简介：这份资源是面向高校学生与深度学习入门者的电力负荷预测课程设计完整项目包，基于Python实现多特征输入下的负荷预测建模，可直接用于课程设计、期末大作业或相关课题的快速复现。压缩包共8个文件，约831KB，包含3个Python源码文件、2个CSV数据文件，以及xlsx原始数据、md说明文档和txt使用说明，覆盖数据处理、模型训练与预测、结果可视化等完整流程，源码与数据配套齐全，下载后无需修改即可运行。项目围绕多特征电力负荷预测展开，涉及数据预处理、特征组织、LSTM等深度学习模型的搭建与预测评估，适合作为掌握时序预测与深度学习实践的参考案例。目前已有480人学习下载，可作为课程设计高分方案或入门练手项目，帮助读者快速理解从原始数据到预测输出的整体实现思路。
1. 从一份课程设计压缩包说起：多特征电力负荷预测到底在做什么
电力负荷预测这个方向，每年课程设计季都会被翻出来做一遍，但真正能跑出可用结果的并不多。多数人卡在同一个地方：拿到一份「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」，解压之后发现数据列一堆、模型文件一堆，却说不清哪些特征真正进了网络、为什么这么设计、换一个地区的数据还能不能跑。这篇笔记就顺着这个压缩包背后的技术路线，把多特征负荷预测从数据到模型到评估完整走一遍，让新手能照着复现，熟手能看到参数边界和踩坑点。
所谓「多特征」，指的是除了历史负荷本身，还引入温度、湿度、日期类型、节假日、前一小时负荷等外部变量一起喂给模型。单变量预测只看历史负荷序列，遇到气温骤降或节假日切换时误差会明显放大；多特征的价值就在于把这些外部扰动显式建模进去。适合谁看：正在做电力/能源方向课程设计的学生、刚接触时序预测的算法工程师、需要快速搭一个负荷预测基线再迭代的从业者。下面所有代码按 PyTorch 写，环境用 Python 3.9 以上即可，不依赖冷门库。
2. 数据与特征工程：多特征负荷预测的地基怎么打
2.1 负荷数据的三个典型来源与字段结构
课程设计里常见的数据格式是「时间戳 + 负荷值 + 气象列」的宽表，采样粒度多为 15 分钟或 1 小时。以小时粒度为例，一份可用的原始表通常长这样：timestamp, load, temperature, humidity, dayofweek, is_holiday。拿到数据第一件事不是建模，而是确认三件事：时间戳是否连续、负荷单位是 MW 还是 kW、缺失值是空字符串还是 NaN。这三件事任何一件没确认，后面归一化和滑窗都会出问题。
我一般会先跑一段探查脚本，把时间跨度、缺失比例、负荷分布一次性看清楚：
import pandas as pd import numpy as np df = pd.read_csv("load_data.csv", parse_dates=["timestamp"]) df = df.sort_values("timestamp").reset_index(drop=True) # 1. 时间连续性检查：相邻时间差是否都为1小时 gap = df["timestamp"].diff().value_counts() print("时间间隔分布:\n", gap) # 2. 缺失比例 print("缺失比例:\n", df.isna().mean()) # 3. 负荷分布，判断是否存在异常尖峰 print(df["load"].describe())这段脚本的逻辑是先排序再检查，因为原始数据经常是乱序导出的。diff().value_counts()能直接暴露时间断档，如果出现非 1 小时的间隔，说明有整段缺失，需要补时间索引而不是简单 drop。describe()里的 max 如果远大于 75 分位数，多半是抄表异常或单位混用，得先处理再进模型。
2.2 多特征构造：时间编码、滑窗与外部变量对齐
多特征的核心工作量在特征构造。时间特征不能直接把dayofweek当数值喂进去，因为周日（6）和周一（0）在数值上离得远，实际却是相邻的周期。常见做法是 sin/cos 周期编码：
def add_time_features(df): df["hour"] = df["timestamp"].dt.hour df["dow"] = df["timestamp"].dt.dayofweek # 小时周期编码，周期24 df["hour_sin"] = np.sin(2 * np.pi * df["hour"] / 24) df["hour_cos"] = np.cos(2 * np.pi * df["hour"] / 24) # 星期周期编码，周期7 df["dow_sin"] = np.sin(2 * np.pi * df["dow"] / 7) df["dow_cos"] = np.cos(2 * np.pi * df["dow"] / 7) return df df = add_time_features(df)周期编码的好处是让模型理解「23 点和 0 点接近」这件事，普通 one-hot 做不到这种平滑。参数上，周期长度必须和数据粒度匹配：小时粒度用 24，15 分钟粒度要用 96，写错周期整个编码就失去意义。
滑窗是把时序转成监督学习样本的关键。假设用过去 24 小时预测未来 1 小时，窗口就是 24 进 1 出：
def make_windows(features, target, window=24, horizon=1): X, y = [], [] for i in range(len(features) - window - horizon + 1): X.append(features[i:i+window]) y.append(target[i+window+horizon-1]) return np.array(X), np.array(y) feat_cols = ["load", "temperature", "humidity", "hour_sin", "hour_cos", "dow_sin", "dow_cos", "is_holiday"] X, y = make_windows(df[feat_cols].values, df["load"].values, window=24) print(X.shape, y.shape) # (N, 24, 8) (N,)这里window=24表示回看一天，horizon=1表示预测下一小时。注意目标y取的是i+window+horizon-1，这个下标容易写错，写错会导致标签和特征错位一格，模型怎么调都学不好，属于典型血泪坑。
2.3 归一化与数据集划分的先后顺序
归一化必须只用训练集的统计量，否则测试集信息会泄漏。正确顺序是先按时间切分，再在训练集上 fit：
from sklearn.preprocessing import StandardScaler split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] scaler_X = StandardScaler().fit(X_train.reshape(-1, X_train.shape[-1])) scaler_y = StandardScaler().fit(y_train.reshape(-1, 1)) X_train = scaler_X.transform(X_train.reshape(-1, X_train.shape[-1])).reshape(X_train.shape) X_test = scaler_X.transform(X_test.reshape(-1, X_test.shape[-1])).reshape(X_test.shape) y_train = scaler_y.transform(y_train.reshape(-1, 1)).flatten() y_test = scaler_y.transform(y_test.reshape(-1, 1)).flatten()时序数据不能随机打乱划分，必须按时间前后切，否则未来信息会漏进训练集，评估指标虚高。reshape(-1, ...)是因为 StandardScaler 只接受二维输入，变换完再 reshape 回三维。这一步参数不多，但顺序错了整个实验就废了。
3. 模型选型：LSTM、GRU 还是 CNN-LSTM
3.1 为什么时序预测里 LSTM 仍是稳妥基线
多特征负荷预测本质是「多变量时间序列回归」。LSTM 的门控结构能选择性记忆长程依赖，对负荷这种有明显日周期、周周期的序列比较友好。相比 Transformer，LSTM 在小数据集上更不容易过拟合，课程设计级别的数据量（通常几千到几万条）用 LSTM 往往比堆注意力更稳。GRU 是 LSTM 的简化版，参数少约四分之一，训练更快，精度差距通常在 1% 以内，数据量小的时候我一般优先试 GRU。
CNN-LSTM 是另一种常见组合：先用一维卷积在时间维上提取局部模式（比如负荷爬坡段），再送进 LSTM 建模长程依赖。它在负荷突变明显的场景下比纯 LSTM 略好，但结构复杂、调参成本高，课程设计里不是必须。
3.2 用 PyTorch 搭一个多特征 LSTM 预测网络
下面是一个可直接跑的最小模型，输入维度对应 8 个特征，输出单值：
import torch import torch.nn as nn class LoadLSTM(nn.Module): def __init__(self, n_features=8, hidden=64, layers=2, dropout=0.2): super().__init__() self.lstm = nn.LSTM( input_size=n_features, hidden_size=hidden, num_layers=layers, batch_first=True, dropout=dropout ) self.fc = nn.Linear(hidden, 1) def forward(self, x): # x: (batch, seq_len, n_features) out, _ = self.lstm(x) # 只取最后一个时间步的输出做回归 return self.fc(out[:, -1, :]).squeeze(-1)参数说明：hidden=64是隐藏层维度，数据量小可以降到 32，数据量大可以升到 128；layers=2是堆叠层数，超过 3 层在小数据上基本只会过拟合；dropout=0.2只在多层 LSTM 内部生效，单层时这个参数无效。batch_first=True让输入维度是(batch, seq, feature)，不设的话要自己转置，容易搞混。
3.3 训练循环与早停：几个必须盯住的参数
训练部分的关键不是写循环，而是把学习率、早停、梯度裁剪配好：
from torch.utils.data import DataLoader, TensorDataset device = torch.device("cuda" if torch.cuda.is_available() else "cpu") train_ds = TensorDataset(torch.tensor(X_train, dtype=torch.float32), torch.tensor(y_train, dtype=torch.float32)) train_loader = DataLoader(train_ds, batch_size=64, shuffle=True) model = LoadLSTM().to(device) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) criterion = nn.MSELoss() best_loss, patience, wait = float("inf"), 10, 0 for epoch in range(100): model.train() for xb, yb in train_loader: xb, yb = xb.to(device), yb.to(device) optimizer.zero_grad() pred = model(xb) loss = criterion(pred, yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() # 简化版早停：用训练loss示意，实际应换验证集 if loss.item() < best_loss: best_loss, wait = loss.item(), 0 else: wait += 1 if wait >= patience: print(f"early stop at epoch {epoch}") breaklr=1e-3是 Adam 的常用起点，负荷预测里如果 loss 震荡明显，降到 3e-4 通常能稳下来。clip_grad_norm_的max_norm=1.0是防梯度爆炸的后悔药，LSTM 在长序列上很容易梯度爆炸，不加这个训练中途 loss 变 NaN 是常事。patience=10表示连续 10 轮没改善就停，实际项目里应该用验证集 loss 而不是训练 loss，这里为了代码简洁用了训练 loss，读者务必替换。
4. 评估与调参：MAPE 之外还要看什么
4.1 负荷预测的评估指标不能只看 MSE
MSE 对量纲敏感，负荷数值大的时候 MSE 天然大，跨数据集没法比。负荷预测行业里更常用 MAPE（平均绝对百分比误差）和 RMSE。MAPE 的坑在于负荷接近 0 时会爆炸，所以要先确认数据里没有接近零的负荷点。一个稳妥的评估组合是 RMSE + MAPE + 峰值时段误差：
def evaluate(y_true, y_pred): y_true, y_pred = np.array(y_true), np.array(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 rmse, mape # 记得先反归一化 y_pred = model(torch.tensor(X_test, dtype=torch.float32).to(device)).cpu().detach().numpy() y_pred_inv = scaler_y.inverse_transform(y_pred.reshape(-1, 1)).flatten() y_test_inv = scaler_y.inverse_transform(y_test.reshape(-1, 1)).flatten() print(evaluate(y_test_inv, y_pred_inv))反归一化这一步经常被忘，忘了的话算出来的 MAPE 是归一化尺度下的，数值看着漂亮但没意义。评估时还要单独看峰值时段的误差，因为负荷预测最关心的就是高峰能不能预测准，全天平均误差低但峰值误差大，这个模型在实际调度里没用。
4.2 窗口长度、隐藏维度、学习率的调参顺序
调参不要一锅乱炖，按影响从大到小来：先定窗口长度，再定隐藏维度，最后微调学习率。窗口长度决定模型能看到多少历史，24 小时是日周期基线，如果数据有明显周周期，可以试 168（一周）。隐藏维度从 32 起步，翻倍到 64、128，观察验证集 loss 是否下降，不降就停。学习率在结构定下来之后再调，1e-3 不行试 3e-4、1e-4。
| 参数 | 建议范围 | 影响 |
|---|---|---|
| window | 24 / 48 / 168 | 回看长度，太小欠拟合，太大训练慢 |
| hidden | 32 / 64 / 128 | 容量，过大过拟合 |
| layers | 1 / 2 | 超过 2 层小数据无收益 |
| lr | 1e-3 / 3e-4 | 过大震荡，过小收敛慢 |
| batch_size | 32 / 64 / 128 | 影响梯度稳定性 |
4.3 多特征到底带来了多少提升：做一次消融
想知道多特征值不值得做，最直接的办法是做消融实验：只用历史负荷训一版，加上全部特征训一版，对比 MAPE。我一般会跑三组：单变量（只有 load）、加时间特征、加全部特征。如果加气象特征后 MAPE 只降了 0.1%，而数据获取成本很高，那这个特征就不值得引入。消融不是学术表演，是判断投入产出的实用手段。
5. 避坑与排查：多特征负荷预测最常见的五个翻车点
5.1 现象：训练 loss 一直降，测试 MAPE 却很高
原因：典型过拟合，或者归一化用了全量数据导致信息泄漏。解决：先检查 scaler 是不是只在训练集 fit，再把 dropout 调大、hidden 调小，加早停。如果还不行，看训练集和测试集的时间分布是否差异过大，比如训练集是淡季、测试集是迎峰度夏。
5.2 现象：预测曲线整体平移，形状对但数值偏
原因：目标变量反归一化时用错了 scaler，或者滑窗标签下标错位一格。解决：打印几组(X[i][-1], y[i])人工核对，确认最后一个时间步的负荷和标签在时间上连续。这个坑我踩过不止一次，错位一格时模型其实在学「预测上一小时」，指标看着还行但完全没用。
5.3 现象：loss 训练中途变成 NaN
原因：梯度爆炸，LSTM 在长序列或大学习率下常见。解决：加clip_grad_norm_，学习率降到 3e-4，检查输入里有没有 inf 或极端异常值。归一化前一定要处理异常值，一个抄表错误就能让整批梯度炸掉。
5.4 现象：换了地区数据后模型完全失效
原因：不同地区负荷水平、气温敏感度差异大，模型学到的映射不通用。解决：要么在新数据上微调，要么在特征里加入归一化后的气温敏感度指标。跨地区直接套用是常见误用，负荷预测模型的地域性很强。
5.5 现象：节假日预测误差突然放大
原因：节假日样本少，模型没见过足够多的同类模式。解决：把is_holiday作为特征只是基础，更好的做法是对节假日单独建模或做样本加权。课程设计里如果节假日误差大，可以在报告里单独说明，这是行业公认难点，不是模型不行。
6. 把课程设计做成能讲清楚的项目：几个进阶技巧
走到这里，一个能跑通的多特征负荷预测流程已经完整了。但课程设计评分和实际落地看的不是「跑通」，而是「讲清楚为什么」。我一般会多做两件事。第一件是把预测结果按小时段拆开看误差分布，画一张 24 小时的误差柱状图，你会发现凌晨误差小、傍晚高峰误差大，这张图比一个总 MAPE 有说服力得多。第二件是做一次特征重要性分析，用 permutation importance 或者简单地把某个特征置零看指标变化，能直接回答「多特征到底哪个有用」。
# 简单的特征重要性：逐个把某特征在测试集上置零，看MAPE变化 base_rmse, base_mape = evaluate(y_test_inv, y_pred_inv) for i, col in enumerate(feat_cols): X_pert = X_test.copy() X_pert[:, :, i] = 0 # 归一化后0即均值 pred = model(torch.tensor(X_pert, dtype=torch.float32).to(device)).cpu().detach().numpy() pred_inv = scaler_y.inverse_transform(pred.reshape(-1, 1)).flatten() _, mape = evaluate(y_test_inv, pred_inv) print(f"{col}: MAPE {mape:.2f}% (base {base_mape:.2f}%)")置零在归一化空间里等于置为均值，是一种粗糙但直观的扰动方法。跑完你会看到load自己最重要，temperature次之，is_holiday因为样本稀疏可能看不出明显变化，这时候不要急着删特征，样本少导致的弱信号和真正无用是两回事。
还有一个容易被忽略的技巧：预测多个未来步长。课程设计通常只预测下一小时，但实际调度关心未来 24 小时。把horizon改成 24，输出层改成nn.Linear(hidden, 24)，一次输出全天曲线，这叫多步直接预测。它比递归预测（拿预测值当输入再预测下一步）更稳，因为不会累积误差。代价是输出维度变大，需要更多数据支撑。
最后说个习惯：每次改完参数，把配置、指标、时间戳记到一个 csv 里，别靠脑子记。我早期做实验不记录，回头想复现某个好结果时完全想不起当时窗口是 24 还是 48，只能重跑，浪费一整天。负荷预测这种调参密集的任务，实验记录就是你的后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
