本项目围绕小时级电力负荷预测,搭建了一套从数据分析、模型训练、基线对比到结果导出的完整流程。项目最终实现的核心模型是 MS-TCN-TiDE,目标是:在已知历史负荷和未来日历信息的条件下,一次性预测未来 168 小时,也就是未来一周的逐小时负荷。(注:不是滚动预测,而是直接多步预测168小时的负荷)项目做了完整对比实验,对比模型包括TCN、TiDE、PatchTST、Informer 和 Transformer,并且绘制了非常精美的实验结果对比图。 项目采用的数据来自:https://www.kaggle.com/datasets/saurabhshahane/electricity-load-forecasting
该数据集是小时级电力负荷数据集,核心文件为 continuous dataset.csv,其中包含真实负荷 nat_demand、多个气象站点的温度/湿度/风速等天气变量,以及节假日、学校日、时间戳等日历信息。是一个难的真实负荷数据集。数据特点是时间跨度较长、采样频率固定为 1 小时,负荷序列具有明显的日周期、周周期和季节变化,同时会受到天气和特殊日期影响,适合用于一周尺度的负荷预测建模与对比实验。
此数据目录和介绍如下:

项目做了什么
整个程序分为三个阶段:第一阶段进行数据分析,检查负荷、天气、时间特征、缺失值和已有预测结果,并将结果保存到 STEP1_results_output;第二阶段进行模型训练,从 continuous dataset.csv 重新构造无泄漏样本,默认使用 2015-2017 年训练、2018 年验证、2019 年测试,并排除 2020 年数据;第三阶段加载训练好的 MS-TCN-TiDE 模型,对指定时间范围输出逐小时负荷预测结果。
项目核心数据来自 continuous dataset.csv,其中包含小时级真实负荷 nat_demand、天气变量和日历变量;weekly pre-dispatch forecast.csv 是原始数据中已有的一周预调度预测结果,只用于对照分析,不参与模型训练。数据处理时,程序会构造时间周期特征、节假日/学校日特征,以及温度、湿度、风速等天气统计与派生特征,并基于训练集完成标准化。
样本以“一周预测窗口”为单位构建:每个样本使用最后可获得的历史负荷和相关特征,经过 73 小时提前量后,直接预测未来 168 小时负荷。历史输入包括最近 336 小时、日周期、周周期和低频趋势信息;未来输入默认只使用可提前知道的日历特征,从而更接近真实预调度预测场景。
创新模型与对比模型
本项目的创新模型是 MS-TCN-TiDE。它的优势在于同时考虑短期连续变化、日周期、周周期和低频趋势,并用直接多步预测的方式一次输出未来 168 小时结果,避免滚动预测中误差逐步累积。
模型搭建上,MS-TCN-TiDE 可以理解为“多尺度历史编码 + 未来信息解码”的结构。前半部分用多组 TCN 分支分别学习最近连续负荷、同小时日周期、同周小时周期和低频周趋势,把不同时间尺度的负荷变化压缩成统一的历史状态;后半部分借鉴 TiDE 的直接多步预测思想,把历史状态与未来一周的日历协变量融合起来,一次性输出 168 个小时点的负荷预测。最后,程序还会根据验证集误差做一个整体偏差校准,用来修正模型在数值水平上的系统性偏移。
为了判断创新模型是否真的有效,程序还加入了多个常见时间序列深度学习基线,包括 TCN、TiDE、PatchTST、Informer 和 Transformer。这些模型使用相同的数据切分、相同的预测窗口和相同的评价指标,因此结果可以直接比较。
这个项目比较适合继续整理成论文,是因为它具备比较完整的研究闭环:有明确的电力负荷预测应用场景,有严格的数据审计和无泄漏样本构建,有一个面向一周预调度任务的创新模型,也有多个深度学习基线模型和可视化结果支撑。相比只做单一模型训练,这个项目更容易形成论文叙事:可以围绕数据构建、直接多步预测、多尺度历史建模、未来日历协变量融合和跨模型对比实验展开。
结果展示
下面这部分是推文中最适合重点展示的内容。建议按照“总体指标对比、综合评分图、月份稳定性、困难样本预测曲线、长范围预测对比”的顺序插图,这样读者能从整体到局部逐步理解模型效果。
图 1:模型指标对比柱状图

模型指标对比柱状图
这张图展示了各模型在 2019 年测试集上的 MAE、RMSE、MAPE 和 R2。可以看到,MS-TCN-TiDE 在四个主要指标上都优于当前对比模型:MAE 为 52.06,MAPE 为 4.41%,说明它在平均误差和相对误差上具有更好的表现。
当前测试集主要指标如下:

图 2:模型指标雷达扇形图

模型指标雷达扇形图
这张图把不同指标归一化到同一个方向:越靠外表示越好。相比单独看表格,它更适合快速展示模型综合表现。MS-TCN-TiDE 在整体扇形面积上更突出,说明它不是只在某一个指标上偶然领先,而是在误差和拟合度之间保持了较好的平衡。
图 3:逐月 MAE 热力图

逐月 MAE 热力图
负荷预测不能只看全年平均误差,还要看模型在不同月份是否稳定。逐月热力图显示,2019 年 11 月和 12 月对多数模型来说都是误差较高的月份,说明这一阶段负荷变化更难预测,可能与季节变化、温度波动或用电模式改变有关。
从横向对比看,MS-TCN-TiDE 在多数月份保持了较低误差,特别是在和 TiDE、Informer、Transformer 等模型对比时更加稳定。这说明多尺度历史信息和未来日历协变量融合对跨月份预测有帮助。
图 4:最困难测试周预测叠加图

最困难测试周预测叠加图
这张图选取了 MS-TCN-TiDE 在测试集中误差最大的一个预测周,把真实负荷、参考周期基线和多个模型预测曲线叠加在一起。相比平均指标,这张图更能展示模型在困难样本上的表现。
可以看到,各模型都能捕捉到一周内明显的日周期波动,但在高峰负荷位置仍存在不同程度的偏差。MS-TCN-TiDE 的曲线整体跟随趋势较好,能够较稳定地贴近周期变化;同时,这张图也诚实地展示了模型的不足:面对极端峰值或快速变化时,仍然还有进一步提升空间。
图 5:2016-2019 范围预测对比图

2016-2019 范围预测对比图
除了 2019 年测试集,项目还导出了 2016 到 2019 年的连续范围预测,并与原始数据中的 weekly pre-dispatch forecast.csv 做了同范围对比。这个结果更接近“长期连续使用模型”的视角,而不是只看某一个测试切片。
在 2016-2019 同范围对比中,MS-TCN-TiDE 的 MAE 为 44.92,MAPE 为 3.88%;已有 weekly pre-dispatch forecast 的 MAE 为 50.57,MAPE 为 4.40%。这说明当前模型不仅在测试集上有效,在更长时间范围内也能保持较好的误差水平。

图 6:程序对所有周期都进行了预测

程序对2019年全年周期进行了预测,每次预测168小时负荷,可以精准的看到每段时间的预测效果
小结
这个项目完成了一套相对完整的电力负荷预测流程:先做数据分析,再构造严格无泄漏的时间窗口,然后训练创新模型和多个基线模型,最后输出预测表、指标表和可视化图表。
从结果看,MS-TCN-TiDE 在 2019 年测试集上优于多个对比模型,在 2016-2019 连续范围预测中也明显优于已有的 weekly pre-dispatch forecast.csv。这说明多尺度历史建模、未来日历信息融合和直接多步预测,对于一周尺度的负荷预测具有实际价值。
代码获取
获取此代码方式:关注 :gzh~ 《淘个代码》
代码目录截图如下:

不同步骤之间做了划分,使你更容易读懂程序。

625



被折叠的 条评论
为什么被折叠?



