简介基于LSTM的电力负荷预测Python项目源码面向计算机、人工智能、自动化等专业的课程设计与毕业设计场景提供经过实测的完整预测流程与详细注释。压缩包共350个文件约11.34MB其中包含170个CSV格式的电力负荷样本数据、48组TensorFlow checkpoint索引与元数据文件、14个Python脚本以及说明文档、结构示意图等便于按模块理解数据预处理、模型训练与结果评估环节。文档内附训练步数与MAPE误差对照如7500步时MAPE为0.0474可直观感受模型收敛趋势。目前已有165人学习下载代码均通过运行验证若不清楚运行细节还可私信咨询远程教学适合希望快速搭建LSTM预测基线并完成课设报告的同学参考使用。1. 选 LSTM 做电力负荷预测课程设计为什么这是最不容易翻车的方向做电力负荷预测课程设计最怕的不是模型不收敛而是做完之后自己都讲不清楚原理。LSTM 是少数几个老师听过名字、代码量可控、可视化结果又直观的时间序列模型用来预测未来一段时间的电力负荷既能展示深度学习的基本功又能落到真实业务场景里。这篇笔记直接给你一套从数据清洗、滑窗切分、PyTorch 建模到训练评估的完整路线附带我踩过的坑和备课时的血泪经验。整套方案以单变量负荷时间序列为主默认你想在两周内交出一份能跑、能讲、能答辩的高分课程设计。如果你是第一次接触 LSTM跟着章节顺序做完就能理解每个参数为什么这么设置如果你已经调过几个模型重点看第 5 章的避坑清单和第 6 章的加分改造能省下不少返工时间。2. 把电力负荷预测变成 LSTM 能解的问题数据准备决定 60% 的分数课程设计里最容易拿到高分的地方其实不在模型而在数据处理。老师翻开报告第一眼看的往往是数据集描述、预处理流程图和训练测试划分方式。数据这一环做扎实了后面模型再普通答辩时也有底气说我理解这个问题的实际约束。2.1 负荷预测在预测什么单步预测、多步预测与滚动策略电力负荷预测从本质上说是一个时间序列回归任务给定过去一段时间的负荷值预测未来某个时刻或某一段时间的负荷。课程设计里常见两种设定单步预测即用过去 24 小时预测下一个小时的负荷多步预测即一次预测未来 24 小时甚至 7 天的负荷曲线。多步预测听起来更高级但实现和评估的复杂度会成倍上升。我一般建议做单步预测或者滚动单步预测作为主结果因为 LSTM 直接输出未来一个点的误差可控画图和指标解释都很清晰。如果指导老师明确要求多步预测采用输出序列的方式也就是模型最后一个时间步接一个全连接层直接输出 24 个值而不是把预测值递归塞回输入。递归预测很快就会误差累积第 5 章我会专门讲这个坑。无论选哪种你要先明确一个概念LSTM 学习的是用窗口内的历史模式去推测下一个值的映射关系它不保证能外推到它没见过的极端场景。课程设计报告里把这一句话写在问题定义小节能让老师觉得你不是只会调库。2.2 数据清洗与归一化先处理缺失值和异常尖峰实际拿到的负荷数据很少是干净的。常见来源是电力公司的公开负荷曲线或者课程提供的 CSV 文件通常包含两列时间戳和负荷值。典型脏数据有三种某些时刻完全缺失出现远超正常范围的尖峰以及节假日或极端天气导致的负荷跳变。处理这些脏数据要放在第一步否则后面滑窗切分时NaN 会连带污染一批样本。下面这段代码是我惯用的清洗流程用 pandas 读入后先做缺失值填充再用 3σ 原则剔除毛刺最后做归一化。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler df pd.read_csv(load.csv, parse_dates[time]) df.set_index(time, inplaceTrue) # 缺失值处理先前向填充再对剩余空缺做线性插值 df[load] df[load].ffill().interpolate(methodlinear) # 剔除超过 3 倍标准差的毛刺置为 NaN 后再填充回去 mean df[load].mean() std df[load].std() df[load] df[load].mask((df[load] - mean).abs() 3 * std) df[load] df[load].ffill() # 归一化到 0~1 区间方便 LSTM 收敛 scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(df[[load]])这段代码的逻辑是先处理缺失值再处理异常值最后归一化。ffill()用上一个有效值填充适合短期缺失interpolate(methodlinear)对连续多小时的缺失更平滑它会在已知点之间画一条直线估算中间值。mask的作用是把偏离均值 3 倍标准差的点置为 NaN再用ffill()修补这比直接删掉一行更安全因为滑窗切分需要等间隔数据。参数上3σ 阈值是经验值如果负荷曲线有很强的季节性可以改成 4σ 或先做差分再剔除异常避免把正常高峰误伤。MinMaxScaler把数据压到 0~1 之间和 LSTM 内部常用的 tanh 激活函数匹配能让梯度更稳定。这里要注意如果数据里有明显的用电高峰和低谷归一化用的是全局最大最小值而不是某一小段的最大最小值否则高峰会被压平。2.3 滑窗切分用 lookback 窗口构造训练样本LSTM 的输入要求是三维张量[样本数, 时间步数, 特征数]。你得把一维负荷序列切成一堆窗口-标签对。窗口长度叫lookback决定了模型一次能看到多少历史信息。对于小时级负荷数据lookback24表示用过去 24 小时预测下 1 小时lookback168则是用过去一周考虑到工作日和周末的用电模式后者往往效果更好。下面这段滑窗函数是课程设计里最常见的实现方式它按时间顺序滑动不会打乱样本之间的先后关系。def create_sequences(data, lookback24): X, y [], [] for i in range(len(data) - lookback): X.append(data[i:i lookback]) y.append(data[i lookback]) return np.array(X), np.array(y) X, y create_sequences(scaled, lookback24) # 按时间顺序划分前 80% 训练后 20% 测试 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:]这段代码里range(len(data) - lookback)保证每个窗口都能正好取到lookback个历史点而data[i lookback]是窗口之后的下一个点。注意这里生成的是预测下一点的样本不是预测下 24 点后者需要修改标签生成逻辑把data[i1:ilookback1]整体作为标签。按时间顺序划分是这里的关键不能用train_test_split的默认随机打乱因为滑窗生成的样本高度重叠随机打乱会让训练集里混入测试时间段的数据造成数据泄漏模型在测试集上的表现会比真实场景好得多。这一原则后面避坑章节还会再强调。如果想把多步预测也一起做了可以把标签改成# 多步预测标签窗口后连续 24 个点 def create_multistep_sequences(data, lookback24, horizon24): X, y [], [] for i in range(len(data) - lookback - horizon 1): X.append(data[i:i lookback]) y.append(data[i lookback:i lookback horizon]) return np.array(X), np.array(y)这个版本里horizon是预测步数标签是窗口后连续 24 个点的序列。注意索引范围要减去horizon后再减 1否则会越界。多步预测的损失函数建议用 MSE 或 Huber Loss误差会被放大到 24 个点上后面评估时要分步看误差。3. 搭建 LSTM 预测模型PyTorch 实现与超参数选择数据准备好之后模型搭建是最容易按模板抄、但也最容易抄出问题的环节。这里不打算给你一长串可以直接复制粘贴的完整脚本而是把网络结构、训练循环和超参数拆开讲让你能根据自己数据的情况做调整。3.1 选 PyTorch 还是 Keras把框架选对能少写一半排错时间课程设计里用 PyTorch 还是 Keras 是个老问题。如果团队里其他人只会 TensorFlow那统一用 Keras 是最省事的如果是你一个人做或者答辩老师更关注底层实现我建议用 PyTorch。原因很简单PyTorch 的nn.LSTM接口暴露了输入输出形状和隐状态细节答到一个问题就能顺着源码往下讲而不是停留在我调了个层的层面。Keras 的Sequential模型虽然写起来短比如model.add(LSTM(64))一行就完事但当老师问你的输入形状为什么是(batch, seq_len, features)时你很难从封装黑匣子里给出清晰回答。PyTorch 则让每个张量的维度变化摆在眼前这对答辩是加分项。下面是我在课程设计里惯用的 PyTorch LSTM 模型定义import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2, dropout0.2): super().__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): # x 形状: (batch, seq_len, input_size) out, _ self.lstm(x) # 取最后一个时间步的隐状态作为特征 out out[:, -1, :] # (batch, hidden_size) return self.fc(out) # (batch, 1)这段代码里batch_firstTrue让输入变成(batch, seq_len, input_size)比默认的(seq_len, batch, input_size)更符合直觉。out是每个时间步的隐状态形状为(batch, seq_len, hidden_size)我们只取最后一个时间步的out[:, -1, :]因为预测的是窗口之后的那一个点最后一步的隐状态已经汇聚了整个窗口的信息。fc把 64 维的隐状态压缩成 1 维负荷值。如果你用了多步预测最后的全连接层要改成nn.Linear(hidden_size, horizon)输出维度是 24 而不是 1。此时在forward里out[:, -1, :]仍然代表最后一个时间步的隐状态再接一个线性层映射到 24 个未来时刻。3.2 训练一个最小可运行的模型batch 与学习率怎么配模型定义好之后训练循环的水准直接决定你能不能在答辩现场当场跑出结果。课程设计里常见的翻车方式是直接把所有样本一次性喂给模型或者学习率设得太大导致 loss 变成 NaN。下面这个训练循环是我验证过的最小版本逻辑清晰代码量也短。from torch.utils.data import TensorDataset, DataLoader # 转成 PyTorch 张量并给 y 增加一个特征维度 X_train_t torch.tensor(X_train, dtypetorch.float32) y_train_t torch.tensor(y_train, dtypetorch.float32).unsqueeze(-1) dataset TensorDataset(X_train_t, y_train_t) loader DataLoader(dataset, batch_size32, shuffleTrue) model LSTMPredictor(input_size1, hidden_size64, num_layers2) optimizer torch.optim.Adam(model.parameters(), lr0.001) criterion nn.MSELoss() for epoch in range(50): model.train() total_loss 0 for Xb, yb in loader: optimizer.zero_grad() pred model(Xb) loss criterion(pred, yb) loss.backward() optimizer.step() total_loss loss.item() if (epoch 1) % 10 0: print(fepoch {epoch1}, loss {total_loss/len(loader):.6f})这段代码里unsqueeze(-1)把标签从(batch,)变成(batch, 1)匹配模型输出的形状。DataLoader的batch_size32是内存和梯度稳定性之间的折中如果你用的是 10 万条以上的样本batch_size64或128也能行。shuffleTrue在这里是安全的因为我们已经按时间顺序划分好训练集和测试集训练样本内部的重叠性通过打乱可以加速收敛测试集仍然是时间上靠后的数据。学习率0.001是 Adam 优化器的默认值对大多数负荷数据都合适。如果训练一段时间后 loss 波动厉害把它降到0.0005如果收敛太慢可以短期内升到0.002但要盯着曲线。nn.MSELoss对异常值敏感如果你的数据里有未清洗干净的尖峰考虑换成nn.HuberLoss它对离群点的惩罚更温和。3.3 关键超参数lookback、hidden_size、num_layers 的调参顺序调参有个优先级不要一上来就 grid search 所有参数。我习惯的顺序是先固定lookback24hidden_size64num_layers2跑通一次训练然后再动lookback因为窗口长度对预测效果的影响最大接着调hidden_size最后尝试num_layers3。lookback太长会把样本数大幅减少尤其对小时级数据lookback168意味着每条样本占 7 天历史样本总量只有原来的十分之一不到。如果你的数据只有两三个月用lookback24更稳妥。hidden_size从 32 到 128 之间试效果差异主要体现在训练速度和过拟合风险上而不是从 64 跳到 128 就一定涨点。num_layers超过 2 层后梯度传播路径变长需要配合更小的学习率否则很容易训练崩溃。验证集的选择也要讲究。课程设计里常见做法是从训练集尾部切出 10% 到 15% 作为验证集用于早停和调参。注意验证集必须是训练集时间之后的数据不能随机抽否则和测试集有重叠早停就失去了意义。4. 训练、评估与可视化让答辩老师一眼看到预测很准模型的精度不是只看 loss 数字评估指标和可视化图是课程设计报告里真正说服老师的东西。很多同学训练完只贴一个 loss 曲线其实远远不够。4.1 评估指标要选对MAE、RMSE 与 MAPE 各自在说什么回归任务的评估指标里MAE平均绝对误差、RMSE均方根误差和 MAPE平均绝对百分比误差是最常用的三个。电力负荷预测报告里老师最喜欢问的是 MAPE因为它是无量纲的百分比能直观说明平均误差百分之几。但要注意MAPE 在负荷接近零时会爆炸因为分母趋近零。凌晨某个小时的负荷可能只有几十千瓦甚至接近零算出来的百分比误差会异常大拉高整体 MAPE。所以课程设计里建议三个指标都算分析时分开看MAPE 看整体百分比RMSE 看大误差是否被惩罚得更狠MAE 看平均绝对偏差。计算指标之前一定要反归一化否则算出来的误差没有物理意义。下面这段代码在测试集上跑完前向预测后把结果还原成真实负荷再算指标。from sklearn.metrics import mean_absolute_error, mean_squared_error def mape(y_true, y_pred): return np.mean(np.abs((y_true - y_pred) / (y_true 1e-6))) * 100 # 模型预测 X_test_t torch.tensor(X_test, dtypetorch.float32) with torch.no_grad(): y_pred model(X_test_t).numpy().flatten() # 反归一化 pred_real scaler.inverse_transform(y_pred.reshape(-1, 1)).flatten() true_real scaler.inverse_transform(y_test.reshape(-1, 1)).flatten() print(MAE:, mean_absolute_error(true_real, pred_real)) print(RMSE:, np.sqrt(mean_squared_error(true_real, pred_real))) print(MAPE:, mape(true_real, pred_real))反归一化必须使用训练时拟合好的scaler而不是重新对测试集 fit。因为scaler记录了训练集的 min 和 max如果重新 fit测试集的分布信息会通过 min/max 混入变换相当于在评估时泄露了未来数据。mape函数里y_true 1e-6是防除零的常见技巧但你要知道这只是权宜之计报告里可以注明对接近零的点做平滑处理。4.2 训练循环中的早停与模型保存别让过拟合毁掉答辩课程设计的训练轮数往往拍脑袋定 50 或者 100但数据量和模型复杂度不同固定轮数要么欠拟合要么过拟合。更稳妥的做法是加早停当验证集 loss 连续几个 epoch 不再下降时停止训练并恢复到验证集 loss 最低时的模型参数。下面这段代码在前面的训练循环基础上增加了早停逻辑建议直接用到你的课程设计里。best_loss float(inf) patience 0 best_state None for epoch in range(50): model.train() for Xb, yb in loader: optimizer.zero_grad() loss criterion(model(Xb), yb) loss.backward() optimizer.step() # 验证集评估 model.eval() val_loss 0 with torch.no_grad(): for Xv, yv in val_loader: val_loss criterion(model(Xv), yv).item() val_loss / len(val_loader) if val_loss best_loss: best_loss val_loss best_state {k: v.clone() for k, v in model.state_dict().items()} patience 0 else: patience 1 if patience 5: print(fearly stop at epoch {epoch1}) break model.load_state_dict(best_state) torch.save(model.state_dict(), best_lstm.pth)这里best_state保存的是模型权重字典的深拷贝patience达到 5 就停止。早停不仅节省时间更重要的是防止测试集指标被过拟合的模型拉低。保存下来的best_lstm.pth可以放到论文附录或答辩演示里现场加载权重直接预测不用现场重新训练。4.3 画预测曲线对比图、残差图与误差分布的呈现技巧课程设计报告里图比表更容易拿分三张图的组合是我最常用的套路全段时间的预测对比图、测试集后 200 个点的放大对比图、误差分布直方图。第一张展示整体走势拟合能力第二张展示局部细节第三张展示误差集中程度。import matplotlib.pyplot as plt plt.figure(figsize(12, 4)) plt.plot(true_real, labelTrue, alpha0.8) plt.plot(pred_real, labelPred, alpha0.8) plt.legend() plt.title(Load Forecast on Test Set) plt.savefig(forecast_compare.png, dpi150) plt.show() # 残差分布 residual true_real - pred_real plt.hist(residual, bins50) plt.title(Residual Distribution) plt.savefig(residual.png, dpi150)画这三张图时有一个心理准备单步预测的曲线通常比真实曲线平滑在高峰处会滞后一点点这是正常现象因为模型是在用过去的值推测未来一个点。如果曲线完全重合反而要警惕是不是数据泄漏了。报告里把残差直方图的均值和标准差写出来比如95% 的误差在 ±200 kW 内比空泛地说预测较准确有说服力得多。评估环节还有一个技巧把预测误差按小时分桶统计画出0-6 点 / 6-12 点 / 12-18 点 / 18-24 点四个时段的 MAPE 柱状图。通常夜间误差小、早晚高峰误差大这个图能让老师看到你做了细粒度分析分数自然上去。5. 高分课程设计避坑指南数据泄漏、归一化与文档注释的 5 个坑这一章是课程的精华。以下五个坑我都见过有些自己也踩过写出来按现象 → 原因 → 解决的方式记录你遇到类似问题可以直接对号入座。5.1 归一化泄漏测试集效果完美但实际却不能用现象模型在测试集上的 MAPE 只有 1%你兴高采烈地画图但拿模型去预测另一段时间的负荷误差大得离谱。原因你很可能先对整个数据集做了MinMaxScaler.fit_transform再划分训练集和测试集。这样一来测试集的 min 和 max 已经参与过归一化模型训练时看到了未来数据的范围信息评估结果虚高。解决把归一化放到划分之后。先用训练集 fit scaler再用同一个 scaler transform 测试集。正确做法是scaler.fit(X_train)然后X_test_scaled scaler.transform(X_test)。如果用了滑窗那么划分要在滑窗之前或者对切分好的样本按时间切片无论如何都不能让测试集数据参与 fit。5.2 时间序列乱序划分随机打乱训练集导致数据泄漏现象训练集 loss 很低验证集 loss 也很低但实际预测后半段负荷时曲线明显错位。原因用sklearn.model_selection.train_test_split默认shuffleTrue把时间序列随机分成训练测试测试集里混入了训练时间段的数据。由于滑窗样本高度重叠模型相当于记住了附近的答案。解决强制按时间顺序切片。用X[:train_size]和X[train_size:]或者用TimeSeriesSplit做交叉验证。滑窗生成样本后即使是训练集内部的 shuffle 也是安全的因为 shuffle 只发生在训练集内部不会跨到测试集。5.3 多步预测的误差累积把递归预测结果当成模型未卜先知现象你用训练好的单步模型预测未来 24 小时方法是把上一步预测值当作输入继续预测下一步结果曲线从某个点开始迅速平滑成一条接近水平的线你以为是模型崩了。原因递归预测中每一步的误差都会作为输入进入下一步误差不断累积最终模型只能输出序列的均值附近的值看起来就平了。这是单步模型用于多步递归的必然结果不是 bug。解决如果想展示多步预测能力用直接多步结构让模型一次输出未来 24 个值损失函数对这些输出统一计算。或者报告里明确写单步预测 滚动预测对比把递归预测定义为基准方法不把它当作模型的核心能力。答辩时主动说出这个现象的数学原因反而会让老师觉得你做过深入思考。5.4 LSTM 层数堆太多以为越深越准结果训练崩了现象你把num_layers从 2 改成 4训练时 loss 先下降几个 epoch 后突然变成 NaN或者训练进度变得极慢。原因深层 LSTM 的梯度在时间方向上会连乘很多次容易出现梯度爆炸或梯度消失尤其当学习率偏高时RNN 家族的梯度问题比 CNN 更明显。这并非模型结构错误而是训练难度增大。解决课程设计用 2 层就够1 层也能接受。如果一定要加深同步做三件事学习率降到 0.0005 以下加梯度裁剪初始化遵循 PyTorch 默认但先跑几个 epoch 观察。梯度裁剪一行就能加torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)。5.5 文档与注释代码没注释答辩被问源码时翻车现象代码能跑但老师翻源码问这个create_sequences函数是干什么的为什么这里要unsqueeze(-1)你支支吾吾半天印象分直接掉。原因课程设计评分构成里文档和注释通常占 20% 到 30%代码可读性是重要一环很多同学只重视跑通结果忽略了代码本身。解决哪怕代码只写 200 行每个函数都要有 docstring每个关键运算都要有注释。注释不是翻译代码而是说明为什么这么写。比如def create_sequences(data, lookback): 把一维负荷序列切成滑窗样本。 参数: data: 归一化后的负荷序列形状 (n_samples, 1) lookback: 窗口长度表示用多少历史时刻预测下一点 返回: X: (n_samples-lookback, lookback, 1) y: (n_samples-lookback, 1) 注释里写清楚输入输出形状答辩时你能立即说出每个维度的含义老师会认为你对模型有完整的掌控。文档部分网络结构图可以用 PyTorch 的torchsummary打印模型摘要或者用 PPT 画一个简单的 LSTM cell 数据流图把流程图粘进报告比大段文字更直观。6. 给课程设计加一点亮点从单变量 LSTM 到多变量与注意力机制如果核心模型已经跑通还剩两三天想提升分数建议加一个时刻编码特征。做法很简单把每个样本窗口最后一个时间点所属的小时用正弦余弦编码成两个特征和负荷值拼在一起作为模型输入。这个改动能让模型捕捉到午夜负荷低、早高峰负荷高的周期模式比单纯多堆 LSTM 层有效得多而且代码量极小。具体操作是先把负荷序列的索引转换成小时数值然后生成编码特征hours df.index.hour.values # 0~23 的小时 hour_sin np.sin(2 * np.pi * hours / 24) hour_cos np.cos(2 * np.pi * hours / 24)把hour_sin和hour_cos作为额外特征拼到scaled序列上形成(n_samples, 3)的输入。滑窗时窗口内的每个时刻都对应一组正弦余弦值这样 LSTM 就知道窗口末尾是几点预测高峰负荷时会更敏锐。模型输入维度从input_size1改成input_size3其余代码不用动。这个改造的巧妙之处在于正弦余弦编码不会引入数值跳变。如果用0, 1, 2, ... 23直接编码23 和 0 之间距离会非常大模型很难学会23 点之后是 0 点的循环语义。正弦余弦把小时投影到二维坐标上天然具备周期性这是深度学习处理周期性特征的标准做法。我个人的经验是这个简单特征通常能比纯单变量 LSTM 降低 5% 到 10% 的 MAPE尤其当你的数据里有明显的日周期性时。如果你还想再加一个注意力层可以套用一个性能优异的轻量结构在 LSTM 输出每个时间步的隐状态后不直接取最后一下而是让一个可学习的权重去加权平均所有时间步的隐状态。这种改造注意力机制需要多写十几行代码答辩时能讲出模型会关注到 1 小时前和 24 小时前的关键负荷模式分数上限会更高。但有一个底线提醒加分改造必须建立在基础模型正确的前提下。如果你连归一化泄漏都没解决加再多特征都是空中楼阁。把best_lstm.pth训练好、测试图保存好、MAPE 数值记录好然后每做一次改造就重新评估一遍指标把实验对比表放进报告这才是课程设计该有的严谨程度。我自己的习惯是把每次实验的配置文件单独存一个文件夹包含seed、lookback、hidden_size、num_layers、lr、batch_size这样答辩时被问到你这个结果是怎么复现的我能直接翻出配置逐条回答而不是支支吾吾说好像用的默认参数。希望这套流程能帮你在课程设计里少走点弯路把精力花在真正被认可的地方。本文还有配套的精品资源点击获取