简介这份源码资源面向希望入门机器学习与能源预测的开发者及科研人员围绕BP神经网络实现用电量预测这一典型非线性回归任务。包内共2个文件以1个m脚本和1个mat数据文件为主脚本承担网络构建、训练与预测流程mat文件提供历史用电数据支撑实验压缩包整体约11KB轻量易读。已有182人学习下载适合作为课程设计或自学练手的参考案例。读者可从中了解数据预处理、特征选择、隐藏层节点设置、反向传播权重更新及模型验证等完整环节并对照代码理解梯度下降的收敛过程与过拟合防范思路。源码结构简洁便于在此基础上调整网络层数、激活函数或引入LSTM等模型进行对比优化是实践数据驱动预测方法的实用起点。1. 从一份「用电量预测」源码说起BP神经网络到底能解决什么问题很多做能源管理、园区配电、工厂能耗系统的朋友第一次接触「基于BP神经网络的用电量预测-源码」这个标题往往是因为被现实逼的月底要做负荷申报靠人工拍脑袋总被上级打回储能调度要提前一天决定充放电策略没有预测就只能被动响应电费账单里峰谷价差越拉越大预测偏差一个百分点就是真金白银。这时候你搜到一份源码最关心的不是神经网络有多玄学而是——它能不能跑起来、输入什么数据、输出准不准、我改哪里能适配自己的场景。BP神经网络Back Propagation本质是一个用误差反向传播来调权重的多层前馈网络它擅长拟合「历史负荷—时间—天气」这类非线性映射。用电量预测的典型输入是过去若干天的96点或24点负荷、星期几、是否节假日、温度湿度输出是未来一天或一小时的用电量。这份源码的价值在于把数据预处理、网络搭建、训练、预测、误差评估串成了一条可复现的流水线而不是只丢给你一个公式。适合谁适合有Python基础、手头有至少几个月历史用电数据、想快速搭一个基线预测系统的工程师。新手能照着跑通熟手能看清它的边界在哪、哪里需要换成LSTM或加入外部变量。2. 拆解BP神经网络用电量预测源码数据、网络、训练三段式2.1 先看数据长什么样再决定网络怎么搭拿到源码第一件事不是急着pip install而是打开数据文件看结构。用电量预测的数据通常是一张时间序列表第一列时间戳第二列有功功率或有功电量可能还有温度、湿度、节假日标记。常见做法是把原始15分钟或1小时数据聚合成96点/天的向量再用滑动窗口构造样本。比如用过去7天同一时刻加前一天同时刻作为输入特征预测明天该时刻的值。这里有个容易被忽略的点用电量存在明显的日周期和周周期如果直接把原始序列丢进网络BP很难自己学到「周一和周日不一样」这种规律。所以源码里一般会做两件事——归一化到[0,1]或标准化到均值0方差1以及构造时间特征星期几的one-hot、是否周末、是否节假日。归一化用MinMaxScaler还是StandardScaler要看数据分布用电量一般有稳定的上下界MinMax更直观但遇到极端天气导致的尖峰MinMax会把正常值压得太扁这时候StandardScaler更稳。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler # 读取历史用电数据假设列名为 ds(时间), y(用电量), temp(温度) df pd.read_csv(power_load.csv, parse_dates[ds]) df df.sort_values(ds).reset_index(dropTrue) # 构造时间特征小时、星期、是否周末 df[hour] df[ds].dt.hour df[weekday] df[ds].dt.weekday df[is_weekend] (df[weekday] 5).astype(int) # 对用电量和温度做归一化避免量纲差异导致梯度震荡 scaler_y MinMaxScaler() scaler_temp MinMaxScaler() df[y_norm] scaler_y.fit_transform(df[[y]]) df[temp_norm] scaler_temp.fit_transform(df[[temp]]) # 滑动窗口用过去7天同一小时 前一天同一小时作为输入 def make_samples(data, window7): X, y [], [] for i in range(window, len(data)): feat data[y_norm].iloc[i-window:i].values # 过去7个点 feat np.append(feat, data[temp_norm].iloc[i]) feat np.append(feat, data[is_weekend].iloc[i]) X.append(feat) y.append(data[y_norm].iloc[i]) return np.array(X), np.array(y) X, y make_samples(df) print(X.shape, y.shape) # 例如 (8760, 9) (8760,)这段代码的逻辑是先把时间戳拆成模型能吃的数值特征再归一化消除量纲最后用滑动窗口把时序转成监督学习样本。参数window7表示回看7个历史点如果你的数据是96点/天7个点还不到两小时建议改成window96*7回看一周。is_weekend这种0/1特征不需要归一化但温度必须和用电量一起缩放否则网络会认为温度不重要。跑完这一步打印X.shape确认样本数和特征数对得上如果出现nan回去检查原始数据有没有缺测值。2.2 BP网络结构怎么定层数、神经元、激活函数的选择依据源码里最常见的BP网络是三层结构输入层、一个隐藏层、输出层。输入层节点数等于特征数上面例子是9输出层1个节点预测值。隐藏层节点数没有铁律经验公式是sqrt(输入输出)aa取1到10或者直接取输入层节点数的1.5到2倍。用电量预测这种任务隐藏层10到30个神经元通常够用再多容易过拟合再少欠拟合。激活函数方面隐藏层用tanh或relu输出层用linear因为预测的是连续值不需要压缩到0-1。损失函数用MSE优化器用Adam或SGD。学习率是最大的玄学参数0.01起步训练loss震荡就降到0.001收敛太慢就升到0.05。批次大小32或64 epochs先设200看收敛曲线早停early stopping是后悔药patience设10到20验证集loss连续不降就停。import torch import torch.nn as nn class BPLoadNet(nn.Module): def __init__(self, input_dim): super().__init__() # 隐藏层输入维度 - 20 - 1tanh激活 self.net nn.Sequential( nn.Linear(input_dim, 20), nn.Tanh(), nn.Linear(20, 1) ) def forward(self, x): return self.net(x) model BPLoadNet(X.shape[1]) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.01) # 训练循环简化版 X_tensor torch.tensor(X, dtypetorch.float32) y_tensor torch.tensor(y, dtypetorch.float32).view(-1, 1) for epoch in range(200): pred model(X_tensor) loss criterion(pred, y_tensor) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 20 0: print(fepoch {epoch}, loss {loss.item():.6f})这段网络定义里nn.Linear(input_dim, 20)的20就是隐藏层神经元数nn.Tanh()是激活函数。如果你发现训练loss降到0.001以下但验证loss开始上升说明过拟合了解决办法是减神经元、加Dropout层、或者增加训练数据。lr0.01是初始值实际调参时建议用torch.optim.lr_scheduler做衰减。注意输入X_tensor的维度要和input_dim一致否则会报维度不匹配的错。2.3 训练完怎么验证误差指标和可视化不能只看MSE训练loss低不代表预测准。用电量预测最关心的指标是MAPE平均绝对百分比误差和RMSE。MAPE能直观告诉你「平均偏差百分之几」RMSE对尖峰更敏感。源码里一般会划分训练集和测试集常见比例8:2或7:3但时序数据不能随机打乱必须按时间顺序切否则会用未来数据预测过去指标虚高。验证时把预测值反归一化回原始量纲再和真实值对比。画一张「真实vs预测」的折线图重点看峰谷时段是否跟上。如果峰时预测偏低、谷时预测偏高说明网络没学到负荷的日内波动需要增加历史窗口长度或加入小时特征。如果周末预测普遍偏高检查is_weekend特征有没有正确传入。# 反归一化并计算MAPE model.eval() with torch.no_grad(): pred_norm model(X_tensor).numpy() pred_real scaler_y.inverse_transform(pred_norm) y_real scaler_y.inverse_transform(y_tensor.numpy()) mape np.mean(np.abs((y_real - pred_real) / y_real)) * 100 rmse np.sqrt(np.mean((y_real - pred_real) ** 2)) print(fMAPE: {mape:.2f}%, RMSE: {rmse:.2f})这里scaler_y.inverse_transform把归一化后的预测值还原成千瓦时mape计算时要注意真实值不能为0否则除零报错。如果MAPE超过10%先别急着换模型回去检查数据里有没有异常尖峰没处理、温度特征是不是和用电量同步。我一般会先把MAPE降到8%以内再考虑上LSTM或XGBoost做对比。3. 把源码跑起来的完整路径环境、数据、训练、预测四步3.1 环境依赖和版本坑Python、PyTorch、Pandas怎么配源码能不能跑一半取决于环境。常见依赖是numpy、pandas、scikit-learn、torch或tensorflow。如果你拿到的是TensorFlow 1.x写的代码现在装TF2会报Session找不到要么装tensorflow1.15要么把代码改成Keras风格。PyTorch版本相对省心但也要注意torch.tensor和torch.FloatTensor的区别。建议用conda建独立环境避免和系统Python打架conda create -n load_forecast python3.9 conda activate load_forecast pip install numpy pandas scikit-learn matplotlib pip install torch2.0.1 # 根据CUDA版本选CPU版直接pip install torch装完先跑import torch; print(torch.__version__)确认版本。如果源码里有from keras.models import Sequential说明是Keras/TF系装tensorflow2.10以上。数据文件路径不要用中文和空格Windows下尤其容易出编码错误pd.read_csv加encodingutf-8或gbk试一下。3.2 数据准备历史用电量从哪来、怎么清洗没有数据源码就是空壳。历史用电量常见来源是电表导出、SCADA系统、或者公开数据集。拿到数据后先做三件事补缺测、去异常、对齐时间频率。缺测值用前向填充或线性插值异常值用3σ原则或IQR识别后替换。时间频率不一致的比如有的15分钟、有的1小时统一重采样到1小时或96点。# 处理缺测和异常 df[y] df[y].interpolate(methodlinear) # 线性插值补缺 q1, q3 df[y].quantile([0.25, 0.75]) iqr q3 - q1 lower, upper q1 - 1.5*iqr, q3 1.5*iqr df[y] df[y].clip(lower, upper) # 截断异常值 # 重采样到1小时 df df.set_index(ds).resample(1H).mean().reset_index()interpolate对连续缺测有效如果缺了一整天插值会失真建议直接删掉那天。clip把超出上下界的值拉回来但会损失尖峰信息如果尖峰是真实负荷比如大型设备启动不要截断改用平滑滤波。重采样用mean还是sum取决于你的电量是功率还是电量功率取平均电量取求和。3.3 训练与预测把模型保存下来下次直接加载训练完的模型要保存否则每次预测都重训一遍太浪费时间。PyTorch用torch.save(model.state_dict(), bp_load.pth)加载时先实例化网络再load_state_dict。预测时把新数据按同样的归一化和窗口构造输入输出反归一化。# 保存模型 torch.save(model.state_dict(), bp_load.pth) # 加载并预测 model_new BPLoadNet(input_dim9) model_new.load_state_dict(torch.load(bp_load.pth)) model_new.eval() # 假设 new_data 是最近7个历史点温度周末标记 new_input torch.tensor(new_data, dtypetorch.float32) with torch.no_grad(): pred model_new(new_input).numpy() pred_kwh scaler_y.inverse_transform(pred) print(f预测用电量: {pred_kwh[0][0]:.2f} kWh)保存模型时只存state_dict不存整个模型这样加载时不受代码路径影响。input_dim必须和训练时一致否则load_state_dict会报尺寸不匹配。预测输入的特征顺序要和训练时完全一样温度、周末标记一个都不能少顺序错了结果就废了。4. 避坑与排查BP用电量预测源码最常见的5个翻车点4.1 现象训练loss一直不降停在0.1左右原因学习率太大导致震荡或者输入特征没归一化量纲差异让梯度爆炸。 解决把学习率降到0.001检查所有输入是否都在相近数量级。用电量和温度必须一起归一化不能只归一化用电量。4.2 现象预测曲线比真实曲线滞后一个时段原因滑动窗口只用了历史值没有引入未来已知变量如明天是星期几、天气预报温度。 解决把「预测时刻的星期几、是否节假日」作为输入特征加进去这些信息在预测时是已知的。如果做日前预测天气预报温度也可以作为输入。4.3 现象MAPE在训练集很低测试集很高原因过拟合。网络把训练样本背下来了没学到泛化规律。 解决减少隐藏层神经元从20降到10加Dropout层nn.Dropout(0.2)或者增加训练数据量。早停也是有效手段验证集loss不降就停。4.4 现象周末预测误差明显大于工作日原因周末用电模式和工作日差异大但样本里周末占比少网络没学充分。 解决把is_weekend作为显式特征传入或者对周末和工作日分别训练两个模型。如果数据里周末样本太少可以用过采样复制周末样本。4.5 现象换了一份新数据预测结果完全不对原因新数据的量纲、时间频率、缺测处理方式和训练数据不一致。 解决对新数据做和训练时完全相同的预处理流程归一化参数必须用训练集的scaler不能重新fit。时间频率统一到1小时或96点缺测用同样的插值方法。5. 进阶技巧用残差修正和滚动预测把MAPE再压两个点BP神经网络做用电量预测基线MAPE通常在8%到12%之间。想再往下压有两个实操技巧。第一个是残差修正先用BP预测一遍把预测值和真实值的差残差拿出来看残差有没有规律。如果残差在峰时段系统性偏正、谷时段偏负说明网络对峰谷响应不足可以再训一个小的BP网络专门预测残差最后把两个输出相加。第二个是滚动预测不要一次性预测未来24小时而是预测1小时、把预测值喂回输入窗口、再预测下一小时。滚动预测能利用最新信息但误差会累积适合短期预测。# 残差修正示例 residual y_real - pred_real # 训练集残差 # 用同样的特征训练残差网络 res_model BPLoadNet(input_dim9) # ... 训练过程省略 ... # 最终预测 主网络输出 残差网络输出 final_pred pred_real res_model(new_input).numpy()残差网络不要设太多神经元5到10个就够否则会把噪声也学进去。滚动预测时每次喂回的预测值要用反归一化后的真实量纲再重新归一化否则尺度会漂。验证方法上我习惯留出最近一个月的连续数据做「盲测」不参与训练也不参与调参只看最终MAPE。如果盲测MAPE比测试集高超过3个百分点说明模型对近期模式变化不适应需要加入滑动窗口重训。参数表格供参考参数常用值调整方向隐藏层神经元10~30过拟合减欠拟合加学习率0.001~0.01震荡降收敛慢升批次大小32~64显存小用16回看窗口24~168周期性强用168早停patience10~20数据噪声大用20最后说个血泪经验别一上来就追求MAPE低于5%用电量本身受天气、节假日、临时大负荷影响波动是客观存在的。先把数据清洗和特征工程做扎实再调网络结构顺序反了就是白费功夫。我一般会先跑通基线记录MAPE然后每次只改一个参数看指标变化改多了根本不知道是哪个起了作用。希望帮到你。本文还有配套的精品资源点击获取
BP神经网络用电量预测源码实战：从数据预处理到模型调优
简介这份源码资源面向希望入门机器学习与能源预测的开发者及科研人员围绕BP神经网络实现用电量预测这一典型非线性回归任务。包内共2个文件以1个m脚本和1个mat数据文件为主脚本承担网络构建、训练与预测流程mat文件提供历史用电数据支撑实验压缩包整体约11KB轻量易读。已有182人学习下载适合作为课程设计或自学练手的参考案例。读者可从中了解数据预处理、特征选择、隐藏层节点设置、反向传播权重更新及模型验证等完整环节并对照代码理解梯度下降的收敛过程与过拟合防范思路。源码结构简洁便于在此基础上调整网络层数、激活函数或引入LSTM等模型进行对比优化是实践数据驱动预测方法的实用起点。1. 从一份「用电量预测」源码说起BP神经网络到底能解决什么问题很多做能源管理、园区配电、工厂能耗系统的朋友第一次接触「基于BP神经网络的用电量预测-源码」这个标题往往是因为被现实逼的月底要做负荷申报靠人工拍脑袋总被上级打回储能调度要提前一天决定充放电策略没有预测就只能被动响应电费账单里峰谷价差越拉越大预测偏差一个百分点就是真金白银。这时候你搜到一份源码最关心的不是神经网络有多玄学而是——它能不能跑起来、输入什么数据、输出准不准、我改哪里能适配自己的场景。BP神经网络Back Propagation本质是一个用误差反向传播来调权重的多层前馈网络它擅长拟合「历史负荷—时间—天气」这类非线性映射。用电量预测的典型输入是过去若干天的96点或24点负荷、星期几、是否节假日、温度湿度输出是未来一天或一小时的用电量。这份源码的价值在于把数据预处理、网络搭建、训练、预测、误差评估串成了一条可复现的流水线而不是只丢给你一个公式。适合谁适合有Python基础、手头有至少几个月历史用电数据、想快速搭一个基线预测系统的工程师。新手能照着跑通熟手能看清它的边界在哪、哪里需要换成LSTM或加入外部变量。2. 拆解BP神经网络用电量预测源码数据、网络、训练三段式2.1 先看数据长什么样再决定网络怎么搭拿到源码第一件事不是急着pip install而是打开数据文件看结构。用电量预测的数据通常是一张时间序列表第一列时间戳第二列有功功率或有功电量可能还有温度、湿度、节假日标记。常见做法是把原始15分钟或1小时数据聚合成96点/天的向量再用滑动窗口构造样本。比如用过去7天同一时刻加前一天同时刻作为输入特征预测明天该时刻的值。这里有个容易被忽略的点用电量存在明显的日周期和周周期如果直接把原始序列丢进网络BP很难自己学到「周一和周日不一样」这种规律。所以源码里一般会做两件事——归一化到[0,1]或标准化到均值0方差1以及构造时间特征星期几的one-hot、是否周末、是否节假日。归一化用MinMaxScaler还是StandardScaler要看数据分布用电量一般有稳定的上下界MinMax更直观但遇到极端天气导致的尖峰MinMax会把正常值压得太扁这时候StandardScaler更稳。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler # 读取历史用电数据假设列名为 ds(时间), y(用电量), temp(温度) df pd.read_csv(power_load.csv, parse_dates[ds]) df df.sort_values(ds).reset_index(dropTrue) # 构造时间特征小时、星期、是否周末 df[hour] df[ds].dt.hour df[weekday] df[ds].dt.weekday df[is_weekend] (df[weekday] 5).astype(int) # 对用电量和温度做归一化避免量纲差异导致梯度震荡 scaler_y MinMaxScaler() scaler_temp MinMaxScaler() df[y_norm] scaler_y.fit_transform(df[[y]]) df[temp_norm] scaler_temp.fit_transform(df[[temp]]) # 滑动窗口用过去7天同一小时 前一天同一小时作为输入 def make_samples(data, window7): X, y [], [] for i in range(window, len(data)): feat data[y_norm].iloc[i-window:i].values # 过去7个点 feat np.append(feat, data[temp_norm].iloc[i]) feat np.append(feat, data[is_weekend].iloc[i]) X.append(feat) y.append(data[y_norm].iloc[i]) return np.array(X), np.array(y) X, y make_samples(df) print(X.shape, y.shape) # 例如 (8760, 9) (8760,)这段代码的逻辑是先把时间戳拆成模型能吃的数值特征再归一化消除量纲最后用滑动窗口把时序转成监督学习样本。参数window7表示回看7个历史点如果你的数据是96点/天7个点还不到两小时建议改成window96*7回看一周。is_weekend这种0/1特征不需要归一化但温度必须和用电量一起缩放否则网络会认为温度不重要。跑完这一步打印X.shape确认样本数和特征数对得上如果出现nan回去检查原始数据有没有缺测值。2.2 BP网络结构怎么定层数、神经元、激活函数的选择依据源码里最常见的BP网络是三层结构输入层、一个隐藏层、输出层。输入层节点数等于特征数上面例子是9输出层1个节点预测值。隐藏层节点数没有铁律经验公式是sqrt(输入输出)aa取1到10或者直接取输入层节点数的1.5到2倍。用电量预测这种任务隐藏层10到30个神经元通常够用再多容易过拟合再少欠拟合。激活函数方面隐藏层用tanh或relu输出层用linear因为预测的是连续值不需要压缩到0-1。损失函数用MSE优化器用Adam或SGD。学习率是最大的玄学参数0.01起步训练loss震荡就降到0.001收敛太慢就升到0.05。批次大小32或64 epochs先设200看收敛曲线早停early stopping是后悔药patience设10到20验证集loss连续不降就停。import torch import torch.nn as nn class BPLoadNet(nn.Module): def __init__(self, input_dim): super().__init__() # 隐藏层输入维度 - 20 - 1tanh激活 self.net nn.Sequential( nn.Linear(input_dim, 20), nn.Tanh(), nn.Linear(20, 1) ) def forward(self, x): return self.net(x) model BPLoadNet(X.shape[1]) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.01) # 训练循环简化版 X_tensor torch.tensor(X, dtypetorch.float32) y_tensor torch.tensor(y, dtypetorch.float32).view(-1, 1) for epoch in range(200): pred model(X_tensor) loss criterion(pred, y_tensor) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 20 0: print(fepoch {epoch}, loss {loss.item():.6f})这段网络定义里nn.Linear(input_dim, 20)的20就是隐藏层神经元数nn.Tanh()是激活函数。如果你发现训练loss降到0.001以下但验证loss开始上升说明过拟合了解决办法是减神经元、加Dropout层、或者增加训练数据。lr0.01是初始值实际调参时建议用torch.optim.lr_scheduler做衰减。注意输入X_tensor的维度要和input_dim一致否则会报维度不匹配的错。2.3 训练完怎么验证误差指标和可视化不能只看MSE训练loss低不代表预测准。用电量预测最关心的指标是MAPE平均绝对百分比误差和RMSE。MAPE能直观告诉你「平均偏差百分之几」RMSE对尖峰更敏感。源码里一般会划分训练集和测试集常见比例8:2或7:3但时序数据不能随机打乱必须按时间顺序切否则会用未来数据预测过去指标虚高。验证时把预测值反归一化回原始量纲再和真实值对比。画一张「真实vs预测」的折线图重点看峰谷时段是否跟上。如果峰时预测偏低、谷时预测偏高说明网络没学到负荷的日内波动需要增加历史窗口长度或加入小时特征。如果周末预测普遍偏高检查is_weekend特征有没有正确传入。# 反归一化并计算MAPE model.eval() with torch.no_grad(): pred_norm model(X_tensor).numpy() pred_real scaler_y.inverse_transform(pred_norm) y_real scaler_y.inverse_transform(y_tensor.numpy()) mape np.mean(np.abs((y_real - pred_real) / y_real)) * 100 rmse np.sqrt(np.mean((y_real - pred_real) ** 2)) print(fMAPE: {mape:.2f}%, RMSE: {rmse:.2f})这里scaler_y.inverse_transform把归一化后的预测值还原成千瓦时mape计算时要注意真实值不能为0否则除零报错。如果MAPE超过10%先别急着换模型回去检查数据里有没有异常尖峰没处理、温度特征是不是和用电量同步。我一般会先把MAPE降到8%以内再考虑上LSTM或XGBoost做对比。3. 把源码跑起来的完整路径环境、数据、训练、预测四步3.1 环境依赖和版本坑Python、PyTorch、Pandas怎么配源码能不能跑一半取决于环境。常见依赖是numpy、pandas、scikit-learn、torch或tensorflow。如果你拿到的是TensorFlow 1.x写的代码现在装TF2会报Session找不到要么装tensorflow1.15要么把代码改成Keras风格。PyTorch版本相对省心但也要注意torch.tensor和torch.FloatTensor的区别。建议用conda建独立环境避免和系统Python打架conda create -n load_forecast python3.9 conda activate load_forecast pip install numpy pandas scikit-learn matplotlib pip install torch2.0.1 # 根据CUDA版本选CPU版直接pip install torch装完先跑import torch; print(torch.__version__)确认版本。如果源码里有from keras.models import Sequential说明是Keras/TF系装tensorflow2.10以上。数据文件路径不要用中文和空格Windows下尤其容易出编码错误pd.read_csv加encodingutf-8或gbk试一下。3.2 数据准备历史用电量从哪来、怎么清洗没有数据源码就是空壳。历史用电量常见来源是电表导出、SCADA系统、或者公开数据集。拿到数据后先做三件事补缺测、去异常、对齐时间频率。缺测值用前向填充或线性插值异常值用3σ原则或IQR识别后替换。时间频率不一致的比如有的15分钟、有的1小时统一重采样到1小时或96点。# 处理缺测和异常 df[y] df[y].interpolate(methodlinear) # 线性插值补缺 q1, q3 df[y].quantile([0.25, 0.75]) iqr q3 - q1 lower, upper q1 - 1.5*iqr, q3 1.5*iqr df[y] df[y].clip(lower, upper) # 截断异常值 # 重采样到1小时 df df.set_index(ds).resample(1H).mean().reset_index()interpolate对连续缺测有效如果缺了一整天插值会失真建议直接删掉那天。clip把超出上下界的值拉回来但会损失尖峰信息如果尖峰是真实负荷比如大型设备启动不要截断改用平滑滤波。重采样用mean还是sum取决于你的电量是功率还是电量功率取平均电量取求和。3.3 训练与预测把模型保存下来下次直接加载训练完的模型要保存否则每次预测都重训一遍太浪费时间。PyTorch用torch.save(model.state_dict(), bp_load.pth)加载时先实例化网络再load_state_dict。预测时把新数据按同样的归一化和窗口构造输入输出反归一化。# 保存模型 torch.save(model.state_dict(), bp_load.pth) # 加载并预测 model_new BPLoadNet(input_dim9) model_new.load_state_dict(torch.load(bp_load.pth)) model_new.eval() # 假设 new_data 是最近7个历史点温度周末标记 new_input torch.tensor(new_data, dtypetorch.float32) with torch.no_grad(): pred model_new(new_input).numpy() pred_kwh scaler_y.inverse_transform(pred) print(f预测用电量: {pred_kwh[0][0]:.2f} kWh)保存模型时只存state_dict不存整个模型这样加载时不受代码路径影响。input_dim必须和训练时一致否则load_state_dict会报尺寸不匹配。预测输入的特征顺序要和训练时完全一样温度、周末标记一个都不能少顺序错了结果就废了。4. 避坑与排查BP用电量预测源码最常见的5个翻车点4.1 现象训练loss一直不降停在0.1左右原因学习率太大导致震荡或者输入特征没归一化量纲差异让梯度爆炸。 解决把学习率降到0.001检查所有输入是否都在相近数量级。用电量和温度必须一起归一化不能只归一化用电量。4.2 现象预测曲线比真实曲线滞后一个时段原因滑动窗口只用了历史值没有引入未来已知变量如明天是星期几、天气预报温度。 解决把「预测时刻的星期几、是否节假日」作为输入特征加进去这些信息在预测时是已知的。如果做日前预测天气预报温度也可以作为输入。4.3 现象MAPE在训练集很低测试集很高原因过拟合。网络把训练样本背下来了没学到泛化规律。 解决减少隐藏层神经元从20降到10加Dropout层nn.Dropout(0.2)或者增加训练数据量。早停也是有效手段验证集loss不降就停。4.4 现象周末预测误差明显大于工作日原因周末用电模式和工作日差异大但样本里周末占比少网络没学充分。 解决把is_weekend作为显式特征传入或者对周末和工作日分别训练两个模型。如果数据里周末样本太少可以用过采样复制周末样本。4.5 现象换了一份新数据预测结果完全不对原因新数据的量纲、时间频率、缺测处理方式和训练数据不一致。 解决对新数据做和训练时完全相同的预处理流程归一化参数必须用训练集的scaler不能重新fit。时间频率统一到1小时或96点缺测用同样的插值方法。5. 进阶技巧用残差修正和滚动预测把MAPE再压两个点BP神经网络做用电量预测基线MAPE通常在8%到12%之间。想再往下压有两个实操技巧。第一个是残差修正先用BP预测一遍把预测值和真实值的差残差拿出来看残差有没有规律。如果残差在峰时段系统性偏正、谷时段偏负说明网络对峰谷响应不足可以再训一个小的BP网络专门预测残差最后把两个输出相加。第二个是滚动预测不要一次性预测未来24小时而是预测1小时、把预测值喂回输入窗口、再预测下一小时。滚动预测能利用最新信息但误差会累积适合短期预测。# 残差修正示例 residual y_real - pred_real # 训练集残差 # 用同样的特征训练残差网络 res_model BPLoadNet(input_dim9) # ... 训练过程省略 ... # 最终预测 主网络输出 残差网络输出 final_pred pred_real res_model(new_input).numpy()残差网络不要设太多神经元5到10个就够否则会把噪声也学进去。滚动预测时每次喂回的预测值要用反归一化后的真实量纲再重新归一化否则尺度会漂。验证方法上我习惯留出最近一个月的连续数据做「盲测」不参与训练也不参与调参只看最终MAPE。如果盲测MAPE比测试集高超过3个百分点说明模型对近期模式变化不适应需要加入滑动窗口重训。参数表格供参考参数常用值调整方向隐藏层神经元10~30过拟合减欠拟合加学习率0.001~0.01震荡降收敛慢升批次大小32~64显存小用16回看窗口24~168周期性强用168早停patience10~20数据噪声大用20最后说个血泪经验别一上来就追求MAPE低于5%用电量本身受天气、节假日、临时大负荷影响波动是客观存在的。先把数据清洗和特征工程做扎实再调网络结构顺序反了就是白费功夫。我一般会先跑通基线记录MAPE然后每次只改一个参数看指标变化改多了根本不知道是哪个起了作用。希望帮到你。本文还有配套的精品资源点击获取