电力负荷预测 - LSTM模型

基于LSTM深度学习模型的电力负荷预测系统。

🔥 PyTorch版本（推荐）

现在提供了PyTorch版本，具有更直观的语法和更好的调试体验！

项目结构

load_forecasting/
├── data/                    # 数据文件夹
├── models/                  # 保存的模型
├── utils/                   # 工具函数
├── notebooks/               # Jupyter笔记本
├── data_generator.py        # 数据生成器
├── data_preprocessor.py     # 数据预处理
├── lstm_model.py           # LSTM模型定义 (TensorFlow)
├── lstm_model_pytorch.py   # LSTM模型定义 (PyTorch)
├── train.py                # 训练脚本 (TensorFlow)
├── train_pytorch.py        # 训练脚本 (PyTorch)
├── predict.py              # 预测脚本 (TensorFlow)
├── predict_pytorch.py      # 预测脚本 (PyTorch)
└── requirements.txt        # 依赖包

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 生成示例数据

python data_generator.py

3. 训练模型 (PyTorch版本)

python train_pytorch.py

4. 或使用TensorFlow版本

python train.py

5. 进行预测

# 使用PyTorch版本
python predict_pytorch.py

功能特点

• 🔥 基于LSTM的深度学习模型
• 🚀 支持TensorFlow和PyTorch双框架
• 📊 自动数据预处理和特征工程
• 📈 多种评估指标 (RMSE, MAE, R², MAPE)
• 🎯 支持多步预测
• 📋 详细的可视化分析
• ⚡ 模型保存和加载

评估指标说明

本项目使用以下核心指标来评估模型的性能：

指标	全称 (英文)	公式	解释
MAE	Mean Absolute Error	`(1/n) Σ	y - ŷ
RMSE	Root Mean Squared Error	sqrt((1/n) Σ(y - ŷ)²)	均方根误差：均方误差的平方根。单位与原数据相同 (MW)，但由于对误差进行了平方，它会放大较大误差的惩罚，对异常值更敏感。
R²	Coefficient of Determination	1 - (Σ(y - ŷ)²) / (Σ(y - ȳ)²)	决定系数：表示模型对数据方差的解释程度。值越接近1，说明模型的拟合优度越好。0表示模型等同于用均值进行预测。
MAPE	Mean Absolute Percentage Error	`(100/n) Σ	(y - ŷ) / y

其中 y 是真实值, ŷ 是预测值, ȳ 是真实值的平均值, n 是样本数量。

模型特性

• 支持多变量时间序列预测
• 自动处理季节性和趋势
• 包含天气、时间等外部特征
• 支持不同时间窗口的预测