TCN-RNN电力负荷预测模型实战

不是 TCN 和 RNN 各写各的而是让它们在一根管子里干活——前面用膨胀卷积抓长周期规律后面用循环网络补时序依赖。跑了一组电力负荷数据MAPE 压到了个位数代码和数据都整理好了。一、为什么要折腾这个组合时间序列预测是个老话题了但电力负荷预测有它的特殊性周期性明显每天早高峰、晚高峰、突发波动多天气骤变、节假日效应、多变量耦合温度、湿度、电价同时影响。单独用 RNN 族模型LSTM/GRU的问题在于——序列一长梯度该消失还是消失靠门控机制只是缓解而非根治。单独用 TCNTemporal Convolutional Network呢膨胀卷积确实能把感受野拉得很长计算也比 RNN 快但它对局部时序的细腻变化不够敏感。所以思路很直白串起来用。TCN 先过一遍把长程特征抽出来再接一层 SimpleRNN把相邻时间步的依赖关系补上。不是啥惊天动地的创新但工程上确实好用。二、模型长什么样核心结构就四层一目了然Input(时间步5, 特征数多变量) ↓ TCN(nb_filters128, kernel_size3, dilations[1,2,4]) ↓ return_sequencesTrue保留时序维度 SimpleRNN(units50, return_sequencesFalse) ↓ 压成固定长度向量 Dense(10) LeakyReLU(α0.3) ↓ Dense(n_out, activationlinear) ↓ 预测值反归一化后即为实际负荷拆开说几个关键点2.1 TCN 层用空洞把视野撑开CNN 做序列最大的痛点是感受野受限——你要看 100 步之前的信息普通卷积得叠几十层。TCN 的精髓在于dilated convolution膨胀卷积每隔几个点采一个样卷积核物理大小不变但看到的范围指数级扩大。本模型里dilations[1, 2, 4]的含义第一层 dilation1普通卷积相邻点都看第二层 dilation2隔一个点看一个感受野翻倍第三层 dilation4隔三个点看一个感受野再翻倍三层下来有效感受野覆盖12×(3−1)×(124)291 2 \times (3-1) \times (124) 2912×(3−1)×(124)29个时间步而实际卷积核只用了3×393 \times 3 93×39个参数。公式膨胀卷积的输出F(s)∑i0k−1f(i)⋅xs−d⋅iF(s) \sum_{i0}^{k-1} f(i) \cdot x_{s - d \cdot i}F(s)i0∑k−1​f(i)⋅xs−d⋅i​其中kkk是卷积核大小ddd是膨胀系数sss是当前时间步。2.2 SimpleRNN 层补上相邻的细腻度可能有人问为什么不用 LSTM因为 TCN 已经用多层膨胀卷积把长程依赖处理得差不多了后面只需要补充短程时序的连贯性。SimpleRNN 计算快、参数少、不容易过拟合在这个位置反而是合适的。SimpleRNN 的前向公式httanh⁡(WxhxtWhhht−1bh)h_t \tanh(W_{xh} x_t W_{hh} h_{t-1} b_h)ht​tanh(Wxh​xt​Whh​ht−1​bh​)WxhW_{xh}Wxh​是输入权重WhhW_{hh}Whh​是隐状态转移矩阵bhb_hbh​是偏置。每次更新隐状态hth_tht​时都把当前输入xtx_txt​和上一时刻状态ht−1h_{t-1}ht−1​揉在一起。2.3 输出层LeakyReLU 防神经元死掉Dense(10) 后面跟的是LeakyReLU(α0.3)而非常见的 ReLU。原因是ReLU 在负数区域梯度为零一旦某个神经元输出恒为负它就不再更新所谓的dying ReLU。LeakyReLU 给负数区域一个小斜率0.3保证梯度始终能传回去。LeakyReLU(x)max⁡(0,x)α⋅min⁡(0,x)\text{LeakyReLU}(x) \max(0, x) \alpha \cdot \min(0, x)LeakyReLU(x)max(0,x)α⋅min(0,x)最后 Dense 层用linear激活回归任务标配输出维度由n_out决定——单步预测就是 1多步预测就多几个。三、数据怎么处理3.1 滑窗构造样本时间序列预测的第一步永远是把连续序列切成监督学习的样本对。代码里的data_collation函数设计得挺灵活取前n_inn\_inn_in个时间步的所有特征 → 压平成一维向量取接下来n_outn\_outn_out个时间步的目标列→ 作为标签每隔scroll_windowscroll\_windowscroll_window步滑动一次共取num_samplesnum\_samplesnum_samples个样本示例原始数据 7 行×\times×4 列3 特征 1 目标设n_in2, n_out2, scroll_window1则生成 3 组样本输入2步×4列展平8维输出未来2步的目标值第1-2行全部特征第3-4行的目标值第2-3行全部特征第4-5行的目标值第3-4行全部特征第5-6行的目标值支持四种模式单/多输入 × 单/多步输出靠改参数就能切换。3.2 归一化先切分再缩放这里有个容易被忽视的细节——必须先划分训练集/测试集再分别做归一化。如果反过来先用全部数据 fit 了 MinMaxScaler测试集的信息就会泄露到训练过程中评估结果会虚高。# 正确做法Xtrain,Xtest,Ytrain,Ytesttrain_test_split(values)# 先切m_in.fit_transform(Xtrain)# 用训练集 fitm_in.transform(Xtest)# 测试集只 transform不 fitMinMaxScaler 的变换公式xscaledx−xmin⁡xmax⁡−xmin⁡x_{\text{scaled}} \frac{x - x_{\min}}{x_{\max} - x_{\min}}xscaled​xmax​−xmin​x−xmin​​反归一化就是把公式倒过来用预测结果映射回原始量纲。四、训练与评估配置参数取值说明输入时间步n_in5用前 5 个时刻预测未来输出步数n_out1单步预测训练/测试比例85% / 15%1000 个样本中 850 个用于训练归一化方式MinMaxScaler缩放到 [0,1] 区间优化器Adam默认学习率 0.001损失函数MSE均方误差1n∑(yi−y^i)2\frac{1}{n}\sum(y_i - \hat{y}_i)^2n1​∑(yi​−y^​i​)2评估指标MAE平均绝对误差Batch Size32Epochs60验证集比例25%训练集里再划 1/4 做验证TCN 卷积核数128TCN 卷积核大小3TCN 膨胀系数[1, 2, 4]SimpleRNN 单元数50LeakyReLU 斜率0.3评估用了五个指标各有所长MSE / RMSE对大误差敏感平方放大适合评估极端偏差MAE对误差一视同仁直观好理解MAPE百分比形式跨量纲可比但不适合真值接近 0 的场景R²衡量模型比瞎猜均值强多少越接近 1 越好MAPE 的计算MAPE1n∑i1n∣yi−y^iyi∣×100%\text{MAPE} \frac{1}{n} \sum_{i1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100\%MAPEn1​i1∑n​​yi​yi​−y^​i​​​×100%五、运行环境与依赖硬性要求Python 3.7 TensorFlow 2.0 Keras 已内置 keras-tcn pip install keras-tcn scikit-learn pandas / numpy / matplotlib openpyxl 如需读取 .xlsx prettytable 表格打印 mplcyberpunk 可视化风格可选 qbstyles 同上可选一块普通 GPU 就能跑CPU 也行60 个 epoch 几分钟的事。训练过程中会输出每个 epoch 的 loss 和 val_loss看着两条曲线收束的走势判断要不要加 epoch 或调学习率。六、应用场景——不只是电力负荷虽然示例数据是电力负荷但凡是多变量时间序列预测的活这套框架都能直接迁移新能源功率预测风电/光伏出力受风速、辐照度、温度等多因素影响且波动剧烈TCN 的长程建模能力正好派上用场交通流量预测路网传感器数据上下游路段互相影响多变量输入是天然需求水质/空气质量监测多种污染物浓度耦合排放源与扩散延迟带来时序依赖量化金融价量关系、多品种联动序列长且信噪比低膨胀卷积比 RNN 更抗噪需要调整的地方主要是n_in看你的数据周期多长和dilations感受野要覆盖一到两个完整周期。七、一点实操经验跑这套代码踩过几个坑列出来省得别人再踩CSV 编码中文数据文件默认可能不是 UTF-8代码里用的gb2312Windows 上导出的表格尤其注意这一点TCN 的return_sequences接 RNN 时必须设为True否则时序维度被压掉RNN 拿什么来循环反归一化别忘了预测出来的值是 [0,1] 区间的不反归一化直接算 MAPE 会得到一个离谱的数字滑窗步长scroll_window设成 1 会让相邻样本高度重叠虽然样本数多了但也不是没代价——验证集和训练集可能长得太像导致验证 loss 虚低八、总结TCN SimpleRNN 这个组合谈不上多新颖但它务实TCN 管全局周期RNN 管局部细节两层 Dense 做非线性映射结构简单、训练快、可解释性不差。对大多数工业场景的时序预测需求精度和效率的平衡点拿捏得刚好。有一个 Bonus因为 TCN 可以并行计算不像 RNN 必须串行推理阶段的速度比纯 LSTM/GRU 快不少这对需要实时预测的上线场景很友好。 获取方式完整代码 示例数据集已打包。文件包含TCN-RNN 模型完整代码、电力负荷预测示例数据、一键运行脚本、可视化模块。