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(methodlinear, limit8)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。limit8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模型适用场景预期 MAPE持久化模型昨天同时刻极强周期场景3%-6%线性回归 周期特征快速验证特征有效性2%-5%LightGBM / XGBoost主力模型特征丰富时1.5%-3%LSTM / TCN序列依赖强、数据量大1.5%-3%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_splits5) 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_round2000, valid_sets[val_data], callbacks[lgb.early_stopping(100)] )参数说明learning_rate0.05配合num_boost_round2000和早停是精度和训练时间的平衡点num_leaves63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_leaf50防止过拟合到个别异常日lambda_l21.0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_dim128, num_layers2, output_dim96): super().__init__() self.lstm nn.LSTM(input_dim, hidden_dim, num_layers, batch_firstTrue, dropout0.2) 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_dim96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_k5): 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(keylambda x: x[1], reverseTrue) 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 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(methodlinear, limit8)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。limit8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模型适用场景预期 MAPE持久化模型昨天同时刻极强周期场景3%-6%线性回归 周期特征快速验证特征有效性2%-5%LightGBM / XGBoost主力模型特征丰富时1.5%-3%LSTM / TCN序列依赖强、数据量大1.5%-3%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_splits5) 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_round2000, valid_sets[val_data], callbacks[lgb.early_stopping(100)] )参数说明learning_rate0.05配合num_boost_round2000和早停是精度和训练时间的平衡点num_leaves63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_leaf50防止过拟合到个别异常日lambda_l21.0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_dim128, num_layers2, output_dim96): super().__init__() self.lstm nn.LSTM(input_dim, hidden_dim, num_layers, batch_firstTrue, dropout0.2) 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_dim96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_k5): 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(keylambda x: x[1], reverseTrue) 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