简介：面向电力市场分析与时间序列预测学习者的PyTorch+LSTM电价预测项目，目标是根据丹麦市场历史特征与价格，滚动预测未来24小时电价。项目完整覆盖数据清洗、特征构建、趋势与周期性分析、LSTM模型搭建、训练评估等流程，适合具有Python基础、希望实践深度学习时序建模的开发者。包内共23个文件，核心为6个Python脚本（含主程序main.py、LSTM模型定义、seq2seq配置）、4个CSV真实历史数据（含丹麦2023年价格与特征）、1个pth模型权重文件，以及结果展示图片和readme说明，压缩包仅395KB，轻量易用。已有1030人学习下载。除可直接运行的预测管线外，还提供价格与特征关系可视化图，并示范了MSE损失、Adam优化、早停等训练细节，以及RMSE/MAE评估方法，可帮助读者理解电价高波动与非线性场景下的建模要点，快速迁移到其他电力市场预测任务。
1. 电价曲线预测：用 PyTorch LSTM 看穿未来 24 小时
晚上八点后电价一路走低，次日凌晨往往跌到全天最低；寒潮一来，午后电价又能冲到平日的三倍。这个项目做的事，就是基于历史电价和负荷、天气等特征，用 PyTorch 搭一个 LSTM 回归模型，预测未来 24 小时的逐小时电价曲线。整套代码把数据清洗、特征编码、模型训练、滚动预测和评估串成了一条完整链路，拿到手就能对某欧洲国家的公开小时级电力数据跑出一版结果。适合正在做时间序列预测、能源数据分析，或者想用 PyTorch 做回归而不是分类任务的开发者；也适合拿来做毕业设计的基线模型。它不依赖昂贵的商业数据，特征列和模型结构都能按自己的数据改。这份项目源码最有价值的部分不是训练脚本本身，而是数据预处理和特征窗口的设计。
2. 项目拆解与技术选型：为什么 LSTM 能处理逐小时电价序列
2.1 业务定位：这不是普通回归问题
逐小时电价和股票价格很像，但不是白噪声。它有明显的日内周期性：早高峰和晚高峰各出现一次；有天气敏感性：温度、风速影响供暖和风电出力；还有历史记忆：过去几天的价格会影响需求侧响应。直接拿当前时刻的天气特征去拟合当前价格，模型只能学到均值；真正影响预测质量的是时间顺序本身。这就是为什么这份代码选 LSTM 而不是普通全连接网络。
从数学上看，预测未来 24 个点，等价于学习一个映射：输入过去 N 小时的特征序列和价格序列，输出未来 24 小时的价格序列。简单实现可以直接让最后一层输出 24 个神经元；更复杂的做法是序列到序列（seq2seq），先编码再解码。这个项目采用前一种多步直接输出，理由是未来 24 小时和多步自回归相比，训练更稳定、误差不会在推理时逐点累积，而且从工程现场的角度，一天一条预测曲线够用。
项目源码里对任务的边界也做了收敛：它不预测实时电价波动，也不做概率区间，而是回归未来 24 个整点小时的均价。输入窗口取过去 72 小时，也就是三天。这个窗口不是随便定的：太短捕捉不到周内价格模式，太长会把很久以前的市场状态也带进来，反而干扰对明天尖峰时刻的判断。代码中所有时间窗口参数都集中在配置区，方便二次调整。
2.2 为什么是 PyTorch + LSTM
Transformer 在长序列上确实更强，但电价按小时记录，一年最多 8760 条，对 Transformer 来说样本量很少，容易过拟合；LSTM 的时序归纳偏置更契合这种中等长度的序列。PyTorch 的 nn.LSTM 封装好了 CUDNN 加速，batch_first 接口直观，且能随时把中间隐状态拿出来调试。对于这种中小规模时序任务，LSTM 是性价比最高的选择。
这个项目的 LSTM 不是标准论文里的复杂变体，而是工程化的三层结构：embedding 层做特征投影，LSTM 层提取时间依赖，全连接输出头直接映射到 24 个未来时刻。代码里把 dropout 放在了 LSTM 多层堆叠之间，训练时关闭部分神经元的连接，减少对某些小时特征的过拟合。预测时 dropout 自动关闭，推理结果更稳定。
PyTorch 还有一个实际好处：DataLoader 和 TensorDataset 可以省去手写滑动窗口的样板代码。项目里在构建数据集时直接返回了 (seq_len, feature_size) 的张量，训练循环里不需要再处理变长序列，也避开了 pack_padded_sequence 这种容易翻车的 API。
2.3 整体处理流程
整个预测流程可以拆成六个步骤：读取原始 CSV、按小时重采样、清洗缺失值和异常电价、构造特征矩阵、切分训练验证集、训练并输出未来 24 小时曲线。每一步都在独立模块里，方便单独替换。第一个可运行的步骤是数据预处理，运行后生成一份清洗后的 parquet 文件；后续特征工程和训练脚本都依赖这份中间结果，这样调试模型时不用反复读原始大文件。
# 项目根目录结构 price_forecast/ ├── data/ │ ├── raw/elspot_history.csv │ └── processed/clean_data.parquet ├── src/ │ ├── config.py │ ├── data_preprocess.py │ ├── build_features.py │ ├── dataset.py │ ├── model.py │ ├── train.py │ └── predict.py ├── notebooks/ │ └── 01_eda.ipynb ├── requirements.txt └── README.mdconfig.py 集中放所有超参数：seq_len=72、pred_len=24、learning_rate=1e-3、batch_size=128、hidden_size=64、num_layers=2。之所以把参数集中，是因为训练过程中需要反复比较不同窗口长度对预测结果的影响，散落在各脚本里会改到怀疑人生。
3. 核心模块拆解：从原始 CSV 到可训练样本的完整链路
3.1 数据预处理：缺失值、异常电价、时间索引
拿到原始数据后，第一件事不是建模，而是看时间索引是否连续。电力市场数据偶尔会缺某个小时，直接 resample 会产生空值，后续训练时 batch 对不齐。项目先按小时重采样，再对缺失值做线性插值。这里有个细节：电价不能像温度那样随意插值，如果连续缺失超过 6 个小时，线性插值会磨平价格尖峰，导致模型学不到真实的波动形态。项目里对连续缺失超过 6 小时的片段做了整体剔除。
电价还有一个特殊之处：部分市场允许负电价，也就是风电过剩时发电商倒贴钱卖电。负电价是真实信号，不能直接当成脏数据丢掉。项目在预处理时用 clip(lower=0) 把严重异常的负值清理掉，但保留 -20 到 0 之间的合理负电价，再经过后续标准化让模型区分正常低价和负电价场景。
import pandas as pd import numpy as np def load_and_clean(raw_path: str, output_path: str) -> pd.DataFrame: df = pd.read_csv(raw_path, parse_dates=["time"]) df = df.set_index("time").sort_index() # 统一到小时粒度，避免重复索引和缺失索引 df = df.resample("H").mean() # 连续缺失超过6小时的片段直接丢弃 is_missing = df["price"].isna() miss_group = (is_missing != is_missing.shift()).cumsum() drop_index = [] for _, group in df[is_missing].groupby(miss_group): if len(group) > 6: drop_index.append(group.index) if drop_index: df = df.drop(pd.concat(drop_index).index) # 其余缺失用线性插值补全 df["price"] = df["price"].interpolate(method="linear", limit_direction="both") # 保留合理范围内的负电价，仅过滤极端负值 df["price"] = df["price"].clip(lower=-20) df.to_parquet(output_path) return df逻辑说明：resample 把原始数据规整到小时粒度，mean 聚合可以消除同一小时内有重复记录时的误差。groupby 配合 is_missing 的变化点，把缺失值按连续片段分组，只对超过阈值的大缺口做删除。interpolate 的 limit_direction="both" 表示序列开头和结尾的缺失也用邻近值补全。
clip(lower=-20) 是一个保守策略：略小于市场真实价格下限，防止极端异常值影响标准化。如果后续训练损失仍然很大，可以把这个阈值继续收紧，但不能用 0，否则会丢失负电价这个重要市场信号。
3.2 特征工程：历史特征与价格的特征矩阵
原始数据通常只有时间戳、电价、负荷、风电出力和温度几列，直接喂给 LSTM 不够。电价预测的特征工程核心是构造时间周期特征和滞回特征。时间周期用 sin/cos 编码而不是直接填 0~23，因为小时数值 23 和 0 在欧氏距离上很远，但实际是相邻时刻。sin/cos 编码能让模型学到 0 点和 23 点在周期上接近。
滞回特征则把过去 24 小时、48 小时、168 小时的电价、负荷拉出来作为额外列。这样的价值在于：LSTM 虽然理论上能记住过去 72 小时的信息，但工程上显式给出关键滞后量可以显著降低学习难度。另一个常用特征是滚动均值，它能平滑短时波动，让模型不过度反应前一小时的偶发尖峰。
def build_features(df: pd.DataFrame) -> pd.DataFrame: df = df.copy() hour = df.index.hour df["hour_sin"] = np.sin(2 * np.pi * hour / 24) df["hour_cos"] = np.cos(2 * np.pi * hour / 24) df["week_sin"] = np.sin(2 * np.pi * df.index.dayofweek / 7) df["week_cos"] = np.cos(2 * np.pi * df.index.dayofweek / 7) # 滞后特征 for lag in [24, 48, 168]: df[f"price_lag_{lag}"] = df["price"].shift(lag) df[f"load_lag_{lag}"] = df["load"].shift(lag) # 滚动窗口特征 df["price_ma_24"] = df["price"].rolling(24).mean() df["price_std_24"] = df["price"].rolling(24).std() df = df.dropna() return df逻辑说明：shift 生成滞后特征时，前 168 行会因为缺少历史数据变成 NaN，直接用 dropna 丢弃这些样本会损失约一周的数据量。从可复现的角度，这种方式最简单；如果要保样本量，可以用全局均值填充首尾 NaN，但会稍微改变分布。
滚动均值 price_ma_24 和滚动标准差 price_std_24 帮助模型感知当前价格水平是处于高位震荡还是低位稳定。这里有个容易踩坑的点：rolling(24) 默认用过去 24 个点，如果索引不是严格连续小时，窗口内实际包含的条数少于 24，计算结果会偏。因此在特征工程之前，必须先执行上一步的 resample。
3.3 构建序列数据集：滑动窗口与训练验证切分
模型输入是一个三维张量：形状为 (样本数, seq_len, feature_size)。样本数由滑动窗口从连续时间轴上滑出。比如总共有 8760 条小时数据，seq_len 取 72，能产生的训练样本约 8700 个。这里关键点是切分训练集和验证集必须按时间切，不能随机打乱。随机打乱会让验证集里混入未来数据，模型等于提前看到了答案，验证损失会低估真实误差。
import torch from torch.utils.data import TensorDataset, DataLoader def make_dataset(df: pd.DataFrame, feature_cols: list, seq_len: int, pred_len: int): data = df[feature_cols].values X, y = [], [] for i in range(len(data) - seq_len - pred_len + 1): X.append(data[i:i + seq_len]) y.append(df["price"].values[i + seq_len:i + seq_len + pred_len]) X = np.array(X, dtype=np.float32) y = np.array(y, dtype=np.float32) # 按时间顺序切分，最后20%作为验证集 split = int(len(X) * 0.8) X_train, X_val = X[:split], X[split:] y_train, y_val = y[:split], y[split:] train_ds = TensorDataset(torch.from_numpy(X_train), torch.from_numpy(y_train)) val_ds = TensorDataset(torch.from_numpy(X_val), torch.from_numpy(y_val)) train_loader = DataLoader(train_ds, batch_size=128, shuffle=False) val_loader = DataLoader(val_ds, batch_size=128, shuffle=False) return train_loader, val_loader逻辑说明：循环里 i 从 0 滑到 len(data) - seq_len - pred_len，确保训练样本的输入窗口和预测窗口不重叠。y 取的是 i+seq_len 到 i+seq_len+pred_len 之间的 24 个价格点。这就是多步直接预测的训练模式，模型一次输出 24 个值。
shuffle=False 在这个场景下很重要。很多跑分类项目的开发者习惯性把 shuffle=False 忽略，但在时序任务里，shuffle 会破坏样本之间的时间依赖，虽然每个样本内部还是有序的，但不同样本之间的顺序被打乱会让验证集的切分失去意义。如果验证集包含训练集时间范围内的数据，那验证时模型看到的其实是在自问自答。
4. 模型训练与推理：LSTM 前向传播和 24 点滚动输出
4.1 网络结构定义：从隐状态到 24 个电价
模型结构不复杂，但有几个设计点值得说。LSTM 输入的 feature_size 是特征工程后的列数，比如原始列加上滞后列、滚动列、时间编码列，一共 12 个。hidden_size 设为 64，两层 LSTM 堆叠。最后一层全连接从 hidden_size 直接映射到 pred_len，也就是 24。中间加了一层 64 维的隐藏层和 ReLU，给模型一点非线性容量。
这里没有用 seq2seq 的 Decoder 结构，因为实验下来在电价这种波动剧烈但周期明显的任务上，一步到位输出 24 个点比逐个自回归更稳。自回归推理时如果前一步预测偏差大，误差会滚雪球，往往预测出一天都是同一个价位，这种翻车现场在多步预测任务里非常常见。
import torch.nn as nn class PriceLSTM(nn.Module): def __init__(self, input_size: int, hidden_size: int = 64, num_layers: int = 2, output_size: int = 24): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=0.2 if num_layers > 1 else 0.0 ) self.head = nn.Sequential( nn.Linear(hidden_size, 64), nn.ReLU(), nn.Linear(64, output_size) ) def forward(self, x): # x: (batch, seq_len, feature_size) out, _ = self.lstm(x) # 取最后一个时间步的隐状态 last_hidden = out[:, -1, :] return self.head(last_hidden)逻辑说明：batch_first=True 让输入张量形状变成 (batch, seq_len, feature_size)，更接近直觉，也方便直接喂给 DataLoader。out[:, -1, :] 取的是每个样本最后一个时间步的 LSTM 输出，这个向量包含了过去 72 小时压缩后的信息。头部全连接把 64 维压到 24 维。
参数说明：hidden_size 越大，模型能记忆的细节越多，但在 8000 条样本的量级下，超过 128 就会明显过拟合，训练损失和验证损失开始脱节。num_layers=2 已经能捕捉电价的多尺度波动，再加一层收益很小且训练时间翻倍。dropout 只对多层 LSTM 生效，单层时 PyTorch 要求 dropout 必须为 0。
4.2 训练循环：损失、梯度裁剪、学习率
训练的目标函数用均方误差 MSE，因为电价预测要惩罚大偏差，一个尖峰时刻错过会导致全天预测曲线都不像样。优化器选择 Adam，学习率 1e-3。为了抑制电价尖峰带来的梯度爆炸，训练循环里加了 grad clip，这是处理电价这类重尾分布数据的常见做法。
import torch.optim as optim def train_one_epoch(model, loader, criterion, optimizer, clip=1.0): model.train() total_loss = 0 for xb, yb in loader: optimizer.zero_grad() pred = model(xb) loss = criterion(pred, yb) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), clip) optimizer.step() total_loss += loss.item() * xb.size(0) return total_loss / len(loader.dataset)逻辑说明：每个 batch 前向传播拿到预测曲线，和真实 24 点价格计算 MSE，反向传播后 clip_grad_norm_ 把梯度的 L2 范数限制在 1.0 以内。如果某一天电价突然出现极端尖峰，这个 batch 的梯度可能非常大，不裁剪的话参数一步更新幅度过大，之后几个 epoch 损失都缓不过来。
这里还有个实际细节：loss.item() 需要乘上 batch size，再除以整个数据集的样本数，得到每个 epoch 的平均损失。如果直接 len(loader) 平均，会忽略最后一个 batch 样本数量不足的问题。虽然对训练过程影响不大，但打印出来的曲线会有点抖动，容易误导调参判断。
4.3 推理与反标准化：把预测结果还原成真实电价
模型在标准化后的数据上训练，输出也是标准化后的数值。要得到真实电价，必须用训练时保存的 scaler 做 inverse_transform。项目在预处理阶段对特征列和价格列分别做了 StandardScaler，预测时不能再对全量数据重新 fit，否则缩放参数会变化，预测结果整体偏移。
推理时还需要准备最近 72 小时的真实特征窗口。这里最容易犯的错是直接拿训练集的最后 72 小时来做预测，验证时表现不错，上线后一执行发现线上数据的时间格式和特征列和训练时不一致，结果全是 NaN。实际工程中，推理输入来自最近 72 个小时的实时入库数据，而不是训练文件。
def predict_next_24h(model, recent_df, feature_cols, feat_scaler, price_scaler, seq_len=72): model.eval() recent = recent_df[feature_cols].values[-seq_len:] recent_scaled = feat_scaler.transform(recent) x = torch.from_numpy(recent_scaled).float().unsqueeze(0) with torch.no_grad(): pred_scaled = model(x).squeeze(0).numpy() pred = price_scaler.inverse_transform(pred_scaled.reshape(-1, 1)).flatten() return pred逻辑说明：unsqueeze(0) 是为了把二维的 (seq_len, feature_size) 变成 (1, seq_len, feature_size)，模拟一个 batch size 为 1 的输入。pred_scaled 是标准化的 24 个值，reshape(-1, 1) 是因为 price_scaler 在训练时是按二维列保存的，inverse_transform 需要二维输入。
参数说明：recent_df 必须是按时间升序排列的最新数据，取最后 72 行。如果线上数据实时性有延迟，比如缺失最近 2 个小时的数据，预测曲线会整体后移，这个偏差很难从结果中直接看出来。我通常会在推理脚本里加一个时间戳校验，确保 recent_df 最后一条记录距离当前时间不超过 1 小时，否则拒绝预测并报警。
5. 常见问题与排查：调电价 LSTM 时最容易踩的 5 个坑
5.1 预测结果出现大量负电价
现象：训练损失正常，但预测曲线在凌晨时段经常冲到 -50 甚至更低，和真实电价完全对不上。原因：特征标准化后价格均值被移到 0 附近，模型在输出层没有约束，尾部使用 ReLU 或没有激活函数时，遇到极端特征组合就可能输出负值；另外数据清洗时没有对严重负值做过滤。解决：在数据预处理阶段把 price 用向上截断到合理范围，比如 clip(lower=-20)；同时检查是否对价格列做了正确的标准化，StandardScaler 不改变数据分布形状，只是平移缩放，如果训练数据里本身有极端负值，模型就会学出负值。必要时在输出层加 Sigmoid 再乘以一个最大电价常量，把输出限制在 0 到最大值之间。
5.2 验证集上 loss 很低，线上预测却完全滞后
现象：验证集 MAE 只有几块钱，但预测未来 24 小时的曲线整体比真实值晚 6 到 8 个小时，早高峰错位严重。原因：训练集和验证集切分时没有按时间顺序，或者特征工程里用了未来数据。最常见的是构建滞后特征时，Shift 参数写错方向，把未来价格移到了当前特征里，模型在验证集上其实是看到了答案。解决：检查滞后特征的 shift 值是否为负数，标准写法是 df["price"].shift(24) 表示取 24 小时前的价格；切分数据集时前端特征已经包含了历史数据，因此直接按时间顺序取前 80% 做训练、后 20% 做验证即可。我习惯在特征工程之后专门打印一轮数据集的起始时间和终止时间，确认验证集全部晚于训练集。
5.3 loss 在训练到一半时突然飙升
现象：前 20 个 epoch loss 稳步下降，到第 25 个 epoch 突然变成 NaN 或者翻好几倍，而且不是偶发现象。原因：电价序列存在极端尖峰，一个 batch 里如果恰好出现了全年最大电价，计算出的梯度范数非常大，单纯靠 Adam 的自适应学习率压不住；如果中间层数值过大，反向传播经过多层 LSTM 后梯度会指数放大。解决：加入梯度裁剪，clip 值设置在 1.0 左右；如果仍然不稳定，降低初始学习率到 3e-4；另外确认输入特征中没有原始温度值，温度如果直接用摄氏度数值，取值范围在 -20 到 35 之间，和标准化后的其他特征不在同一量级，会干扰梯度。所有连续特征必须经过 StandardScaler 或 MinMaxScaler。
5.4 预测曲线整体比真实值平滑太多
现象：预测曲线能看到早高峰和晚高峰的位置，但峰谷幅度明显偏小，几乎变成一条波动很小的曲线。原因：MSE 损失对大幅值误差惩罚更重，模型为了降低总损失，倾向于输出接近均值的中等值，这是回归任务里常见的回归到均值现象。解决：改用 Huber Loss，它对大误差的惩罚从二次变成一次，减少极端尖峰对模型的主导；或者把价格序列做对数变换，压缩动态范围后再训练，预测结果做 exp 还原。这个项目里换用 Huber Loss 后峰谷恢复明显，虽然整体 MAE 差不多，但预测曲线的形状更接近真实电价。
5.5 预测时出现 NaN，全链路排查询不到原因
现象：训练正常，推理阶段第一次调用返回 NaN，连续调用稳定复现。原因：特征工程时 rolling 窗口生成了 NaN，在构建样本时用 dropna 删除，但推理用的最近 72 小时数据如果有缺失，rolling 生成的值也是 NaN；这些 NaN 进入 StandardScaler 后变成 NaN，模型输出也跟着变 NaN。解决：推理入口处先对 recent_df 做一次空值检查，用 ffill + bfill 补全缺失值，再进入特征构造函数。这类问题最隐蔽，因为训练集里没有 NaN 所以不会报错，只有推理时才会暴露，属于典型的运行时数据质量黑匣子。
6. 二次开发：把 24 小时电价预测改造成你自己的时间序列服务
6.1 换数据源与换目标变量
第一步是替换数据和特征列。项目里所有代码都读取 config 里的 feature_cols 列表，你只需要把原始 CSV 的列名改成和配置一致。如果想预测的是区域负荷而不是电价，把 price 列替换成 load 列，Pred_len 维持 24，LSTM 结构完全不用改。这类时间序列项目的迁移成本主要不在模型，而在数据清洗逻辑的通用性。
6.2 包装成定时预测接口
常见做法是用 FastAPI 包一个 POST 接口，接收最近 72 小时的时序数据，返回未来 24 小时预测曲线。模型和 scaler 在启动时加载一次，避免每次请求都重新读取权重文件。
from fastapi import FastAPI import torch app = FastAPI() @app.post("/predict") def predict(payload: dict): recent_df = pd.DataFrame(payload["recent"]) pred = predict_next_24h( model, recent_df, feature_cols, feat_scaler, price_scaler ) return {"prediction": pred.tolist(), "unit": "EUR/MWh"}这段代码的改造点在于：生产环境里每小时跑一次预测，服务器需要缓存最近 72 小时的真实数据，而不是依赖前端传全量序列。可以在服务内部维护一个历史队列，每次入库新数据时更新队列，调用预测时直接从队列取最近 72 条。
从那以后我每次调试时间序列模型，都会强制走一遍时间顺序检查、特征泄漏检查和推理空值检查三条流水线，再复杂的模型也不会在原型阶段就翻车。希望这篇笔记能帮你把这个电价预测项目跑起来，也让你在改造成其他时序场景时少走一段弯路。
本文还有配套的精品资源，点击获取
