高创新模型MS-TCN-TiDE,短期负荷预测,python代码

保姆级教程:用ROS2 Humble和Nav2从零搭建一个能自主导航的机器人小车(含SLAM建图与避障) 本文提供了一份详细的保姆级教程,指导如何使用ROS2 Humble和Nav2从零搭建一个具备自主导航功能的机器人小车,包括SLAM建图与避障。教程涵盖了硬件组装、ROS2环境配置、URDF模型创建、SLAM建图实战、Nav2导航栈配置以及系统集成调试等关键步骤,适合机器人开发初学者和进阶开发者。 阅读详情

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:

在这里插入图片描述

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

图片

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:

在这里插入图片描述

图 2:模型指标雷达扇形图

图片

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

图片

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

图片

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

图片

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。

在这里插入图片描述

图 6:程序对所有周期都进行了预测

图片

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:

图片

不同步骤之间做了划分,使你更容易读懂程序。

图片

手游功耗优化:从猜想到硬核实测 功耗本质是“硬件在吃电”,要看电流/功率曲线,而不是只看帧率和温度;定量 = 有数字、有曲线、有对比能说“降了 15%”、“峰值从 7W 降到 5.5W”,而不是“我感觉凉快点”;工具方面:大厂会用外接功率仪 + 手机/芯片厂内部平台;平时也会用 Android/iOS/引擎自带的工具做趋势分析;流程上:选典型机型和场景 → 跑脚本采集 → 对齐 Profiler 数据 → 分析 CPU/GPU/网络谁在吃电;再通过版本对比、画质/帧率组合测试,指导配置和优化。这是一个。 阅读详情

相关推荐

阿里巴巴-AI Agent工程师面试题精选:10道高频考题+答案解析(附PDF)

阿里巴巴AIAgent技术面试要点摘要(149字) 阿里巴巴在AIAgent领域布局完整,面试重点考察系统架构、幻觉治理、成本优化等核心能力。候选人需掌握分层架构设计、多Agent协作死锁处理、Token成本优化策略等关键技术。面试强调工程落地能力,包括工具调用容错、记忆系统设计、安全防护等实践要点。评估体系需覆盖效果、效率、成本多维度指标。未来趋势关注垂直领域专业化、多模态融合等方向。建议准备实际项目案例,突出技术深度与业务价值的结合,展现系统思维和工程能力。

ZHHHHH15的博客 625

基于高创新模型MS-TCN-TiDE的短期负荷预测研究(Python代码实现)

在新型电力系统建设背景下,大规模风光新能源接入使得源侧出力随机性显著提升,电力系统周度预调度对长时段小时级负荷预测提出更高精度与稳定性要求。传统周度负荷预测多采用滚动迭代预测范式,将前序预测结果作为后续模型输入,随着预测步长延伸,预测误差持续累积,导致预测窗口后端时段的预测性能快速衰减,难以支撑一周尺度(168 h)预调度方案编制。

2501_93142541的博客 195

GitHub打不开?从镜像加速到上传部署的完整实战指南

GitHub作为全球开发者的代码协作中枢,日常使用常受网络链路不稳定、认证方式更新等现实问题困扰。理解GitHub的访问原理,掌握镜像源与加速工具的合理选型,是解决“打不开”的第一步。随着认证机制从账号密码转向Personal Access Token,熟悉Token配置与Git常规操作成为必备技能。同时,在Hexo博客部署、开源项目评估等典型场景中,系统化的排查思路与评估框架能显著提升效率。本文围绕GitHub日榜高频热搜,梳理从访问优化、基础操作到项目评估的完整路线,帮助开发者少走弯路。

weixin_28677451的博客 707
上一篇: 高创新原创代码:KAN-TiDE 刀具磨损预测,基于PHM2010数据集,Python代码
下一篇: 一区预定!超高创新模型DCRNODE实现航空发动机剩余寿命预测
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值