电力负荷预测精度提升实战：特征工程与模型选型避坑指南

简介：这份资源面向电力系统、数据科学方向的初学者与研究人员，围绕基于机器学习方法的电力负荷预测展开，重点落在BP神经网络的实际建模流程上。包内共334个文件，以329个xlsx历史负荷与气象数据表为主，辅以3个m脚本、1个md说明和1个asv文件，压缩包约5.32MB，数据与代码配套，便于直接复现实验。内容覆盖数据预处理、特征选择、网络结构设计、模型训练、验证测试与误差分析等环节，读者可据此理解如何用Python及Scikit-learn、Keras、TensorFlow等库搭建并调优预测模型。目前已有2459人学习下载，适合希望掌握负荷预测完整思路、对照脚本与数据动手实践的学习者参考。

1. 电力负荷预测为什么总在下午三点翻车：从「机器学习」四个字说起

做过电力负荷预测的人，大概都经历过同一个场景：模型在训练集上 MAPE 压到 2% 以内，一上测试集，下午三点到五点那段曲线就开始飘，晚高峰前的一个爬坡段直接预测塌陷。你以为是模型不够深，换成 LSTM、Transformer 一顿堆，结果该翻车的地方还是翻车。问题往往不在模型结构，而在你把「电力负荷预测」当成了一个普通的回归任务。

电力负荷预测的本质，是用历史负荷、气象、日期类型这些特征，去拟合一条强周期、强耦合、还带突发扰动的曲线。它跟房价预测、销量预测最大的区别是：负荷曲线有物理约束——不会突变、有早晚双峰、周末和工作日形态完全不同、温度到 30 度以上空调负荷会非线性飙升。机器学习方法能吃掉这些规律，但前提是你把特征工程和验证方式做对了。这篇笔记面向的是已经会用 Python 跑模型、但预测精度卡在瓶颈的从业者，也适合刚入门机器学习、想找一个真实项目练手的人。我会按「数据怎么整 → 特征怎么造 → 模型怎么选 → 坑在哪」的顺序，把一套能复现的流程讲清楚。

2. 数据准备与特征工程：负荷预测的胜负手

2.1 先搞清楚你手上是什么数据

电力负荷预测的数据源通常分三类：负荷数据（有功功率、无功功率，采样粒度 15 分钟或 1 小时）、气象数据（温度、湿度、降雨、风速）、日历数据（星期、节假日、季节）。很多人一上来就把负荷序列丢进模型，这是第一个大坑。负荷序列本身只是结果，真正决定预测上限的是外生变量。

我一般会先做一次数据体检，看四件事：缺失值分布、异常点、采样频率是否一致、时间戳是否对齐。负荷数据常见的缺失是采集终端掉线，表现为连续几个点为空或为 0；异常点则是传感器故障导致的尖刺。这两类必须分开处理，因为 0 值可能是真实低负荷，也可能是掉线，处理方式完全不同。

import pandas as pd import numpy as np # 读取负荷数据，假设是 15 分钟粒度 df = pd.read_csv("load.csv", parse_dates=["timestamp"]) df = df.set_index("timestamp").sort_index() # 1. 检查采样间隔是否规整 diff = df.index.to_series().diff().value_counts() print(diff.head()) # 如果出现非 15min 的间隔，说明有缺时间戳 # 2. 重采样到标准 15 分钟，缺失处标记 df = df.resample("15min").mean() df["is_missing"] = df["load"].isna().astype(int) # 3. 区分「掉线 0 值」和「真实低负荷」 # 连续 4 个点以上为 0 且前后负荷正常，判为掉线 zero_mask = df["load"] == 0 consecutive_zero = zero_mask.rolling(4).sum() == 4 df.loc[consecutive_zero, "load"] = np.nan # 4. 线性插值补短缺口，长缺口留空后续用模型补 df["load"] = df["load"].interpolate(method="linear", limit=8)

这段代码的关键在第三步。直接把 0 当缺失会误伤真实的夜间低谷，直接保留又会把掉线数据喂给模型。用「连续 4 个点为 0」作为掉线判据，是因为 15 分钟粒度下，真实负荷连续一小时为 0 几乎不可能（除非是停运线路）。limit=8表示最多插值 2 小时，再长的缺口插值会失真，应该单独处理或剔除。

2.2 特征工程：把物理规律翻译成模型能吃的列

特征工程是负荷预测里投入产出比最高的环节。我一般分四组造特征：

时间特征：小时、星期、是否周末、是否节假日。注意小时要做周期编码，不能直接用 0-23 的数值，否则模型会认为 23 点和 0 点距离很远，实际上它们是相邻的。

df["hour"] = df.index.hour df["weekday"] = df.index.weekday df["is_weekend"] = (df["weekday"] >= 5).astype(int) # 小时的周期编码，让 23 点和 0 点在特征空间里靠近 df["hour_sin"] = np.sin(2 * np.pi * df["hour"] / 24) df["hour_cos"] = np.cos(2 * np.pi * df["hour"] / 24)

滞后特征：前 1 天同一时刻、前 7 天同一时刻的负荷。这是负荷预测最强的特征，因为负荷的日周期和周周期极强。但要注意：预测未来 24 小时时，你不能用未来的真实值做滞后，只能用「预测时刻之前已知的值」。这个边界如果搞错，离线指标会虚高，上线直接崩。

滑动窗口特征：过去 1 小时、过去 24 小时的均值、最大值、标准差。这些刻画的是负荷的局部趋势和波动性。

气象特征：温度是最重要的，但要用「体感温度」或「温度分段」而不是原始温度。因为空调负荷在 26 度以下几乎不启动，26 度以上随温度线性上升，这个非线性关系用分段特征或温度平方项能显著提升拟合。

# 温度分段特征 df["temp_high"] = np.maximum(df["temp"] - 26, 0) # 只保留 26 度以上部分 df["temp_sq"] = df["temp"] ** 2 # 滞后特征：前 1 天、前 7 天同一时刻 df["lag_1d"] = df["load"].shift(96) # 96 = 24h / 15min df["lag_7d"] = df["load"].shift(96 * 7) # 滑动窗口 df["roll_1h_mean"] = df["load"].shift(1).rolling(4).mean() df["roll_24h_std"] = df["load"].shift(1).rolling(96).std()

注意所有滞后和滑动特征都加了shift(1)，确保用的是预测时刻之前的信息。这个细节不做，就是典型的「数据泄漏」，模型离线看着很美，上线就废。

3. 模型选型与训练：从线性回归到梯度提升树

3.1 别急着上深度学习，先跑通三个基线

我见过太多人一上来就 LSTM，结果连线性回归的基线都没打过。负荷预测的基线应该按这个顺序跑：

持久化模型就是「预测值 = 昨天同一时刻的值」，听起来很蠢，但它是检验你模型是否真的学到东西的底线。如果你的复杂模型打不过它，说明特征或训练有问题。

3.2 LightGBM 实战：参数怎么设

梯度提升树在负荷预测里是性价比最高的选择，训练快、对特征尺度不敏感、能处理缺失值。下面是一套我常用的配置：

import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit feature_cols = [ "hour_sin", "hour_cos", "weekday", "is_weekend", "temp", "temp_high", "temp_sq", "lag_1d", "lag_7d", "roll_1h_mean", "roll_24h_std" ] # 时间序列切分，不能用随机切分 tscv = TimeSeriesSplit(n_splits=5) X = df[feature_cols] y = df["load"] params = { "objective": "regression", "metric": "mape", "learning_rate": 0.05, "num_leaves": 63, "max_depth": 7, "min_data_in_leaf": 50, "feature_fraction": 0.8, "bagging_fraction": 0.8, "bagging_freq": 5, "lambda_l2": 1.0, "verbose": -1 } for train_idx, val_idx in tscv.split(X): train_data = lgb.Dataset(X.iloc[train_idx], y.iloc[train_idx]) val_data = lgb.Dataset(X.iloc[val_idx], y.iloc[val_idx]) model = lgb.train( params, train_data, num_boost_round=2000, valid_sets=[val_data], callbacks=[lgb.early_stopping(100)] )

参数说明：learning_rate=0.05配合num_boost_round=2000和早停，是精度和训练时间的平衡点；num_leaves=63控制树的复杂度，负荷预测不需要太深的树，因为特征和目标的非线性关系不算极端；min_data_in_leaf=50防止过拟合到个别异常日；lambda_l2=1.0做 L2 正则。TimeSeriesSplit是必须的，随机切分会让未来数据泄漏到训练集，指标虚高。

3.3 深度学习什么时候值得上

如果你的数据量超过两年、采样粒度 15 分钟、且需要预测未来 24 小时以上的序列，LSTM 或 TCN 可以考虑。但要注意：深度学习对特征工程的要求不是降低了，而是转移了——你需要把外生变量也做成序列输入，而不是只喂负荷序列。我一般用「负荷序列 + 气象序列 + 时间编码」三通道输入，输出未来 96 个点。

import torch import torch.nn as nn class LoadLSTM(nn.Module): def __init__(self, input_dim, hidden_dim=128, num_layers=2, output_dim=96): super().__init__() self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, dropout=0.2) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): # x: (batch, seq_len, input_dim) out, _ = self.lstm(x) # 取最后一个时间步的输出 return self.fc(out[:, -1, :])

input_dim是每个时间步的特征数（负荷 + 温度 + 时间编码），output_dim=96是一次性输出未来 24 小时。这种「直接多步输出」比递归预测更稳，因为不会累积误差。但代价是需要更多数据，且对缺失值敏感。

4. 避坑与排查：那些让指标虚高、上线翻车的细节

4.1 数据泄漏：离线 MAPE 1.5%，上线 8%

现象：离线验证指标极好，上线后误差翻几倍。原因：用了未来信息做特征。最常见的三种泄漏——滑动窗口没加shift(1)、归一化用了全量数据的均值方差、随机切分代替时间切分。解决：所有特征计算前先shift(1)，归一化参数只用训练集拟合，切分必须按时间顺序。

4.2 节假日特征缺失：春节前后全线崩盘

现象：模型在春节、国庆期间预测误差暴增。原因：训练数据里节假日样本少，模型没见过这种负荷形态。解决：把节假日单独编码（节前、节中、节后分开），或者对节假日单独训练一个模型。我一般会在特征里加「距最近节假日的天数」，让模型知道自己在什么位置。

4.3 温度特征用错：夏天精度差 3 个点

现象：冬季预测准，夏季误差大。原因：用了原始温度，没刻画空调负荷的非线性。解决：加温度分段特征（26 度以上部分）和温度平方项，或者用「体感温度」替代干球温度。这个改动在夏季能带来 1-2 个百分点的 MAPE 下降。

4.4 异常天气未处理：单点误差拉高整体指标

现象：整体 MAPE 还行，但个别天误差极大。原因：极端天气（寒潮、高温预警）下的负荷形态和训练集差异大。解决：要么在训练集里保留足够的极端样本，要么对预测结果做后处理——检测到极端天气时，用相似日匹配的方法修正预测值。

4.5 评估指标选错：MAPE 在低谷时段失真

现象：模型在夜间低谷时段误差百分比很大，但绝对误差很小。原因：MAPE 对接近 0 的值敏感。解决：用 MAE 和 MAPE 一起看，或者用 WMAPE（加权 MAPE，按负荷大小加权）。电力行业常用的是「日峰值误差」和「日电量误差」，这两个指标比 MAPE 更贴近实际考核。

5. 进阶技巧：用相似日匹配把 MAPE 再压 0.5 个点

模型跑通之后，想再往上提精度，最有效的往往不是换模型，而是加一层后处理。我常用的技巧是「相似日匹配修正」：对每个预测日，在历史数据里找天气、日期类型最相似的几天，用它们的实际负荷曲线对模型预测做加权修正。

具体做法是：先定义相似度度量——温度差、星期类型、季节三个维度加权；然后取 Top-5 相似日，用它们的负荷曲线和模型预测的残差做加权平均，修正预测值。这个方法的逻辑是：模型学的是全局规律，相似日捕捉的是局部形态，两者互补。

def find_similar_days(target_day, history_df, top_k=5): """target_day: 待预测日的特征字典 history_df: 历史数据，含 date, temp, weekday, load_curve""" scores = [] for _, row in history_df.iterrows(): # 温度差归一化后取负，越小越相似 temp_score = -abs(row["temp"] - target_day["temp"]) / 10 # 星期类型相同加分 weekday_score = 1.0 if row["weekday"] == target_day["weekday"] else 0 # 季节相同加分 season_score = 1.0 if row["season"] == target_day["season"] else 0 total = 0.5 * temp_score + 0.3 * weekday_score + 0.2 * season_score scores.append((row["date"], total)) scores.sort(key=lambda x: x[1], reverse=True) return [s[0] for s in scores[:top_k]] # 修正预测：模型预测 + 相似日残差加权 def correct_prediction(pred_curve, similar_days, history_df, model_preds): weights = np.array([0.3, 0.25, 0.2, 0.15, 0.1]) # Top5 权重递减 residual = np.zeros_like(pred_curve) for i, day in enumerate(similar_days): actual = history_df.loc[day, "load_curve"].values pred = model_preds[day] # 模型对该相似日的预测 residual += weights[i] * (actual - pred) return pred_curve + residual

权重[0.3, 0.25, 0.2, 0.15, 0.1]是我在几个数据集上试出来的经验值，越相似的日权重越高。温度差的归一化系数 10 是根据当地气温波动范围定的，如果你那边昼夜温差大，可以调到 15。这个后处理在天气平稳时提升有限，但在季节交替、温度突变的那几天，能把误差压下来 0.5 到 1 个百分点。

还有一个习惯：每次上线新模型前，我会把过去一年的预测结果按「工作日/周末/节假日」「夏/冬/过渡季」分九宫格，逐格看 MAPE。整体指标好看不代表每个格子都好看，往往某个格子藏着系统性偏差。这个习惯帮我抓到过好几次「周末下午负荷被高估」的问题，根因是训练集里周末样本的权重被工作日稀释了。做负荷预测，指标要拆开看，别被一个总数骗了。希望帮到你。

本文还有配套的精品资源，点击获取