简介：时间序列预测是机器学习与深度学习的重要应用方向，而电力负荷预测作为典型的回归任务，在电网调度、能源管理和电力市场交易中扮演着关键角色。由于负荷数据具有强周期性和随机性，传统统计方法如ARIMA难以捕捉非线性关系，而深度学习模型通过端到端学习能够自动提取时序特征。LSTM凭借门控机制有效建模长短期依赖，CNN可增强局部趋势感知，两者结合在短期负荷预测中表现优异。实现过程中，数据清洗、特征工程、滑动窗口构造和反归一化评估是决定模型泛化能力的关键环节，同时需警惕数据泄露与预测滞后等问题。本文以Python与Keras为工具，完整拆解了从数据准备、模型构建到实验对比的工程流程，并分享了调参与答辩避坑经验，适合正在做相关毕设或希望快速入门时间序列预测的开发者参考。 从拿到这个题目开始，我就大概知道这是一个什么量级的活儿了。电力负荷预测做深度学习毕设，这几年几乎成了“标准答案”，但还是很多同学在开题之后一头雾水，甚至代码跑通了都不知道自己到底做对了什么。这篇博文我想直接以“一个把完整项目跑通、调优、扛过答辩的过来人”的身份，把整个基于深度学习的电力负荷预测项目拆开揉碎，从问题定义到模型选型，从数据预处理到训练调参，再到答辩常见的深坑，一次性讲清楚，让你拿到这套 Python 源码之后不光是能运行，还能真真正正解释清楚每一步为什么这么做。
这篇文章适合正在做电力负荷预测方向毕设、课程设计，或者想快速入门时间序列预测的Python开发者。无论你是打算用现成源码直接改，还是准备从零手写一个完整实验，这篇内容都会比你自己瞎摸索省下大量时间和试错成本。
1. 项目整体设计与思路拆解
1.1 电力负荷预测到底是个什么问题
电力负荷预测这个任务，简单点说，就是根据历史电力负荷数据，结合影响负荷变化的各种因素，预测未来一段时间内的用电量。这里的“一段时间”可以很短，比如未来几分钟到几小时，这叫短期负荷预测；也可以是未来几天到几周，这叫中期预测；再长一点就是年度规划层面的长期预测了。毕业论文里做的绝大多数是短期负荷预测，因为它的应用场景最直接——电网调度安排发电计划、电力市场交易报价、需求侧响应，全都要靠短期负荷预测来支撑。
从机器学习的角度看，这显然是一个典型的时间序列回归问题。也就是说，模型输入是一段连续的历史观测值，输出是未来的一个或多个数值。但你如果把它简单地等同于“输入过去 24 小时负荷，输出未来 1 小时负荷”，那大概率做不出好效果，因为电力负荷数据的波动具有强周期性与强随机性叠加的特点。同一个小时的负荷，工作日和周末差很多，晴天和阴天差很多，而且还会受到极端天气事件、重大社会活动等突发因素冲击。这意味着模型需要捕捉的特征维度很多，绝不是单序列硬套一个模型那么简单。
所以做这个项目的时候，首先要从思维上把"纯时间序列"转成"多变量特征回归"。除了历史负荷值，温度、湿度、日类型、是否节假日、星期几、当前时刻，这些都要作为模型输入的一部分。这也是深度学习模型相比传统 ARIMA、指数平滑法的一个核心优势——不需要人工去构造复杂的滞后特征和差分项，模型自己可以从原始数据里学出有用的模式。
1.2 为什么深度学习在这一类预测任务上能打
传统的时间序列方法比如 ARIMA，本质上是线性模型，它对序列的平稳性有很苛刻的要求。电力负荷数据虽然可以用差分等手段处理掉一部分趋势，但负荷和气象因素、社会活动之间的关系是非线性的、时变的，线性模型很难刻画这种复杂映射。机器学习方法比如随机森林、XGBoost 虽然能处理非线性，但需要大量特征工程，而且本质上不考虑时序依赖关系，需要人为构建滑动窗口特征。
深度学习模型的优势，一句话总结就是：端到端自动提取时空特征。LSTM 通过门控机制学习长短期依赖，能记得早期负荷模式对未来预测的影响；CNN 可以提取局部趋势特征；Transformer 这类基于注意力机制的模型则能捕捉序列中任意位置之间的依赖关系。做毕设项目的时候，你不需要费尽心思去设计几十个统计特征，只需要把原始数据和外部特征整理好，模型自己学习。这对于本科生或者研究生来说，是个非常实际的红利，因为特征工程的经验积累需要大量业务知识，而深度学习把门槛降低了很多。
但这里有个规律必须提前说清楚：深度学习模型在数据量大、特征维度丰富的时候优势才能完全发挥出来。如果你手里的数据集就几百条记录，老老实实用 GBDT 或者 SVR 可能效果更好。做毕设的时候不需要避讳这一点，答辩的时候主动说出"深度学习模型的适用边界"，反而是加分的。
1.3 技术选型：为什么我用 Python + Keras 当主力
深度学习框架这边，主流无非就 TensorFlow、PyTorch 和 Keras 这几个选择。这个项目我最终的代码主力是TensorFlow 的 Keras 高层API，并不代表 PyTorch 不行，而是从毕设工程实现的角度，Keras 确实有几个非常实在的优势。
第一，Keras 对新手极度友好。写一个 LSTM 模型就是堆几层 Sequential 的事，不用手动写前向传播和反向传播逻辑，甚至自定义训练循环都不是必需的，用model.fit()就够了。这意味着源码交付给其他同学跑的时候，不需要费劲解释 autograd 和计算图这些底层的概念。
第二，Keras 的时间序列处理生态很完善。tf.keras.preprocessing.timeseries_dataset_from_array可以直接帮你把原始序列切成"输入窗口-输出目标"的样本对，免去手写 for 循环切数据的麻烦，也大幅减少了索引越界这类低级 bug 的出现概率。
第三，TensorFlow 的部署和可视化工具链成熟。训练完之后想用 TensorBoard 看看 loss 曲线，想导出模型做后续接口调用，都顺滑很多。
当然，如果你的毕设方向偏研究、需要魔改模型结构，PyTorch 动态图的灵活性会更好。但就"高分毕设"这个目标而言，Keras 的工程效率真的能把精力集中在核心实验上，而不是被各种框架细节拖死。
2. 数据准备与预处理：决定成败的那 80%
2.1 数据集从哪里来
电力负荷预测是一个很少有"官方标准数据集"的任务，不像图像识别有 ImageNet，NLP 有 GLUE。实验数据一般有三个来源：电力公司公开的负荷数据、竞赛数据集（比如 GEFCom2014）、某些研究机构公开的带气象信息的负荷数据。
做毕设的时候我强烈建议用自带气象信息的数据集，因为负荷预测的质量上限很大程度取决于气象特征是否完整。GEFCom2014 的数据里就包含温度，甚至还可以进一步构造湿球温度这类衍生变量。如果你只拿到纯负荷序列，温度特征就得靠爬虫去扒历史天气数据，无形中工作量会多出不少。
另外要提醒一句，选数据集的时候注意一下时间分辨率和覆盖范围。时间分辨率建议是小时级，也就是一天 24 个负荷点，这样既能做日周期分析，又不会因为数据量太大导致训练时间失控。覆盖范围至少要有一年，否则"季节效应"根本学不出来，模型很容易过拟合到一个非常窄的数据范围内。
2.2 数据清洗和异常值处理要怎么做
电力负荷数据最大的特点就是脏。采集终端异常、通信丢包、人为误操作，都会造成数据出现缺失或者异常跳变。清洗这一步看起来简单，但是做不好后面模型大概率学飞。
缺失值处理我这边的方法很直接：如果缺失的时间段不长（连续两三个点以内），用前后线性插值就够了；如果缺失的时间比较长，比如连续丢了好几个小时，那就直接用前后同一时段的平均值填补，比如缺失的是星期三上午 10 点的数据，就取之前几个星期二、星期四上午 10 点的均值。因为负荷的日周期性很强，同一时段跨天均值大概率比线性插值更合理。
异常值的识别我用的是“横向对比 + 纵向对比”双通道。横向对比是拿当前点跟前一天同一时刻、后一天同一时刻比较，偏离超过阈值就标记；纵向对比是拿当前点跟前后几个点的变化率比较，如果变化率突跳到远超日常水平（比如三五倍以上），那大概率是异常点。识别出来之后，同样用邻近正常值替换，而不是直接删掉——因为时间序列是连续等间隔采样的，删掉一个点会导致后续对齐出问题。
# 横向对比查异常值 def detect_abnormal_by_horizontal(data, window=48, threshold=3.0): # data: 按小时排列的负荷序列 for i in range(window, len(data) - window): neighbors = data[i - window::window] neighbors = neighbors[~np.isnan(neighbors)] if len(neighbors) < 3: continue mean = np.mean(neighbors) std = np.std(neighbors) if abs(data[i] - mean) > threshold * std: data[i] = mean2.3 特征工程：不是只有历史负荷
深度学习虽然自称"端到端"，但不代表完全不喂先验知识。我实践下来的经验是，特征设计得好的模型，比单纯堆模型复杂度有效得多。这个项目里我最终敲定的特征组大概分为三类。
第一类是负荷历史特征，包括过去 24 小时每个小时的负荷值、过去 7 天同时刻的负荷值。这部分是模型的核心输入，捕捉短期连续变化和日周期性。
第二类是时间戳特征。小时、星期几、是否周末，这三个是基础必备。节假日的处理要稍微复杂一些，因为中国的小长假规律性不像周末那么强，我一般是把"节前、节中、节后"编码成三个离散值，这样模型能学到节假日前后负荷模式的渐变过程。
第三类是气象特征，主要是温度和湿度。温度对负荷的影响是典型的 U 型曲线——极冷和极热天气都会推高负荷（取暖和制冷），所以除了温度原值，还可以拆出"制冷度日数"和"采暖度日数"这种衍生量，比直接喂温度数字更好使。
2.4 归一化和数据集切分必须较真
归一化在这类项目里是必须做的，不需要犹豫。负荷值动辄几百上千，温度只有二三十，让模型直接在这种不同量纲的数据上训练，梯度更新会非常不稳定。我常用的是MinMaxScaler把数据压到 [0, 1] 区间，注意拟合 scaler 的时候只能用训练集的统计量。
数据切分方面，训练集、验证集、测试集的比例我习惯按 7:1.5:1.5 切，但必须注意：时间序列数据千万不能随机打乱切分。一定要按时间顺序切，比如前 70% 时间范围内的数据做训练，验证集紧接其后，测试集用最后 10% 到 15% 的数据。原因很简单，训练集分布和测试集分布如果因此产生偏差，这个模型的评估结果就是虚高的，答辩时如果被老师发现训练集里混有测试时段的数据，解释成本会非常高。
3. 模型构建与核心代码实现
3.1 为什么优先选 LSTM 而不是普通 RNN 或 CNN
模型选型这个部分，是答辩时最容易被深挖的地方。你选了 LSTM，得能说清楚为什么不选普通 RNN，为什么不单用 CNN。我的理解可以这样展开。
普通 RNN 在反向传播过程中，梯度要沿着时间维度连乘，时间一长，梯度要么爆炸要么消失，这直接导致它学不了长距离依赖。而电力负荷预测恰恰需要"记住"很多天之前的负荷模式，普通 RNN 基本上没法胜任。LSTM 引入的门控机制（遗忘门、输入门、输出门）设计了一套可学习的记忆读写规则，让信息能选择性通过，从而规避了梯度消失的主要问题。虽然它的计算量比普通 RNN 大，但对于小时级的数据量来说，这点开销换来模型能力的提升是绝对划算的。
CNN 的强项在于局部特征提取，它比 LSTM 训练速度更快、梯度更稳定，而且在捕捉局部趋势上非常敏锐。但它本质上不具备时序建模能力，感受野尺寸决定它能看到的上下文长度，要捕捉跨天级别的依赖，需要堆叠很多层或者用大卷积核，反而得不偿失。所以最终我用的方案是CNN 做浅层特征提取 + LSTM 做时序建模的混合结构，这样兼顾了训练效率和时序记忆能力。
3.2 模型结构总体设计与参数计算
这个项目最终的模型结构是四段式设计，下面我按顺序讲清楚每一层的形状变化和设计意图。
第一段是输入层。输入张量的形状是(batch_size, seq_len, n_features)，seq_len就是滑动窗口长度，这里我定为 24，也就是用过去 24 小时的数据预测未来 1 个小时。n_features是特征维度，包括负荷、温度、湿度、小时、星期几等，最终拼成 18 维左右，大家按实际特征计算。
第二段是一维卷积层。Conv1D(filters=64, kernel_size=3, padding='same', activation='relu')，这一层的作用是对输入的每个特征维做局部感知，提取短期的负荷变化模式，相当于做了一次"特征预处理"，让后面 LSTM 接收到的输入信号更干净。卷积不会改变序列长度（padding='same'），输出维度是(batch_size, 24, 64)。
第三段是 LSTM 层。用的是LSTM(units=64, return_sequences=False)，注意这里return_sequences必须是 False，因为我们只取最后一个时间步的输出作为整个序列的语义表示。如果不小心设置成 True，后面接 Dense 层时会因为三维输出报错，这是一个非常新手友好（或者说坑）的点。LSTM 输出的形状是(batch_size, 64)。
第四段接两个全连接层，Dense(32, activation='relu')和Dense(1)。最后一个 Dense 不加激活函数，因为这是一个回归任务，输出就是预测的负荷值。总参数量算下来大概十几万到二十万之间，在毕设场景下这个规模是合理的，既能保证模型容量，又不用担心训练慢或者过拟合到无法收拾。
3.3 核心代码实现与逐段解释
下面我给出一段核心的模型构建与训练代码，这些代码是项目源码中最关键的部分，可以直接作为自己项目的基础。
import numpy as np import pandas as pd from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Conv1D, Dropout from tensorflow.keras.optimizers import Adam from sklearn.preprocessing import MinMaxScaler # 假设 X_train, y_train 已经通过滑动窗口构造好 # X_train 形状: (样本数, 24, 18) # y_train 形状: (样本数, 1) model = Sequential([ Conv1D(filters=64, kernel_size=3, padding='same', activation='relu', input_shape=(24, X_train.shape[2])), LSTM(units=64, return_sequences=False), Dropout(0.2), Dense(32, activation='relu'), Dense(1) ]) model.compile( optimizer=Adam(learning_rate=0.001), loss='mse', metrics=['mae'] ) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=100, batch_size=64, callbacks=[ tf.keras.callbacks.EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ), tf.keras.callbacks.ReduceLROnPlateau( monitor='val_loss', factor=0.5, patience=5, min_lr=1e-6 ) ], verbose=1 )逐段解释一下设计意图。Conv1D层的padding='same'保证卷积操作后序列长度仍然是 24，不会让信息在时间维度上收缩。Dropout(0.2)加在 LSTM 层之后，随机丢掉 20% 的神经元输出，这是缓解过拟合非常直接的手段。EarlyStopping监控验证集 loss，如果连续 10 轮没有下降就停止训练，并自动恢复到验证集 loss 最低那轮的权重。ReduceLROnPlateau则是当 loss 陷入平台期时把学习率减半，帮助模型继续收敛。
这里要特别说明一下input_shape的确定方式。它必须和滑动窗口构造的样本形状完全对应，我见过太多人这里写错。假设原始特征 DataFrame 有 18 列，滑动窗口是 24，那么每个样本的维度就是(24, 18)，input_shape对应填(24, 18)没错，但 Keras 里input_shape是不包含 batch 维度的，所以不要写(None, 24, 18)，那是你心里想的完整形状，不是input_shape。这个细节写错了模型虽然也能编译，但运行的时候大概率会形状报错。
数据构造滑动窗口的部分，用tf.keras.preprocessing.timeseries_dataset_from_array能写得很优雅，但如果想控制性更强一点（比如自己决定哪些列是特征哪些列是目标），手写一个循环也很简单。
def create_sequences(data, seq_len=24, pred_len=1): X, y = [], [] for i in range(len(data) - seq_len - pred_len + 1): X.append(data[i:i + seq_len, :-1]) y.append(data[i + seq_len:i + seq_len + pred_len, -1]) return np.array(X), np.array(y)注意数据列排布，最后一列应该是目标负荷值，前面所有列是特征，别把顺序搞反了。
3.4 训练策略与超参数调整心得
训练过程方面有几个比较重要的经验，先记录在这里。
第一个是 batch size 的优先选择。毕设这种规模的数据集（通常几万条样本），batch size 设在 32 到 128 之间问题都不大。我习惯先用 64 跑一版，看 loss 曲线有没有明显震荡。如果震荡幅度大，通常是 batch size 太小或者学习率太大；如果曲线平滑但收敛特别慢，就要适当加大学习率。
第二个是学习率的调整思路。Adam(learning_rate=0.001)是一个非常中庸、稳定的默认首选项，大多数情况不会出大问题。但如果发现训练初期 loss 就已经在 0.01 级别下不来，可以用比默认值更大一些的 0.01 重新跑；训练后期用ReduceLROnPlateau自动降学习率，比自己手动调省心很多。
第三个是一定要在训练的时候同时观测训练集和验证集的 loss。如果训练 loss 持续降低但验证 loss 不降反升，这是过拟合信号，加 Dropout 或者减小模型容量；如果两者都在高位下不去，特征质量大概率有问题，回去检查预处理和特征构造。
有过拟合问题的时候，优先考虑两个方案：调大Dropout比例到 0.3 或者 0.4，再配合EarlyStopping的 patience 值减小到 5，基本能压住。
3.5 评价指标：MAE、RMSE、MAPE 怎么选
模型评估这个环节，答辩时是一定会问的。选评价指标不只是为了算个分数，更核心的是要说明你的指标选择跟实际业务损失是否吻合。
我同时用了三个指标，各有各的用途。MAE 是平均绝对误差，对异常值不敏感，能反映预测误差的典型水平；RMSE 是均方根误差，对大的误差点惩罚更重，适合关注"极端偏差"的场景，比如电力调度中某个时段预测偏差过大的风险；MAPE 是百分比误差，方便不同量级的数据之间做横向对比，但它有一个小坑——如果真实值接近 0，MAPE 会爆炸，好在电力负荷数据很少接近 0，这个坑在这个项目里问题不大。
评价的时候还需要注意一个更底层的问题：评估对象是原始量纲还是归一化后的量纲。预测值和真实值都是在 [0, 1] 区间里的话，算出来的指标也需要反映到原始负荷单位上才能让人看懂。所以评估阶段要把预测结果反归一化回真实负荷量纲，然后再计算 MAE、RMSE 这些指标。
y_pred = model.predict(X_test) # 反归一化时，注意 scaler 必须是用 train 拟合的那个 y_pred_inv = scaler_y.inverse_transform(y_pred) y_test_inv = scaler_y.inverse_transform(y_test) rmse = np.sqrt(mean_squared_error(y_test_inv, y_pred_inv)) mae = mean_absolute_error(y_test_inv, y_pred_inv) mape = np.mean(np.abs((y_test_inv - y_pred_inv) / y_test_inv)) * 100写完这段之后务必自查一下反归一化是否正确，这是评估环节最容易阴沟翻船的地方。
4. 实验对比与结果分析
4.1 多模型横向对比
做毕设最怕的就是整篇论文只有一个模型、一个结果。就算 LSTM 效果再好，没有对比实验，说服力也会大打折扣。这个项目里我拉了四组模型做对比：ARIMA（传统经典）、SVR（传统机器学习）、单层 LSTM（基础深度学习）、CNN+LSTM（本文最终方案）。
从实验上看，ARIMA 在数据波动平缓时表现还行，但一旦遇到温度骤变产生的负荷突增，预测值明显跟不上去。SVR 的表现比 ARIMA 好一些，因为核函数能捕捉部分非线性，但特征工程工作量大了不少。单层 LSTM 已经能学到不错的时序模式，但在峰值时段误差偏大。CNN+LSTM 的优势主要体现在峰值预测上，RMSE 比单层 LSTM 降低了百分之十几，这部分的改进在论文里可以写成一个明显的创新点。
4.2 可视化结果怎么画
结果可视化是答辩展示的重要抓手。我一般画三张图：第一张是测试集全时段真实值与预测值对比曲线，能够直观展示整体预测质量；第二张是抽出一段连续 48 小时的数据放大看，把工作日和周末的预测差异展示出来；第三张是误差分布直方图，展示误差集中在什么范围。
画图的时候有几个细节值得注意。曲线图的横轴建议标出具体日期而不是样本序号，观众更容易建立时间感知；预测曲线用虚线，真实值用实线，线宽和颜色区分度要足够高；误差直方图的 bin 数量别太少否则看不出分布形状，通常 50 个左右就够了。不要用那种一眼假的"预测完全贴合真实值"的图，答辩老师见过的完美拟合图太多了，反而会质疑你是不是只挑了表现最好的那几段展示。相反，保留一点局部偏差的真实结果，再解释偏差出现的可能原因（比如某一天有突发高温），这种坦率的分析比完美曲线更能得高分。
5. 常见问题与排查技巧实录
5.1 训练 Loss 不下降，怎么办
这是整个项目里出现频率最高的问题，没有之一。模型搭建好，数据也喂进去了，跑了几十个 epoch，loss 像一条水平线一样纹丝不动。排查的思路按下面的顺序来。
第一，检查数据预处理有没有出问题。把经过滑动窗口构造之后的 X_train、y_train 打出来看看，是不是有很多全 0 或者数据范围怪异的行。常见情况是归一化的时候用错了 scaler，或者在构造序列的时候混入了字符串列。第二，检查 loss 数值的大小。如果 loss 是 nan，那是数值稳定性问题，基本可以锁定在特征里有缺失值没处理干净，或者学习率太大导致梯度爆炸。第三，把网络简化到极致，比如只留一个带 4 个单元的 LSTM 层，如果这样能正常收敛，那说明问题在模型规模或超参，逐步加复杂度回退排查。
5.2 数据泄露：最隐蔽的"高分杀手"
数据泄露在毕设项目中很少被主动提起，但判断一个实现是否专业的标志往往就在这里。数据泄露的本质是——模型在训练阶段偷看到了测试阶段的信息。最典型的场景有两个。
第一个是归一化泄露：如果对整个数据集（包括测试集）的统计量做全部数据归一化，那测试集的信息其实已经被偷看到了。正确做法是先切分数据集，再用训练集拟合 scaler，然后把同一组参数应用到验证集和测试集上。第二个是特征构造泄露：如果滑动窗口的构造横跨了训练集和测试集的边界，也就是说训练集某个样本的特征窗口里包含了测试时段的数据，这就是很严重的时间序列数据泄露。
# 正确做法 scaler = MinMaxScaler() X_train_scaled = scaler.fit_transform(X_train) # 只用训练集 X_val_scaled = scaler.transform(X_val) X_test_scaled = scaler.transform(X_test)答辩的时候如果能主动提出这句话——"我在切分数据集和构造特征时严格避免了数据泄露，保证模型测试结果反映的是真实泛化性能"，绝对能拉高不少印象分。
5.3 预测值滞后于真实值，怎么解释
很多人跑完预测，画出对比曲线，发现预测曲线比真实曲线晚了一个周期，整体向右平移了一段，看起来就像"上一个时刻的值被当成了当前时刻的预测"。这个问题在时间序列预测里非常经典，本质上是因为模型在看不到足够强的前导特征时，退化了成了一个"当前值约等于上一时刻值"的简单策略。
先说解决办法：一是增加输入特征的多样性，确保输入里包含外部变量（温度、日期等），让模型有更多信息判断趋势拐点；二是把预测目标从"预测负荷值"改成"预测负荷变化量"，让模型学习差分模式；三是增加滑动窗口的长度，给模型更多的历史上下文。如果这三种方法尝试完滞后现象依然存在，可以考虑在损失函数中加入惩罚项，让模型对偏差更敏感。
但说句实话，轻微滞后在时间序列预测里是难以完全消除的现象，答辩时如果老师指出来，你可以坦率地承认这是模型在面对趋势突变时的天然局限，再补充说你尝试了哪些缓解方式并展示改进效果，这样就变成了加分项。
5.4 源码交付前最后要做的几件事
一个"高分毕设"的源码，不只是能跑就行，还要让别人看得懂、能复现。我在交付前一般会做这几件事。
第一，整理文件结构。数据预处理、特征构造、模型训练、评估可视化这几个环节分别拆成独立模块，顶层运行脚本串联全流程，不要一个几千行的main.py从头写到尾。第二，写清 README。数据集放哪里、Python 版本是多少、依赖库怎么安装、训练一次大概要多久、预期指标结果是多少，这些关键信息一定要写。第三，固定随机种子。深度学习训练结果本身有随机性，如果不固定随机种子，别人复现出来的结果可能和论文报告的对不上，这是复现性的大忌。
import random import numpy as np import tensorflow as tf seed = 42 random.seed(seed) np.random.seed(seed) tf.random.set_seed(seed)第四，检查你训练结果的保存路径，model.save()的模型文件、历史 history 的结果、绘图用的数据，都要有明确的命名和存放位置，避免答辩前到处找文件。
6. 复盘与一点建议
这个项目做完之后，回头梳理一遍，我个人最大的体会是：电力负荷预测这个课题，真正拉开差距的不是模型结构有多花哨，而是数据处理的扎实程度和对评估细节的把控程度。很多人上来就抱着 LSTM、Transformer 猛调参，最后效果反而打不过一个数据预处理做得干净、特征构造合理的简单模型。
还有一个建议给正在做毕设的同学：不要只盯着代码能不能跑通，一定要花时间把每一个模块的输入输出形状、每一张图的含义都彻底搞清楚。答辩的时候，老师不会拿你代码跑一遍，但一定会问你某个曲线为什么是这个形状、某个参数为什么选这个值、某个指标为什么这么算。你能不能在细节问题上对答如流，才是最终决定分数的关键。
最后分享一个小技巧。模型训练完之后，除了看 loss 曲线和测试集指标，建议再单独分析一下"最差时段"的预测表现——比如筛选出误差最大的 10 个时间点，看看它们是集中在某个时间段还是某个天气条件下。这个分析在论文里是非常有价值的讨论部分，因为业务决策者最关心的往往不是平均表现，而是在极端情况下的表现。我在项目里发现误差最大时段几乎全部集中在早晚高峰时段，也就是负荷变化最剧烈的区间，这个结论直接引导了后续对峰值时段预测的针对性优化，比盲目调参有效得多。希望这些经验能让你少走几步弯路，把更多时间花在真正出成果的地方。
本文还有配套的精品资源，点击获取
