大作业报告里非常加分因为它直接体现你对“时序特征如何处理”这个知识点的掌握程度。4. 模型搭建、训练策略和评估指标一个能拿高分的LSTM完整流程4.1 PyTorch实现LSTM负荷预测模型import torch import torch.nn as nn import torch.optim as optim class LoadForecastLSTM(nn.Module): def __init__(self, input_size, hidden_size64, num_layers2, output_size1, dropout0.2): super(LoadForecastLSTM, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x shape: (batch_size, seq_len, input_size) lstm_out, (h_n, c_n) self.lstm(x) # 取最后一个时间步的隐状态作为全连接层的输入 last_hidden lstm_out[:, -1, :] output self.fc(last_hidden) return output model LoadForecastLSTM(input_size6, hidden_size64, num_layers2) criterion nn.MSELoss() optimizer optim.Adam(model.parameters(), lr0.001)input_size6对应前面构造的6个特征负荷加5个时间特征。hidden_size64是隐状态维度这是个默认不坏的起点。num_layers2表示堆叠两层LSTM第二层以第一层的输出序列为输入能捕捉更高层次的抽象特征但层数不是越多越好两层能防止过拟合四层在小数据集上几乎必然过拟合。batch_firstTrue是PyTorch里推荐的习惯让输入形状是(batch, seq_len, input_size)而不是(seq_len, batch, input_size)减少维度转换带来的困惑。4.2 训练循环里容易被忽略的四个细节batch_size 64 epochs 50 dataset torch.utils.data.TensorDataset( torch.FloatTensor(X_train), torch.FloatTensor(y_train) ) dataloader torch.utils.data.DataLoader(dataset, batch_sizebatch_size, shuffleTrue) for epoch in range(epochs): model.train() total_loss 0 for batch_X, batch_y in dataloader: optimizer.zero_grad() outputs model(batch_X) loss criterion(outputs.squeeze(), batch_y) loss.backward() # 梯度裁剪: 防止LSTM训练中梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() if (epoch 1) % 10 0: print(fEpoch [{epoch1}/{epochs}], Loss: {total_loss/len(dataloader):.6f})第一个细节是optimizer.zero_grad()必须在每个batch之前调用否则梯度会累加。第二个细节是梯度裁剪clip_grad_norm_LSTM在长序列训练中梯度范数可能突然变大裁剪到1.0能稳定训练这是很多入门项目缺失的一步。第三个细节是训练模式下需要model.train()评估模式下需要model.eval()因为dropout层在训练和预测时的行为不同。第四个细节是shuffleTrue样本顺序打乱能减少相邻样本的相关性对梯度更新的影响同时要注意打乱的是batch内部样本间的关系不破坏整个时间序列的顺序性。4.3 评估指标MAE、RMSE和MAPE哪个才是负荷预测的主指标from sklearn.metrics import mean_absolute_error, mean_squared_error model.eval() with torch.no_grad(): predictions model(torch.FloatTensor(X_test)).squeeze().numpy() # 反归一化: 必须用训练时的scaler pred_actual scaler.inverse_transform(predictions.reshape(-1, 1)).flatten() y_test_actual scaler.inverse_transform(y_test.reshape(-1, 1)).flatten() mae mean_absolute_error(y_test_actual, pred_actual) rmse np.sqrt(mean_squared_error(y_test_actual, pred_actual)) # 手动计算MAPE, 注意负荷值不为零 mape np.mean(np.abs((y_test_actual - pred_actual) / y_test_actual)) * 100 print(fMAE: {mae:.2f} MW) print(fRMSE: {rmse:.2f} MW) print(fMAPE: {mape:.2f}%)评估为什么必须在反归一化之后算因为在0到1区间上一个0.01的误差看起来很小但放大到真实负荷量纲后可能是几十兆瓦。RMSE对大误差敏感能给极端误差更高的惩罚权适合负荷预测这种峰谷差异大的场景MAE更直观MAPE是相对误差方便跨数据集对比。三者都算报告里要解释为什么RMSE比MAE大——因为RMSE对大误差的平方惩罚放大了差异这本身就是模型在峰值时刻预测不够准的证据。5. 把模型升级成“高分项目”的四个关键改进5.1 多步预测从预测1小时扩展到24小时很多大作业止步于预测下一小时但负荷预测的实际价值在于预测未来一天。多步预测有两种做法递归预测把预测值当输入继续预测下一步和直接预测输出层改为24个神经元。class MultiStepLSTM(nn.Module): def __init__(self, input_size, hidden_size64, num_layers2, output_size24): super(MultiStepLSTM, self).__init__() self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): lstm_out, _ self.lstm(x) last_hidden lstm_out[:, -1, :] output self.fc(last_hidden) return output # shape: (batch_size, 24)直接预测24小时的误差会大于递归预测吗不一定。递归预测会把误差一步步累积放大而直接预测让模型在训练时直接优化24步的联合目标但会损失时间依赖的传递。两种都跑一下把结果对比表格放进报告里这比任何文字解释都有说服力。5.2 滑动窗口重新预测对抗概念漂移的工程技巧电力负荷的统计特征会随时间变化模型在夏天训练得好入冬后误差可能明显上升。一个简单的处理是保留最近一段窗口的数据做周期性重新训练或者用指数加权的方式给近期样本更高权重。这里引入一个实用技巧测试时不只预测一次而是每24小时用最新数据重新预测一次。这个做法模拟真实业务场景也能明显降低长期预测的累积误差在项目报告中属于“已有工程落地意识”的加分描述。5.3 序列长度敏感性分析必须做除了最终结果高分项目还要给出“为什么选了这个超参数”的证据链条。具体做法是固定其他参数分别用lookback12, 24, 48, 72跑四组实验画出训练损失曲线和测试集MAPE对比表lookback训练Loss测试MAE测试MAPE120.0015223.454.12%240.0009818.673.28%480.0008719.033.41%720.0009520.113.73%这个表格呈现出来的结论通常不是“lookback越大越好”而是24小时附近存在最优区间。过短的窗口丢失了日周期信息过长的窗口引入了过多的历史噪声。注意表格里要同时放训练损失和测试指标避免只看一个维度得出偏差结论。做这个实验的代价不高但答辩时老师很难再问你“为什么选24”这种问题。5.4 误差分布分析别只报一个MAPE报告里如果能分析“模型在一天中哪个时段误差最大”项目的深度会明显不一样df_test pd.DataFrame({actual: y_test_actual, pred: pred_actual}) df_test[hour] X_test_hour # 需要提前保存对应时间戳的小时信息 hourly_mape df_test.groupby(hour).apply( lambda r: np.mean(np.abs((r[actual] - r[pred]) / r[actual])) * 100 )通常发现早高峰和晚高峰时段的MAPE高于夜间和午后。原因很直接负荷变化率大的时段梯度对近期信息更敏感而LSTM的隐状态容量有限。在此基础上加一个讨论——如果给高峰时段的样本在损失函数里加权重预测效果会不会更好——就是一个完整的改进闭环也是高分项目的核心差异点。写报告时把“误差分布分析”和“权重损失改进”放在一起形成发现问题到解决问题的完整叙事。本文还有配套的精品资源点击获取