简介这份资源是面向电力负荷预测方向的Python深度学习实战源码包适合具备一定机器学习基础、希望将神经网络应用于时间序列预测的开发者与研究人员。它围绕多特征输入展开涵盖历史负荷、温度、湿度、风速及日期时间等变量的处理可用于智能电网资源调配与需求预测等场景。压缩包共9个文件约795KB包含3个py源码文件、2个csv数据集、1个xlsx表格、2个md说明文档及1个license源码、数据与文档配套齐全便于直接运行与二次开发。目前已有72人学习下载。读者可从中获得完整的模型构建流程包括数据清洗、归一化、特征工程、网络结构定义、训练与评估等环节并参考MSE、RMSE、MAE等指标验证效果是入门深度学习负荷预测的实用参考。1. 电力负荷预测源码拆包从 raw_data 到 V1 模型能跑通什么电力负荷预测这件事真正上手做过的人都知道难点从来不是选 MLP 还是 LSTM这种教科书问题而是拿到一份历史负荷表之后温度、湿度、节假日、时刻这些字段怎么对齐、怎么喂进网络、预测出来的曲线为什么总是滞后一天。这份python基于深度学习的多特征电力负荷预测源码.zip就是冲着这个场景来的它把多特征输入、深度学习建模、训练评估这条链路打包成了一个可以直接跑的工程目录里有raw_data、power_load_forecasting_V1、README.md和LICENSE属于那种下载完不用从零搭骨架的源码包。适合正在做电力、能源、园区用能预测的 Python 开发者也适合想拿一个真实多特征时序项目练手深度学习的人。下面我按拆包顺序讲清楚它怎么用、参数怎么设、哪里容易翻车。2. 环境与数据准备把 raw_data 喂进模型前要做的四件事2.1 依赖环境与目录结构确认拿到压缩包先别急着python train.py先解压看结构。典型布局是根目录放README.md、LICENSEraw_data存原始负荷与气象数据power_load_forecasting_V1是主代码目录。我一般会先建一个独立虚拟环境避免和系统里的 TensorFlow、PyTorch 版本打架——这类时序项目对 numpy、pandas 版本比较敏感混装很容易出现np.float被移除之类的玄学报错。# 建虚拟环境Python 3.8~3.10 兼容性最好 python -m venv venv # Linux / macOS source venv/bin/activate # Windows venv\Scripts\activate # 装核心依赖版本按 README 走没写就锁这几个区间 pip install numpy pandas scikit-learn matplotlib pip install tensorflow2.10.0 # 或 torch看源码用的是哪个逻辑说明虚拟环境是为了隔离依赖tensorflow2.10.0是常见做法因为 2.11 之后部分 Keras 接口有变动老源码容易在model.fit上报参数不识别。参数上如果你机器有 NVIDIA 显卡装tensorflow-gpu或对应 CUDA 版本的 torch 能显著缩短训练时间纯 CPU 也能跑只是 LSTM 类模型会慢。装完先pip list确认没有两个深度学习框架同时存在否则 import 时可能串。2.2 多特征数据的字段对齐与清洗raw_data里的数据通常长这样一列时间戳一列负荷值外加温度、湿度、风速、是否节假日等外生特征。多特征预测翻车最多的地方就是时间对齐——气象数据可能是逐小时的负荷是 15 分钟粒度的直接 merge 会出现大量 NaN 或者错位。import pandas as pd # 读取原始数据parse_dates 把时间列转成 datetime load pd.read_csv(raw_data/load.csv, parse_dates[timestamp]) weather pd.read_csv(raw_data/weather.csv, parse_dates[timestamp]) # 统一到同一时间粒度负荷 15 分钟 - 小时取均值 load_h load.set_index(timestamp).resample(1H).mean().reset_index() # 按时间外连接气象数据用前向填充补齐缺失 df pd.merge(load_h, weather, ontimestamp, howleft) df df.ffill().bfill() # 构造时间特征小时、星期、是否周末 df[hour] df[timestamp].dt.hour df[weekday] df[timestamp].dt.weekday df[is_weekend] (df[weekday] 5).astype(int) print(df.isna().sum()) # 确认没有残留缺失逻辑说明resample(1H).mean()把高频负荷降到小时级是为了和气象数据对齐也降低序列长度、加快训练。ffill().bfill()是前向加后向填充气象站偶尔缺测时最省事的处理。参数上howleft保证以负荷时间轴为准不会因为气象多出几条记录把样本撑大。时间特征hour、weekday是负荷预测里性价比最高的三个特征之一因为用电行为有强周期性模型靠它们就能抓住早晚高峰。清洗完一定要打印缺失统计别默认数据是干净的。2.3 归一化与滑动窗口构造神经网络对量纲敏感负荷值动辄几千上万千瓦温度只有几十不归一化会让梯度被大数值主导。同时时序模型需要把序列切成过去 N 步预测未来 M 步的样本对。from sklearn.preprocessing import MinMaxScaler import numpy as np feature_cols [load, temperature, humidity, hour, weekday, is_weekend] scaler MinMaxScaler() df[feature_cols] scaler.fit_transform(df[feature_cols]) def make_windows(data, lookback24, horizon1): X, y [], [] for i in range(len(data) - lookback - horizon 1): X.append(data[i:ilookback]) y.append(data[ilookback:ilookbackhorizon, 0]) # 第0列是负荷 return np.array(X), np.array(y) arr df[feature_cols].values X, y make_windows(arr, lookback24, horizon1) print(X.shape, y.shape) # (样本数, 24, 6) (样本数, 1)逻辑说明MinMaxScaler把每列压到 0~1注意 scaler 要fit在训练集上、再transform测试集否则会数据泄漏——这是很多人忽略的坑。lookback24表示用过去 24 小时预测下一小时horizon1是单步预测要做日前预测就把它改成 24。y取第 0 列是因为负荷在特征矩阵第一列这个索引要和你的列顺序严格对应顺序错了模型照样能训但预测的是温度属于典型黑匣子式翻车。3. 模型搭建与训练power_load_forecasting_V1 里的网络怎么调3.1 选 LSTM 还是 MLP多特征时序的取舍源码目录名带 V1通常第一版会用相对稳的结构。多特征电力负荷是典型时间序列LSTM 或 GRU 能捕捉时序依赖是首选MLP 把 24 小时展平成一维也能跑但丢掉了时间顺序信息遇到节假日突变容易滞后。CNN 在这里一般只作为特征提取前端单独用效果不如循环网络。我的建议是先跑通源码自带的模型确认数据管道没问题再换结构对比。from tensorflow.keras import layers, models def build_lstm(lookback, n_features): model models.Sequential([ layers.LSTM(64, return_sequencesTrue, input_shape(lookback, n_features)), layers.LSTM(32), layers.Dropout(0.2), layers.Dense(16, activationrelu), layers.Dense(1) # 回归输出不加激活 ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model model build_lstm(lookback24, n_featuresX.shape[2]) model.summary()逻辑说明两层 LSTM第一层return_sequencesTrue把序列传给第二层第二层输出最后时刻的隐状态。Dropout(0.2)抑制过拟合电力负荷数据量不大时很必要。输出层Dense(1)不加激活函数因为回归任务要输出任意实数加了 sigmoid 会把预测锁死在 0~1。损失用mse优化器adam是默认稳妥选择。参数上64/32是常见起点序列长、特征多可以加大但要注意显存和过拟合。3.2 训练、验证与早停配置训练时最容易犯的错是拿全部数据训练再拿同一批数据评估指标好看但没意义。正确做法是按时序切分前 70% 训练、中间 15% 验证、最后 15% 测试绝不能随机打乱。from tensorflow.keras.callbacks import EarlyStopping n len(X) train_end, val_end int(n*0.7), int(n*0.85) X_train, y_train X[:train_end], y[:train_end] X_val, y_val X[train_end:val_end], y[train_end:val_end] X_test, y_test X[val_end:], y[val_end:] es EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue) history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs100, batch_size32, callbacks[es], verbose1 )逻辑说明时序切分保证训练集时间早于测试集模拟真实预测场景。EarlyStopping监控val_losspatience10表示连续 10 轮不下降就停restore_best_weightsTrue回滚到最优权重避免最后一轮过拟合。batch_size32是常规值样本少可以降到 16。训练完看history.history[val_loss]曲线如果训练 loss 一直降、验证 loss 反弹就是过拟合回去加 Dropout 或减层。3.3 评估指标与预测结果还原模型输出是归一化后的值评估前要反归一化回真实量纲否则 RMSE 没有物理意义。from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np pred model.predict(X_test) # 反归一化只对负荷列做逆变换 def inverse_load(scaled, scaler, col_idx0, n_features6): dummy np.zeros((len(scaled), n_features)) dummy[:, col_idx] scaled.flatten() return scaler.inverse_transform(dummy)[:, col_idx] pred_real inverse_load(pred, scaler) true_real inverse_load(y_test, scaler) rmse np.sqrt(mean_squared_error(true_real, pred_real)) mae mean_absolute_error(true_real, pred_real) print(fRMSE{rmse:.2f}, MAE{mae:.2f})逻辑说明反归一化要构造一个和原特征同宽度的矩阵把预测值填进负荷列再逆变换直接对单列逆变换会报维度错。RMSE 对大误差敏感MAE 更稳健两个一起看。参数上col_idx0必须和前面特征列顺序一致。如果 RMSE 明显大于负荷日均波动说明模型没学到东西先回去查数据对齐和归一化。4. 避坑与排查多特征负荷预测最常见的五个翻车点4.1 现象预测曲线整体滞后真实值一天原因滑动窗口构造时把未来信息混进了输入或者时间特征没做周期性编码模型只能靠昨天同一时刻硬猜。解决检查make_windows的索引边界确保X只含i到ilookback-1把hour用 sin/cos 编码成周期特征而不是直接用 0~23 的整数。4.2 现象验证 loss 是 nan原因归一化前数据里有 inf 或极端异常值或者学习率过大导致梯度爆炸。解决清洗阶段加df.replace([np.inf, -np.inf], np.nan).dropna()训练时把adam学习率降到1e-3甚至1e-4必要时加梯度裁剪clipnorm1.0。4.3 现象测试集指标好得离谱原因归一化 scaler 在全体数据上 fit测试集信息泄漏到训练过程。解决scaler 只在训练集 fit验证和测试集用同一个 scaler transform这是血泪经验指标虚高往往就出在这一行。4.4 现象节假日预测误差突然放大原因is_weekend只区分了周末没区分法定节假日而节假日用电模式和周末完全不同。解决在特征里加一列is_holiday用节假日日历表映射或者把日期特征做得更细。4.5 现象换一台机器跑结果对不上原因没固定随机种子numpy、tensorflow 每次初始化权重不同。解决在代码开头统一设种子保证可复现。import numpy as np, tensorflow as tf, random seed 42 np.random.seed(seed) tf.random.set_seed(seed) random.seed(seed)5. 进阶技巧把单步预测改成多步并验证泛化源码 V1 大概率是单步预测但实际业务要的是未来 24 小时曲线。最直接的做法是把horizon改成 24输出层Dense(24)一次吐出全天。但多步误差会累积我一般会做两件事验证一是滚动预测用预测值回填输入再预测下一步看误差怎么放大二是分季节评估把测试集按春夏秋冬切开分别算 RMSE因为负荷对温度敏感夏天和冬天的误差分布完全不同。# 多步输出改造 def build_multi_step(lookback, n_features, horizon24): model models.Sequential([ layers.LSTM(64, input_shape(lookback, n_features)), layers.Dropout(0.2), layers.Dense(32, activationrelu), layers.Dense(horizon) # 一次输出未来24小时 ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model # 分季节评估 df_test df.iloc[val_end:].copy() df_test[pred] pred_real df_test[month] pd.to_datetime(df_test[timestamp]).dt.month for season, months in {夏:[6,7,8], 冬:[12,1,2]}.items(): sub df_test[df_test[month].isin(months)] if len(sub): r np.sqrt(mean_squared_error(sub[load], sub[pred])) print(f{season}季 RMSE{r:.2f})逻辑说明多步输出把Dense(1)换成Dense(horizon)标签也要相应改成未来 24 个点。分季节评估能暴露模型在极端温度下的短板如果夏季 RMSE 远高于其他季节说明温度特征没被充分利用可以考虑给温度加多项式项或分段特征。参数上horizon24对应日前预测做周预测就设 168但序列越长精度越难保证通常要配合更长的lookback。从那以后我每次拿到这类负荷预测源码都强制先跑一遍数据对齐检查和反归一化验证再谈调模型——因为十次指标异常里有八次根本不在网络结构上。希望帮到你。本文还有配套的精品资源点击获取 基于深度学习的多特征电力负荷预测源码实战：从数据对齐到模型调优
简介这份资源是面向电力负荷预测方向的Python深度学习实战源码包适合具备一定机器学习基础、希望将神经网络应用于时间序列预测的开发者与研究人员。它围绕多特征输入展开涵盖历史负荷、温度、湿度、风速及日期时间等变量的处理可用于智能电网资源调配与需求预测等场景。压缩包共9个文件约795KB包含3个py源码文件、2个csv数据集、1个xlsx表格、2个md说明文档及1个license源码、数据与文档配套齐全便于直接运行与二次开发。目前已有72人学习下载。读者可从中获得完整的模型构建流程包括数据清洗、归一化、特征工程、网络结构定义、训练与评估等环节并参考MSE、RMSE、MAE等指标验证效果是入门深度学习负荷预测的实用参考。1. 电力负荷预测源码拆包从 raw_data 到 V1 模型能跑通什么电力负荷预测这件事真正上手做过的人都知道难点从来不是选 MLP 还是 LSTM这种教科书问题而是拿到一份历史负荷表之后温度、湿度、节假日、时刻这些字段怎么对齐、怎么喂进网络、预测出来的曲线为什么总是滞后一天。这份python基于深度学习的多特征电力负荷预测源码.zip就是冲着这个场景来的它把多特征输入、深度学习建模、训练评估这条链路打包成了一个可以直接跑的工程目录里有raw_data、power_load_forecasting_V1、README.md和LICENSE属于那种下载完不用从零搭骨架的源码包。适合正在做电力、能源、园区用能预测的 Python 开发者也适合想拿一个真实多特征时序项目练手深度学习的人。下面我按拆包顺序讲清楚它怎么用、参数怎么设、哪里容易翻车。2. 环境与数据准备把 raw_data 喂进模型前要做的四件事2.1 依赖环境与目录结构确认拿到压缩包先别急着python train.py先解压看结构。典型布局是根目录放README.md、LICENSEraw_data存原始负荷与气象数据power_load_forecasting_V1是主代码目录。我一般会先建一个独立虚拟环境避免和系统里的 TensorFlow、PyTorch 版本打架——这类时序项目对 numpy、pandas 版本比较敏感混装很容易出现np.float被移除之类的玄学报错。# 建虚拟环境Python 3.8~3.10 兼容性最好 python -m venv venv # Linux / macOS source venv/bin/activate # Windows venv\Scripts\activate # 装核心依赖版本按 README 走没写就锁这几个区间 pip install numpy pandas scikit-learn matplotlib pip install tensorflow2.10.0 # 或 torch看源码用的是哪个逻辑说明虚拟环境是为了隔离依赖tensorflow2.10.0是常见做法因为 2.11 之后部分 Keras 接口有变动老源码容易在model.fit上报参数不识别。参数上如果你机器有 NVIDIA 显卡装tensorflow-gpu或对应 CUDA 版本的 torch 能显著缩短训练时间纯 CPU 也能跑只是 LSTM 类模型会慢。装完先pip list确认没有两个深度学习框架同时存在否则 import 时可能串。2.2 多特征数据的字段对齐与清洗raw_data里的数据通常长这样一列时间戳一列负荷值外加温度、湿度、风速、是否节假日等外生特征。多特征预测翻车最多的地方就是时间对齐——气象数据可能是逐小时的负荷是 15 分钟粒度的直接 merge 会出现大量 NaN 或者错位。import pandas as pd # 读取原始数据parse_dates 把时间列转成 datetime load pd.read_csv(raw_data/load.csv, parse_dates[timestamp]) weather pd.read_csv(raw_data/weather.csv, parse_dates[timestamp]) # 统一到同一时间粒度负荷 15 分钟 - 小时取均值 load_h load.set_index(timestamp).resample(1H).mean().reset_index() # 按时间外连接气象数据用前向填充补齐缺失 df pd.merge(load_h, weather, ontimestamp, howleft) df df.ffill().bfill() # 构造时间特征小时、星期、是否周末 df[hour] df[timestamp].dt.hour df[weekday] df[timestamp].dt.weekday df[is_weekend] (df[weekday] 5).astype(int) print(df.isna().sum()) # 确认没有残留缺失逻辑说明resample(1H).mean()把高频负荷降到小时级是为了和气象数据对齐也降低序列长度、加快训练。ffill().bfill()是前向加后向填充气象站偶尔缺测时最省事的处理。参数上howleft保证以负荷时间轴为准不会因为气象多出几条记录把样本撑大。时间特征hour、weekday是负荷预测里性价比最高的三个特征之一因为用电行为有强周期性模型靠它们就能抓住早晚高峰。清洗完一定要打印缺失统计别默认数据是干净的。2.3 归一化与滑动窗口构造神经网络对量纲敏感负荷值动辄几千上万千瓦温度只有几十不归一化会让梯度被大数值主导。同时时序模型需要把序列切成过去 N 步预测未来 M 步的样本对。from sklearn.preprocessing import MinMaxScaler import numpy as np feature_cols [load, temperature, humidity, hour, weekday, is_weekend] scaler MinMaxScaler() df[feature_cols] scaler.fit_transform(df[feature_cols]) def make_windows(data, lookback24, horizon1): X, y [], [] for i in range(len(data) - lookback - horizon 1): X.append(data[i:ilookback]) y.append(data[ilookback:ilookbackhorizon, 0]) # 第0列是负荷 return np.array(X), np.array(y) arr df[feature_cols].values X, y make_windows(arr, lookback24, horizon1) print(X.shape, y.shape) # (样本数, 24, 6) (样本数, 1)逻辑说明MinMaxScaler把每列压到 0~1注意 scaler 要fit在训练集上、再transform测试集否则会数据泄漏——这是很多人忽略的坑。lookback24表示用过去 24 小时预测下一小时horizon1是单步预测要做日前预测就把它改成 24。y取第 0 列是因为负荷在特征矩阵第一列这个索引要和你的列顺序严格对应顺序错了模型照样能训但预测的是温度属于典型黑匣子式翻车。3. 模型搭建与训练power_load_forecasting_V1 里的网络怎么调3.1 选 LSTM 还是 MLP多特征时序的取舍源码目录名带 V1通常第一版会用相对稳的结构。多特征电力负荷是典型时间序列LSTM 或 GRU 能捕捉时序依赖是首选MLP 把 24 小时展平成一维也能跑但丢掉了时间顺序信息遇到节假日突变容易滞后。CNN 在这里一般只作为特征提取前端单独用效果不如循环网络。我的建议是先跑通源码自带的模型确认数据管道没问题再换结构对比。from tensorflow.keras import layers, models def build_lstm(lookback, n_features): model models.Sequential([ layers.LSTM(64, return_sequencesTrue, input_shape(lookback, n_features)), layers.LSTM(32), layers.Dropout(0.2), layers.Dense(16, activationrelu), layers.Dense(1) # 回归输出不加激活 ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model model build_lstm(lookback24, n_featuresX.shape[2]) model.summary()逻辑说明两层 LSTM第一层return_sequencesTrue把序列传给第二层第二层输出最后时刻的隐状态。Dropout(0.2)抑制过拟合电力负荷数据量不大时很必要。输出层Dense(1)不加激活函数因为回归任务要输出任意实数加了 sigmoid 会把预测锁死在 0~1。损失用mse优化器adam是默认稳妥选择。参数上64/32是常见起点序列长、特征多可以加大但要注意显存和过拟合。3.2 训练、验证与早停配置训练时最容易犯的错是拿全部数据训练再拿同一批数据评估指标好看但没意义。正确做法是按时序切分前 70% 训练、中间 15% 验证、最后 15% 测试绝不能随机打乱。from tensorflow.keras.callbacks import EarlyStopping n len(X) train_end, val_end int(n*0.7), int(n*0.85) X_train, y_train X[:train_end], y[:train_end] X_val, y_val X[train_end:val_end], y[train_end:val_end] X_test, y_test X[val_end:], y[val_end:] es EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue) history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs100, batch_size32, callbacks[es], verbose1 )逻辑说明时序切分保证训练集时间早于测试集模拟真实预测场景。EarlyStopping监控val_losspatience10表示连续 10 轮不下降就停restore_best_weightsTrue回滚到最优权重避免最后一轮过拟合。batch_size32是常规值样本少可以降到 16。训练完看history.history[val_loss]曲线如果训练 loss 一直降、验证 loss 反弹就是过拟合回去加 Dropout 或减层。3.3 评估指标与预测结果还原模型输出是归一化后的值评估前要反归一化回真实量纲否则 RMSE 没有物理意义。from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np pred model.predict(X_test) # 反归一化只对负荷列做逆变换 def inverse_load(scaled, scaler, col_idx0, n_features6): dummy np.zeros((len(scaled), n_features)) dummy[:, col_idx] scaled.flatten() return scaler.inverse_transform(dummy)[:, col_idx] pred_real inverse_load(pred, scaler) true_real inverse_load(y_test, scaler) rmse np.sqrt(mean_squared_error(true_real, pred_real)) mae mean_absolute_error(true_real, pred_real) print(fRMSE{rmse:.2f}, MAE{mae:.2f})逻辑说明反归一化要构造一个和原特征同宽度的矩阵把预测值填进负荷列再逆变换直接对单列逆变换会报维度错。RMSE 对大误差敏感MAE 更稳健两个一起看。参数上col_idx0必须和前面特征列顺序一致。如果 RMSE 明显大于负荷日均波动说明模型没学到东西先回去查数据对齐和归一化。4. 避坑与排查多特征负荷预测最常见的五个翻车点4.1 现象预测曲线整体滞后真实值一天原因滑动窗口构造时把未来信息混进了输入或者时间特征没做周期性编码模型只能靠昨天同一时刻硬猜。解决检查make_windows的索引边界确保X只含i到ilookback-1把hour用 sin/cos 编码成周期特征而不是直接用 0~23 的整数。4.2 现象验证 loss 是 nan原因归一化前数据里有 inf 或极端异常值或者学习率过大导致梯度爆炸。解决清洗阶段加df.replace([np.inf, -np.inf], np.nan).dropna()训练时把adam学习率降到1e-3甚至1e-4必要时加梯度裁剪clipnorm1.0。4.3 现象测试集指标好得离谱原因归一化 scaler 在全体数据上 fit测试集信息泄漏到训练过程。解决scaler 只在训练集 fit验证和测试集用同一个 scaler transform这是血泪经验指标虚高往往就出在这一行。4.4 现象节假日预测误差突然放大原因is_weekend只区分了周末没区分法定节假日而节假日用电模式和周末完全不同。解决在特征里加一列is_holiday用节假日日历表映射或者把日期特征做得更细。4.5 现象换一台机器跑结果对不上原因没固定随机种子numpy、tensorflow 每次初始化权重不同。解决在代码开头统一设种子保证可复现。import numpy as np, tensorflow as tf, random seed 42 np.random.seed(seed) tf.random.set_seed(seed) random.seed(seed)5. 进阶技巧把单步预测改成多步并验证泛化源码 V1 大概率是单步预测但实际业务要的是未来 24 小时曲线。最直接的做法是把horizon改成 24输出层Dense(24)一次吐出全天。但多步误差会累积我一般会做两件事验证一是滚动预测用预测值回填输入再预测下一步看误差怎么放大二是分季节评估把测试集按春夏秋冬切开分别算 RMSE因为负荷对温度敏感夏天和冬天的误差分布完全不同。# 多步输出改造 def build_multi_step(lookback, n_features, horizon24): model models.Sequential([ layers.LSTM(64, input_shape(lookback, n_features)), layers.Dropout(0.2), layers.Dense(32, activationrelu), layers.Dense(horizon) # 一次输出未来24小时 ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model # 分季节评估 df_test df.iloc[val_end:].copy() df_test[pred] pred_real df_test[month] pd.to_datetime(df_test[timestamp]).dt.month for season, months in {夏:[6,7,8], 冬:[12,1,2]}.items(): sub df_test[df_test[month].isin(months)] if len(sub): r np.sqrt(mean_squared_error(sub[load], sub[pred])) print(f{season}季 RMSE{r:.2f})逻辑说明多步输出把Dense(1)换成Dense(horizon)标签也要相应改成未来 24 个点。分季节评估能暴露模型在极端温度下的短板如果夏季 RMSE 远高于其他季节说明温度特征没被充分利用可以考虑给温度加多项式项或分段特征。参数上horizon24对应日前预测做周预测就设 168但序列越长精度越难保证通常要配合更长的lookback。从那以后我每次拿到这类负荷预测源码都强制先跑一遍数据对齐检查和反归一化验证再谈调模型——因为十次指标异常里有八次根本不在网络结构上。希望帮到你。本文还有配套的精品资源点击获取