简介这套基于 Python 深度学习的多特征电力负荷预测项目面向课程设计与期末大作业场景适合希望掌握 LSTM 建模与实际预测流程的学生项目以真实电力负荷数据为输入融合温度、湿度等多维特征利用长短时记忆网络捕捉时序规律适用于教学演示与实际场景训练。压缩包共 8 个文件包含 3 个 Python 脚本、2 个 CSV 数据文件、xlsx 原始数据表以及 README 和使用说明整体仅 831KB结构简洁清晰其中 py 文件分别负责数据清洗、模型训练与结果绘图csv 提供训练集与待预测数据md 文档则记录复现步骤。已有 479 人学习下载作为高分课设项目提供数据预处理、LSTM 负荷预测、结果可视化等完整模块下载后无需修改即可运行可直接用于答辩展示。通过阅读源码与注释可以快速理解多特征电力负荷预测的实现思路并在此基础上扩展调参或更换数据集。1. 多特征电力负荷预测项目的真实难点数据比模型更花时间拿到“基于python深度学习的多特征电力负荷预测项目源码数据课程设计.zip”这个标题先别急着解压跑模型。电力负荷预测是典型的时序回归问题但让它难的不是LSTM本身而是“多特征”三个字。只看历史负荷曲线做预测节假日和极端天气一来就崩把温度、湿度、星期类型、峰谷时段全部塞进模型又容易陷入特征噪声和维度灾难。课程设计阶段最常见的失败不是模型不收敛而是数据处理和特征对齐根本没做对。你缺的不是源码而是把源码拆开、改特征、调参数、换数据后还能跑通的能力。这篇文章不评价任何特定项目包只讲此类项目最通用、最经得起答辩追问的实现套路特征工程怎么建、LSTM怎么搭、训练参数怎么调、结果怎么对比。2. 电力负荷预测里的多特征工程先搞清滑动窗口与特征对齐2.1 单序列预测的局限与多特征的价值很多课程设计最初版本只用历史负荷去预测未来负荷输入是[t-24, t-23, ..., t-1]输出是t时刻的负荷值。这个结构在负荷规律稳定的工作日表现尚可但遇到以下情况会明显失灵周一早高峰负荷模式与周日完全不同纯负荷序列无法感知“今天是周几”夏季高温日空调负荷激增历史负荷序列中看不到“今天35度”这个信号法定节假日负荷腰斩模型只知道昨天和前几天都高不知道今天放假所以“多特征”的第一层含义是补上负荷序列之外的外生变量。第二层含义是这些外生变量必须与负荷序列在时间轴上严格对齐并且按相同的步长滑窗。2.2 输入特征矩阵的构建代码以小时级负荷数据为例我一般会把原始表设计成下面这样每行代表一个小时特征字段示例处理方式load532.6 MW目标值做滞后特征temperature28.4 ℃数值型直接入模humidity76 %数值型直接入模hour14周期编码为sin/cosweekday3周期编码为sin/cosis_holiday00/1二值峰谷时段峰one-hot或LabelEncoder代码上核心切成两步第一步制作滞后特征lag features第二步将原始表切成[样本数, 时间步长, 特征数]的三维张量。import pandas as pd import numpy as np df pd.read_csv(load_data.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) # 特征列与目标列分离 feature_cols [temperature, humidity, hour_sin, hour_cos, weekday_sin, weekday_cos, is_holiday, peak_type] target_col load # 滞后特征过去24小时负荷 for lag in [1, 2, 3, 24, 168]: df[fload_lag_{lag}] df[load].shift(lag) feature_cols [load_lag_1, load_lag_2, load_lag_3, load_lag_24, load_lag_168] # 删除前168行滞后168小时产生的NaN df df.dropna().reset_index(dropTrue)这里对滞后特征做三点说明load_lag_1捕捉短期惯性load_lag_24捕捉日周期load_lag_168捕捉周周期。滞后阶数的选择依据是电力负荷存在明显的“日周期性”和“周周期性”不相关的滞后项只会增加噪声。温度、湿度是否做滞后取决于数据表是否包含预测时刻的天气预报值如果没有常见做法是用预测日的气象预报数据替代这也是为什么很多课程设计项目把温度特征直接对齐到预测时刻。2.3 滑动窗口切分与归一化顺序有了完整的特征宽表后需要把它切成LSTM输入需要的三维结构。窗口长度通常取24或48即用过去24/48小时的所有特征预测下一个小时。def create_sequences(data, feature_cols, target_col, window24): X, y [], [] for i in range(len(data) - window): X.append(data[feature_cols].iloc[i:iwindow].values) y.append(data[target_col].iloc[iwindow]) return np.array(X), np.array(y) X, y create_sequences(df, feature_cols, target_col, window24) print(X.shape) # (样本数, 24, 特征数)归一化必须先在训练集上fit再transform验证集与测试集。机器学习中一个经典的错误是拿全量数据做归一化导致验证集信息泄漏到训练过程里模型表现虚高答辩时被问几句就会露馅。from sklearn.preprocessing import MinMaxScaler # 将三维X还原为二维做归一化再还原回三维 X_2d X.reshape(-1, X.shape[-1]) scaler_X MinMaxScaler() X_2d_scaled scaler_X.fit_transform(X_2d) X_scaled X_2d_scaled.reshape(X.shape) # 目标值单独归一化 scaler_y MinMaxScaler() y_scaled scaler_y.fit_transform(y.reshape(-1, 1)).flatten()3. 基于PyTorch的LSTM多变量负荷预测模型从Dataset到前向传播3.1 模型选型为什么课程设计首选LSTM电力负荷预测的模型选项很多ARIMA、XGBoost、LSTM、GRU、Transformer。课程设计场景下LSTM是综合性价比最高的选择。ARIMA对多特征外生变量的支持较弱XGBoost需要手动构造时序特征才能模拟时间依赖Transformer在小数据集上容易过拟合调参成本高。LSTM的结构天然适合序列建模而且PyTorch封装完善手写一个LSTM模型只需要几十行代码。多特征LSTM和单特征LSTM在模型结构上的区别只在输入维度input_size。输入维度等于特征矩阵的列数每个时间步输入一个包含温度、湿度、时刻、滞后负荷等所有特征的向量。下面给出一个可运行的多层LSTM回归模型。import torch import torch.nn as nn class MultiFeatureLSTM(nn.Module): def __init__(self, input_size, 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.regressor nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Dropout(dropout), nn.Linear(32, 1) ) def forward(self, x): # x: (batch, seq_len, input_size) lstm_out, _ self.lstm(x) # 取最后一个时间步的输出 last_out lstm_out[:, -1, :] return self.regressor(last_out).squeeze(-1)模型的关键设计点batch_firstTrue让输入张量的形状更符合直觉第一维是batch。num_layers2堆叠两层LSTM以增强非线性表达能力但层数不是越多越好后面会讲为什么课程设计里3层以上收益很小。regressor是回归头将LSTM最后一个时间步的隐含状态映射成标量负荷值。取lstm_out[:, -1, :]是时序预测的标准做法它表示用整个窗口的信息汇总后做预测。3.2 Dataset封装与数据加载器光有模型还不够PyTorch要求数据经过Dataset和DataLoader封装才能进入训练循环。封装的核心价值在于打乱样本顺序、按batch迭代、支持多线程读取。from torch.utils.data import Dataset, DataLoader class LoadDataset(Dataset): def __init__(self, X, y): self.X torch.tensor(X, dtypetorch.float32) self.y torch.tensor(y, dtypetorch.float32) def __len__(self): return len(self.X) def __getitem__(self, idx): return self.X[idx], self.y[idx] # 按时间顺序切分前70%训练后30%测试不打乱时序 train_size int(len(X_scaled) * 0.7) X_train, X_test X_scaled[:train_size], X_scaled[train_size:] y_train, y_test y_scaled[:train_size], y_scaled[train_size:] train_dataset LoadDataset(X_train, y_train) test_dataset LoadDataset(X_test, y_test) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size64, shuffleFalse)shuffleTrue只作用于训练集打乱的是样本间的顺序不会破坏单个样本内的时间步顺序。测试集必须shuffleFalse否则预测结果和真实值对不上时间轴后续画图会错位。batch_size和窗口长度是两个容易混淆的概念窗口长度是单个样本包含多少历史时间步batch_size是每次迭代同时处理多少个样本。4. 深度学习训练参数解析学习率、早停与损失函数选择4.1 训练循环模板与早停机制数据准备好了模型也定义了接下来是训练循环。课程设计阶段不推荐直接抄开源训练脚本而要理解每个关键环节在做什么。下面这个训练函数包含学习率衰减和早停是训练LSTM最实用的组合。import torch.optim as optim model MultiFeatureLSTM( input_sizeX_train.shape[-1], hidden_size64, num_layers2, dropout0.2 ) optimizer optim.Adam(model.parameters(), lr1e-3) scheduler optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemin, factor0.5, patience8 ) criterion nn.MSELoss() epochs 100 best_loss float(inf) patience_counter 0 for epoch in range(epochs): model.train() train_loss 0 for X_batch, y_batch in train_loader: optimizer.zero_grad() y_pred model(X_batch) loss criterion(y_pred, y_batch) loss.backward() # 梯度裁剪防止LSTM梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() train_loss loss.item() * len(X_batch) # 验证集上评估决定是否早停 model.eval() val_loss 0 with torch.no_grad(): for X_batch, y_batch in test_loader: y_pred model(X_batch) val_loss criterion(y_pred, y_batch).item() * len(X_batch) val_loss / len(X_test) scheduler.step(val_loss) if val_loss best_loss: best_loss val_loss patience_counter 0 torch.save(model.state_dict(), best_model.pth) else: patience_counter 1 if patience_counter 15: print(fearly stop at epoch {epoch 1}) break损失函数用MSE是负荷预测任务中的默认选择因为它对大幅偏差惩罚更重。但需要知道MSE的缺点是量纲是平方不能直观表示误差百分比所以后面评估时还要计算MAE和MAPE。梯度裁剪clip_grad_norm_对LSTM很重要梯度范数超过1.0时会被压缩防止RNN类模型常见的梯度爆炸。ReduceLROnPlateau每8轮验证损失不下降就把学习率减半比固定学习率600轮更稳。4.2 关键超参数推荐范围与调整逻辑课程设计里超参数调优不用做网格搜索按经验区间给几组对照实验就够了。下表是常见参数的经验范围参数名推荐范围调整方向window_size24~72负荷波动周期越长窗口越要拉长hidden_size32~128特征多、数据量大时上调num_layers1~3超过3层收益极小且训练更慢dropout0.1~0.3过拟合时增大欠拟合时减小或关闭batch_size32~128数据量小时用小batchlearning_rate5e-4~1e-3loss震荡时下调下降太慢可上调patience10~20早停轮数配合ReduceLROnPlateauwindow_size24表示用过去24小时预测下一个小时适合以天为周期的负荷数据。如果数据是按15分钟采样的同样的日周期需要96个时间步窗口取96附近。hidden_size在64是个安全起点特征维度低时32足够加入更多天气特征后可试128。num_layers2是多数课程设计项目的甜点1层欠拟合3层以上在小数据量下表现为验证损失不降反升不是模型能力不够而是过拟合。4.3 训练过程常见异常排查训练LSTM最常见的异常有四种。第一种是loss曲线完全不动此时优先检查学习率是否过小、归一化是否完成、数据里是否有NaN。第二种是loss爆炸到inf大概率是梯度爆炸先调clip_grad_norm_的max_norm到0.5或1.0。第三种是训练集loss持续下降而验证集loss升高这是过拟合信号调整dropout和早停参数。第四种是测试集整体偏移一个常数检查y归一化后预测是否反归一化时用了错误的scaler。反归一化漏了是课程设计项目里最常见的“模型分很高但图不对”的原因。5. 多特征负荷预测的评估与课程设计结果呈现不只跑出数字5.1 回归指标的计算与选择课程设计答辩时老师最常问的问题之一是“你这个模型效果怎么衡量”。只用loss曲线没有说服力需要用回归指标给出量化结论。负荷预测的通用指标是MAE、RMSE、MAPE三个一起给才有意义。def evaluate_metrics(y_true, y_pred): mae np.mean(np.abs(y_true - y_pred)) rmse np.sqrt(np.mean((y_true - y_pred) ** 2)) mape np.mean(np.abs((y_true - y_pred) / y_true)) * 100 return {MAE: mae, RMSE: rmse, MAPE: mape} # 反归一化后再算指标 model.eval() with torch.no_grad(): X_tensor torch.tensor(X_test, dtypetorch.float32) y_pred_scaled model(X_tensor).numpy() y_pred scaler_y.inverse_transform(y_pred_scaled.reshape(-1, 1)).flatten() y_true scaler_y.inverse_transform(y_test.reshape(-1, 1)).flatten() metrics evaluate_metrics(y_true, y_pred) print(metrics)三个指标各有偏向。RMSE对大幅偏差敏感负荷预测中高峰时段的预测偏差会被RMSE放大MAPE是相对百分比误差答辩时最好解释MAE是最直观的平均偏差。电力负荷预测领域论文里经常同时报告这三个值是因为单一指标无法描述模型在不同误差分布下的表现。MAPE有一个需要警惕的坑当真实负荷接近0时MAPE会异常大。电力负荷一般不会为0但如果测试集中包含深夜低负荷时段分母小而分子正常会导致单点MAPE值偏大。答辩被追问时可以说“我们额外计算了MAE和RMSE来规避MAPE在低负荷时段的不稳定性”这是非常标准的回答。5.2 预测曲线可视化与误差区间图是课程设计报告里最能直接体现工作量的一环。预测曲线和真实曲线画在同一张图上比如连续画7天或30天。import matplotlib.pyplot as plt # 取最后7天作为展示区间 days 7 hours days * 24 plt.figure(figsize(12, 5)) plt.plot(y_true[-hours:], label真实负荷, linewidth1.5) plt.plot(y_pred[-hours:], label预测负荷, linewidth1.5, alpha0.8) plt.legend() plt.xlabel(时间(h)) plt.ylabel(负荷(MW)) plt.title(LSTM多特征负荷预测结果最后7天) plt.grid(alpha0.3) plt.savefig(prediction_result.png, dpi150)盯住图上两类差异容易在答辩时形成有效分析一是每天“峰”的位置是否对齐二是在负荷剧烈爬升或下降段预测是否有明显滞后。LSTM预测常见的滞后效应表现为预测曲线比真实曲线晚1到2个小时到达峰值这是因为模型过度依赖最近的历史负荷对突变的响应天然有延迟。这个现象不是bug是RNN结构的固有特性能用这个现象解释模型行为比假装模型完美更能体现理解深度。5.3 消融对比多特征有效性论证课程设计报告里“多特征”必须用对比实验证明其价值。最简单的做法是训练两个模型一个只用load_lag特征另一个加入全部特征在相同测试集上对比指标。这个对比表是报告里最硬的结论。模型输入windowMAERMSEMAPE仅历史负荷(7维)2446.263.88.2%历史负荷气象时间(13维)2438.955.46.7%消融实验不用做特别多次两组就够了。一组是基线只用历史负荷一组是完整多特征。如果完整特征组没有明显优势就要检查特征列是否真正进入模型、是否被归一化、是否有大量缺失值。特征维度增加后指标变差的情况也真实存在说明新特征携带的是噪声这时需要在feature_cols里删减特征而不是继续叠加。6. 提升预测稳定性的滑动验证法把单次预测变成滚动预测6.1 滚动预测的实现前面的测试过程是一步预测用历史窗口预测下一个时刻然后滑动窗口继续用真实值作为输入。实际应用中要预测未来24小时初始窗口之后只有预测值可用误差会随时间累积。课程设计里把“多步预测”做好能明显拉开与同组同学的差距。常见的做法是循环预测每预测一个时刻就把预测值拼接到历史序列末尾同时丢弃窗口最前面的一个时刻保持窗口长度不变。def recursive_forecast(model, initial_window, predict_steps, feature_scaler): model.eval() current_window initial_window.copy() # shape: (window, feature_dim) results [] for _ in range(predict_steps): with torch.no_grad(): X_input torch.tensor( current_window.reshape(1, current_window.shape[0], -1), dtypetorch.float32 ) y_pred model(X_input).item() results.append(y_pred) # 构造下一时刻的输入行 next_row current_window[-1].copy() # 将历史负荷列整体平移 next_row[:-1] next_row[1:] # 按实际特征顺序调整 next_row[-1] y_pred current_window np.vstack( [current_window[1:], next_row.reshape(1, -1)] ) results feature_scaler.inverse_transform( np.array(results).reshape(-1, 1) ).flatten() return results这个实现的要点是“滚动”动作本身窗口最旧的时刻被移除预测值进入窗口末尾继续作为下一次预测的输入。注意实际项目里特征顺序不是固定的需要根据特征表调整平移的列。多步预测的误差累积程度可以作为另一个答辩分析点与单步预测的指标对比通常会让性能看起来差一些但更贴近实际。6.2 针对节假日与极端天气的应急策略负荷预测里最难的不是常规日而是节假日和极端天气。多特征模型的优势在这里体现最明显如果特征包含is_holiday、temperature_forecast模型至少有机会学习到这类日期的特殊模式。如果数据集中节假日样本过少建议单独收集最近两年的节假日数据做二次微调而不是让模型在少量样本上硬学。另一种实用技巧是给时间特征做“距离节假日天数”的连续特征。比如days_to_holiday表示当前时间距离最近节假日的天数负值表示已过去的节假日。这个特征在GEFCom2014这类比赛中被反复证明有效。实现很简单df[days_to_holiday] df[date].apply( lambda d: min(abs((d - h).days) for h in holiday_list) )这样模型不需要单独记住每个节假日的日期只需学习“距离节假日越近负荷模式越偏离常规”的规律。6.3 报告呈现建议课程设计报告里除了训练曲线、预测对比图、消融表之外建议再加一张“不同时段的误差表”比如按峰、平、谷三个时段分别计算MAPE。这会让结果呈现更完整通常谷时段MAPE偏高但绝对误差低峰时段MAPE偏低但绝对误差高。这个现象反映了负荷预测误差的典型分布也能证明你不是只跑了别人的代码而是对结果做过系统性分析。表格之外保证源码里的数据加载路径、特征顺序、归一化逻辑三处一致是让项目可复现的底线。本文还有配套的精品资源点击获取 多特征电力负荷预测实战：LSTM特征工程与调参全解析
简介这套基于 Python 深度学习的多特征电力负荷预测项目面向课程设计与期末大作业场景适合希望掌握 LSTM 建模与实际预测流程的学生项目以真实电力负荷数据为输入融合温度、湿度等多维特征利用长短时记忆网络捕捉时序规律适用于教学演示与实际场景训练。压缩包共 8 个文件包含 3 个 Python 脚本、2 个 CSV 数据文件、xlsx 原始数据表以及 README 和使用说明整体仅 831KB结构简洁清晰其中 py 文件分别负责数据清洗、模型训练与结果绘图csv 提供训练集与待预测数据md 文档则记录复现步骤。已有 479 人学习下载作为高分课设项目提供数据预处理、LSTM 负荷预测、结果可视化等完整模块下载后无需修改即可运行可直接用于答辩展示。通过阅读源码与注释可以快速理解多特征电力负荷预测的实现思路并在此基础上扩展调参或更换数据集。1. 多特征电力负荷预测项目的真实难点数据比模型更花时间拿到“基于python深度学习的多特征电力负荷预测项目源码数据课程设计.zip”这个标题先别急着解压跑模型。电力负荷预测是典型的时序回归问题但让它难的不是LSTM本身而是“多特征”三个字。只看历史负荷曲线做预测节假日和极端天气一来就崩把温度、湿度、星期类型、峰谷时段全部塞进模型又容易陷入特征噪声和维度灾难。课程设计阶段最常见的失败不是模型不收敛而是数据处理和特征对齐根本没做对。你缺的不是源码而是把源码拆开、改特征、调参数、换数据后还能跑通的能力。这篇文章不评价任何特定项目包只讲此类项目最通用、最经得起答辩追问的实现套路特征工程怎么建、LSTM怎么搭、训练参数怎么调、结果怎么对比。2. 电力负荷预测里的多特征工程先搞清滑动窗口与特征对齐2.1 单序列预测的局限与多特征的价值很多课程设计最初版本只用历史负荷去预测未来负荷输入是[t-24, t-23, ..., t-1]输出是t时刻的负荷值。这个结构在负荷规律稳定的工作日表现尚可但遇到以下情况会明显失灵周一早高峰负荷模式与周日完全不同纯负荷序列无法感知“今天是周几”夏季高温日空调负荷激增历史负荷序列中看不到“今天35度”这个信号法定节假日负荷腰斩模型只知道昨天和前几天都高不知道今天放假所以“多特征”的第一层含义是补上负荷序列之外的外生变量。第二层含义是这些外生变量必须与负荷序列在时间轴上严格对齐并且按相同的步长滑窗。2.2 输入特征矩阵的构建代码以小时级负荷数据为例我一般会把原始表设计成下面这样每行代表一个小时特征字段示例处理方式load532.6 MW目标值做滞后特征temperature28.4 ℃数值型直接入模humidity76 %数值型直接入模hour14周期编码为sin/cosweekday3周期编码为sin/cosis_holiday00/1二值峰谷时段峰one-hot或LabelEncoder代码上核心切成两步第一步制作滞后特征lag features第二步将原始表切成[样本数, 时间步长, 特征数]的三维张量。import pandas as pd import numpy as np df pd.read_csv(load_data.csv, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) # 特征列与目标列分离 feature_cols [temperature, humidity, hour_sin, hour_cos, weekday_sin, weekday_cos, is_holiday, peak_type] target_col load # 滞后特征过去24小时负荷 for lag in [1, 2, 3, 24, 168]: df[fload_lag_{lag}] df[load].shift(lag) feature_cols [load_lag_1, load_lag_2, load_lag_3, load_lag_24, load_lag_168] # 删除前168行滞后168小时产生的NaN df df.dropna().reset_index(dropTrue)这里对滞后特征做三点说明load_lag_1捕捉短期惯性load_lag_24捕捉日周期load_lag_168捕捉周周期。滞后阶数的选择依据是电力负荷存在明显的“日周期性”和“周周期性”不相关的滞后项只会增加噪声。温度、湿度是否做滞后取决于数据表是否包含预测时刻的天气预报值如果没有常见做法是用预测日的气象预报数据替代这也是为什么很多课程设计项目把温度特征直接对齐到预测时刻。2.3 滑动窗口切分与归一化顺序有了完整的特征宽表后需要把它切成LSTM输入需要的三维结构。窗口长度通常取24或48即用过去24/48小时的所有特征预测下一个小时。def create_sequences(data, feature_cols, target_col, window24): X, y [], [] for i in range(len(data) - window): X.append(data[feature_cols].iloc[i:iwindow].values) y.append(data[target_col].iloc[iwindow]) return np.array(X), np.array(y) X, y create_sequences(df, feature_cols, target_col, window24) print(X.shape) # (样本数, 24, 特征数)归一化必须先在训练集上fit再transform验证集与测试集。机器学习中一个经典的错误是拿全量数据做归一化导致验证集信息泄漏到训练过程里模型表现虚高答辩时被问几句就会露馅。from sklearn.preprocessing import MinMaxScaler # 将三维X还原为二维做归一化再还原回三维 X_2d X.reshape(-1, X.shape[-1]) scaler_X MinMaxScaler() X_2d_scaled scaler_X.fit_transform(X_2d) X_scaled X_2d_scaled.reshape(X.shape) # 目标值单独归一化 scaler_y MinMaxScaler() y_scaled scaler_y.fit_transform(y.reshape(-1, 1)).flatten()3. 基于PyTorch的LSTM多变量负荷预测模型从Dataset到前向传播3.1 模型选型为什么课程设计首选LSTM电力负荷预测的模型选项很多ARIMA、XGBoost、LSTM、GRU、Transformer。课程设计场景下LSTM是综合性价比最高的选择。ARIMA对多特征外生变量的支持较弱XGBoost需要手动构造时序特征才能模拟时间依赖Transformer在小数据集上容易过拟合调参成本高。LSTM的结构天然适合序列建模而且PyTorch封装完善手写一个LSTM模型只需要几十行代码。多特征LSTM和单特征LSTM在模型结构上的区别只在输入维度input_size。输入维度等于特征矩阵的列数每个时间步输入一个包含温度、湿度、时刻、滞后负荷等所有特征的向量。下面给出一个可运行的多层LSTM回归模型。import torch import torch.nn as nn class MultiFeatureLSTM(nn.Module): def __init__(self, input_size, 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.regressor nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Dropout(dropout), nn.Linear(32, 1) ) def forward(self, x): # x: (batch, seq_len, input_size) lstm_out, _ self.lstm(x) # 取最后一个时间步的输出 last_out lstm_out[:, -1, :] return self.regressor(last_out).squeeze(-1)模型的关键设计点batch_firstTrue让输入张量的形状更符合直觉第一维是batch。num_layers2堆叠两层LSTM以增强非线性表达能力但层数不是越多越好后面会讲为什么课程设计里3层以上收益很小。regressor是回归头将LSTM最后一个时间步的隐含状态映射成标量负荷值。取lstm_out[:, -1, :]是时序预测的标准做法它表示用整个窗口的信息汇总后做预测。3.2 Dataset封装与数据加载器光有模型还不够PyTorch要求数据经过Dataset和DataLoader封装才能进入训练循环。封装的核心价值在于打乱样本顺序、按batch迭代、支持多线程读取。from torch.utils.data import Dataset, DataLoader class LoadDataset(Dataset): def __init__(self, X, y): self.X torch.tensor(X, dtypetorch.float32) self.y torch.tensor(y, dtypetorch.float32) def __len__(self): return len(self.X) def __getitem__(self, idx): return self.X[idx], self.y[idx] # 按时间顺序切分前70%训练后30%测试不打乱时序 train_size int(len(X_scaled) * 0.7) X_train, X_test X_scaled[:train_size], X_scaled[train_size:] y_train, y_test y_scaled[:train_size], y_scaled[train_size:] train_dataset LoadDataset(X_train, y_train) test_dataset LoadDataset(X_test, y_test) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size64, shuffleFalse)shuffleTrue只作用于训练集打乱的是样本间的顺序不会破坏单个样本内的时间步顺序。测试集必须shuffleFalse否则预测结果和真实值对不上时间轴后续画图会错位。batch_size和窗口长度是两个容易混淆的概念窗口长度是单个样本包含多少历史时间步batch_size是每次迭代同时处理多少个样本。4. 深度学习训练参数解析学习率、早停与损失函数选择4.1 训练循环模板与早停机制数据准备好了模型也定义了接下来是训练循环。课程设计阶段不推荐直接抄开源训练脚本而要理解每个关键环节在做什么。下面这个训练函数包含学习率衰减和早停是训练LSTM最实用的组合。import torch.optim as optim model MultiFeatureLSTM( input_sizeX_train.shape[-1], hidden_size64, num_layers2, dropout0.2 ) optimizer optim.Adam(model.parameters(), lr1e-3) scheduler optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemin, factor0.5, patience8 ) criterion nn.MSELoss() epochs 100 best_loss float(inf) patience_counter 0 for epoch in range(epochs): model.train() train_loss 0 for X_batch, y_batch in train_loader: optimizer.zero_grad() y_pred model(X_batch) loss criterion(y_pred, y_batch) loss.backward() # 梯度裁剪防止LSTM梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() train_loss loss.item() * len(X_batch) # 验证集上评估决定是否早停 model.eval() val_loss 0 with torch.no_grad(): for X_batch, y_batch in test_loader: y_pred model(X_batch) val_loss criterion(y_pred, y_batch).item() * len(X_batch) val_loss / len(X_test) scheduler.step(val_loss) if val_loss best_loss: best_loss val_loss patience_counter 0 torch.save(model.state_dict(), best_model.pth) else: patience_counter 1 if patience_counter 15: print(fearly stop at epoch {epoch 1}) break损失函数用MSE是负荷预测任务中的默认选择因为它对大幅偏差惩罚更重。但需要知道MSE的缺点是量纲是平方不能直观表示误差百分比所以后面评估时还要计算MAE和MAPE。梯度裁剪clip_grad_norm_对LSTM很重要梯度范数超过1.0时会被压缩防止RNN类模型常见的梯度爆炸。ReduceLROnPlateau每8轮验证损失不下降就把学习率减半比固定学习率600轮更稳。4.2 关键超参数推荐范围与调整逻辑课程设计里超参数调优不用做网格搜索按经验区间给几组对照实验就够了。下表是常见参数的经验范围参数名推荐范围调整方向window_size24~72负荷波动周期越长窗口越要拉长hidden_size32~128特征多、数据量大时上调num_layers1~3超过3层收益极小且训练更慢dropout0.1~0.3过拟合时增大欠拟合时减小或关闭batch_size32~128数据量小时用小batchlearning_rate5e-4~1e-3loss震荡时下调下降太慢可上调patience10~20早停轮数配合ReduceLROnPlateauwindow_size24表示用过去24小时预测下一个小时适合以天为周期的负荷数据。如果数据是按15分钟采样的同样的日周期需要96个时间步窗口取96附近。hidden_size在64是个安全起点特征维度低时32足够加入更多天气特征后可试128。num_layers2是多数课程设计项目的甜点1层欠拟合3层以上在小数据量下表现为验证损失不降反升不是模型能力不够而是过拟合。4.3 训练过程常见异常排查训练LSTM最常见的异常有四种。第一种是loss曲线完全不动此时优先检查学习率是否过小、归一化是否完成、数据里是否有NaN。第二种是loss爆炸到inf大概率是梯度爆炸先调clip_grad_norm_的max_norm到0.5或1.0。第三种是训练集loss持续下降而验证集loss升高这是过拟合信号调整dropout和早停参数。第四种是测试集整体偏移一个常数检查y归一化后预测是否反归一化时用了错误的scaler。反归一化漏了是课程设计项目里最常见的“模型分很高但图不对”的原因。5. 多特征负荷预测的评估与课程设计结果呈现不只跑出数字5.1 回归指标的计算与选择课程设计答辩时老师最常问的问题之一是“你这个模型效果怎么衡量”。只用loss曲线没有说服力需要用回归指标给出量化结论。负荷预测的通用指标是MAE、RMSE、MAPE三个一起给才有意义。def evaluate_metrics(y_true, y_pred): mae np.mean(np.abs(y_true - y_pred)) rmse np.sqrt(np.mean((y_true - y_pred) ** 2)) mape np.mean(np.abs((y_true - y_pred) / y_true)) * 100 return {MAE: mae, RMSE: rmse, MAPE: mape} # 反归一化后再算指标 model.eval() with torch.no_grad(): X_tensor torch.tensor(X_test, dtypetorch.float32) y_pred_scaled model(X_tensor).numpy() y_pred scaler_y.inverse_transform(y_pred_scaled.reshape(-1, 1)).flatten() y_true scaler_y.inverse_transform(y_test.reshape(-1, 1)).flatten() metrics evaluate_metrics(y_true, y_pred) print(metrics)三个指标各有偏向。RMSE对大幅偏差敏感负荷预测中高峰时段的预测偏差会被RMSE放大MAPE是相对百分比误差答辩时最好解释MAE是最直观的平均偏差。电力负荷预测领域论文里经常同时报告这三个值是因为单一指标无法描述模型在不同误差分布下的表现。MAPE有一个需要警惕的坑当真实负荷接近0时MAPE会异常大。电力负荷一般不会为0但如果测试集中包含深夜低负荷时段分母小而分子正常会导致单点MAPE值偏大。答辩被追问时可以说“我们额外计算了MAE和RMSE来规避MAPE在低负荷时段的不稳定性”这是非常标准的回答。5.2 预测曲线可视化与误差区间图是课程设计报告里最能直接体现工作量的一环。预测曲线和真实曲线画在同一张图上比如连续画7天或30天。import matplotlib.pyplot as plt # 取最后7天作为展示区间 days 7 hours days * 24 plt.figure(figsize(12, 5)) plt.plot(y_true[-hours:], label真实负荷, linewidth1.5) plt.plot(y_pred[-hours:], label预测负荷, linewidth1.5, alpha0.8) plt.legend() plt.xlabel(时间(h)) plt.ylabel(负荷(MW)) plt.title(LSTM多特征负荷预测结果最后7天) plt.grid(alpha0.3) plt.savefig(prediction_result.png, dpi150)盯住图上两类差异容易在答辩时形成有效分析一是每天“峰”的位置是否对齐二是在负荷剧烈爬升或下降段预测是否有明显滞后。LSTM预测常见的滞后效应表现为预测曲线比真实曲线晚1到2个小时到达峰值这是因为模型过度依赖最近的历史负荷对突变的响应天然有延迟。这个现象不是bug是RNN结构的固有特性能用这个现象解释模型行为比假装模型完美更能体现理解深度。5.3 消融对比多特征有效性论证课程设计报告里“多特征”必须用对比实验证明其价值。最简单的做法是训练两个模型一个只用load_lag特征另一个加入全部特征在相同测试集上对比指标。这个对比表是报告里最硬的结论。模型输入windowMAERMSEMAPE仅历史负荷(7维)2446.263.88.2%历史负荷气象时间(13维)2438.955.46.7%消融实验不用做特别多次两组就够了。一组是基线只用历史负荷一组是完整多特征。如果完整特征组没有明显优势就要检查特征列是否真正进入模型、是否被归一化、是否有大量缺失值。特征维度增加后指标变差的情况也真实存在说明新特征携带的是噪声这时需要在feature_cols里删减特征而不是继续叠加。6. 提升预测稳定性的滑动验证法把单次预测变成滚动预测6.1 滚动预测的实现前面的测试过程是一步预测用历史窗口预测下一个时刻然后滑动窗口继续用真实值作为输入。实际应用中要预测未来24小时初始窗口之后只有预测值可用误差会随时间累积。课程设计里把“多步预测”做好能明显拉开与同组同学的差距。常见的做法是循环预测每预测一个时刻就把预测值拼接到历史序列末尾同时丢弃窗口最前面的一个时刻保持窗口长度不变。def recursive_forecast(model, initial_window, predict_steps, feature_scaler): model.eval() current_window initial_window.copy() # shape: (window, feature_dim) results [] for _ in range(predict_steps): with torch.no_grad(): X_input torch.tensor( current_window.reshape(1, current_window.shape[0], -1), dtypetorch.float32 ) y_pred model(X_input).item() results.append(y_pred) # 构造下一时刻的输入行 next_row current_window[-1].copy() # 将历史负荷列整体平移 next_row[:-1] next_row[1:] # 按实际特征顺序调整 next_row[-1] y_pred current_window np.vstack( [current_window[1:], next_row.reshape(1, -1)] ) results feature_scaler.inverse_transform( np.array(results).reshape(-1, 1) ).flatten() return results这个实现的要点是“滚动”动作本身窗口最旧的时刻被移除预测值进入窗口末尾继续作为下一次预测的输入。注意实际项目里特征顺序不是固定的需要根据特征表调整平移的列。多步预测的误差累积程度可以作为另一个答辩分析点与单步预测的指标对比通常会让性能看起来差一些但更贴近实际。6.2 针对节假日与极端天气的应急策略负荷预测里最难的不是常规日而是节假日和极端天气。多特征模型的优势在这里体现最明显如果特征包含is_holiday、temperature_forecast模型至少有机会学习到这类日期的特殊模式。如果数据集中节假日样本过少建议单独收集最近两年的节假日数据做二次微调而不是让模型在少量样本上硬学。另一种实用技巧是给时间特征做“距离节假日天数”的连续特征。比如days_to_holiday表示当前时间距离最近节假日的天数负值表示已过去的节假日。这个特征在GEFCom2014这类比赛中被反复证明有效。实现很简单df[days_to_holiday] df[date].apply( lambda d: min(abs((d - h).days) for h in holiday_list) )这样模型不需要单独记住每个节假日的日期只需学习“距离节假日越近负荷模式越偏离常规”的规律。6.3 报告呈现建议课程设计报告里除了训练曲线、预测对比图、消融表之外建议再加一张“不同时段的误差表”比如按峰、平、谷三个时段分别计算MAPE。这会让结果呈现更完整通常谷时段MAPE偏高但绝对误差低峰时段MAPE偏低但绝对误差高。这个现象反映了负荷预测误差的典型分布也能证明你不是只跑了别人的代码而是对结果做过系统性分析。表格之外保证源码里的数据加载路径、特征顺序、归一化逻辑三处一致是让项目可复现的底线。本文还有配套的精品资源点击获取