### 基于LSTM的Python电力数据分析可运行代码示例 以下是一个基于LSTM模型进行电力负荷预测的完整Python代码示例。此代码展示了如何使用Keras库构建LSTM网络，并对电力系统负荷数据进行时间序列预测。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense # 加载数据（假设数据为CSV文件，包含一列电力负荷数据） data = pd.read_csv('electricity_load.csv') # 替换为实际数据文件路径 load_data = data['Load'].values.reshape(-1, 1) # 数据归一化 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(load_data) # 创建训练和测试数据集 def create_dataset(dataset, time_step=60): X, y = [], [] for i in range(len(dataset) - time_step - 1): a = dataset[i:(i + time_step), 0] X.append(a) y.append(dataset[i + time_step, 0]) return np.array(X), np.array(y) time_step = 60 X, y = create_dataset(scaled_data, time_step) # 调整输入形状以适应LSTM模型 [samples, time_steps, features] X = X.reshape(X.shape[0], X.shape[1], 1) # 划分训练集和测试集 train_size = int(len(X) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 构建LSTM模型 model = Sequential() model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1))) model.add(LSTM(units=50, return_sequences=False)) model.add(Dense(units=25)) model.add(Dense(units=1)) # 编译模型 model.compile(optimizer='adam', loss='mean_squared_error') # 训练模型 model.fit(X_train, y_train, batch_size=32, epochs=10) # 预测 predictions = model.predict(X_test) predictions = scaler.inverse_transform(predictions) # 可视化结果 plt.figure(figsize=(14, 5)) plt.plot(data.index[-len(y_test):], scaler.inverse_transform(y_test.reshape(-1, 1)), label='Actual Load') plt.plot(data.index[-len(y_test):], predictions, label='Predicted Load', linestyle='--') plt.title('Electricity Load Prediction with LSTM') plt.xlabel('Time') plt.ylabel('Load (kW)') plt.legend() plt.show() ``` #### 代码说明 - **数据加载与预处理**：假设输入数据为CSV格式，包含一列电力负荷数据。通过`MinMaxScaler`对数据进行归一化处理，以便更好地适应LSTM模型。 - **数据集创建**：定义了一个函数`create_dataset`，用于将时间序列数据转换为适合LSTM模型输入的形状。 - **模型构建**：使用Keras库构建了一个两层的LSTM网络，并添加了全连接层以输出预测值。 - **模型训练**：设置批量大小为32，训练轮数为10。 - **预测与可视化**：对测试集进行预测，并将结果反归一化后与真实值进行对比可视化[^4]。 ### 注意事项 - 确保安装了必要的依赖库，如`numpy`, `pandas`, `matplotlib`, 和 `tensorflow`。 - 替换`electricity_load.csv`为实际的电力负荷数据文件。 - 根据具体需求调整LSTM模型的超参数（如层数、单元数、学习率等）以优化性能。