简介本资源面向计算机、人工智能、自动化等专业学生与开发者提供基于大航杯“智造扬中”电力AI大赛的数据挖掘管道搭建完整示例适合作为毕业设计、课程设计、竞赛复现或项目立项参考。压缩包共32个文件约3.72MB以22个ipynb交互式笔记为核心配合4个py脚本、3个csv数据表、2个txt说明及1个md文档覆盖数据清洗、特征提取、模型训练与结果预测等环节。已有44人学习下载。资源内含详细文档与全部源码可帮助读者理解从原始数据到预测输出的完整流程掌握特征工程、样本划分与规则提取等关键思路并支持在此基础上修改扩展实现其他功能或直接用于毕设、课设与作业。1. 电力AI数据挖掘管道从扬中大赛数据集到可复现的建模流水线手上这份electricAI-master压缩包是我近期拆过比较完整的一个电力赛题工程。它来自大航杯“智造扬中”电力AI大赛核心不是某个炫技模型而是一条从原始 CSV 到预测结果的数据挖掘管道。很多人做电力负荷预测卡点从来不在算法本身而在数据怎么清洗、特征怎么拼、节假日和天气怎么对齐——这套源码恰好把这几件事串成了可跑的流程。它适合计算机、人工智能、自动化方向的学生做课设毕设也适合刚接触电力AI的工程师拿来当管道模板。下面我按“资源是什么、怎么跑、坑在哪”的顺序把这份dataset加code的工程拆开讲清楚。2. 数据集与代码结构先看清 yangzhong.csv 和 train.csv 的关系2.1 数据文件到底装了什么压缩包里的dataset目录是整条管道的起点几个 CSV 各有分工不能混着读。yangzhong.csv是扬中地区的原始电力负荷记录通常带时间戳和负荷值train.csv是切分后用于建模的训练样本holiday.csv存的是节假日标记用来给时间特征打标签。这三者构成了“原始数据 → 训练样本 → 外部特征”的基本三角。我一般会先跑一遍字段探查确认时间列格式和缺失情况再决定后续清洗策略。常见做法是用 pandas 快速看结构import pandas as pd # 先摸清每个文件的字段和规模别急着建模 for name in [yangzhong, train, holiday]: df pd.read_csv(fdataset/{name}.csv) print(name, df.shape) print(df.dtypes) print(df.head(3)) print(- * 40)这段代码的逻辑是先看形状、再看类型、最后看前几行目的是判断时间列是字符串还是已解析的 datetime、负荷列有没有异常值。参数上没什么可调的重点是dtypes输出——如果时间列显示为object后面所有基于时间的特征都会翻车必须先pd.to_datetime转换。2.2 代码目录的模块划分code目录里文件不少但按职责能分成四类。清洗类clean_data.py、clean_data.ipynb特征类combine_fetures.ipynb、extract_fetures.py、extract_fetures.ipynb、trick_extract.py、trick_extract.ipynb采集类weather_crawl.py、holiday_crawl.py建模与输出类split_samples.ipynb、train_model.ipynb、predict_result.ipynb、run.ipynb、rules.ipynb、visualize.ipynb。注意文件名里fetures是拼写笔误但工程里就是这么命名的引用时别自作主张改成features否则 import 直接报错。run.ipynb是总入口result.txt是预测输出README.md给的是运行说明。我的习惯是先读README.md再动代码因为这类赛题工程的依赖顺序往往写在里面跳过它容易在combine_fetures阶段就因为缺列而崩。2.3 环境依赖与运行顺序这套代码是 Python 技术栈依赖 pandas、numpy、scikit-learn采集脚本还会用到 requests 和解析库。建议单独建虚拟环境避免和系统里的包版本打架python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install pandas numpy scikit-learn requests beautifulsoup4 jupyter装完后按clean_data → extract_fetures → combine_fetures → split_samples → train_model → predict_result的顺序执行。run.ipynb可以一次性串起来但我更建议先逐个跑通因为中间任何一步的列名对不上整条管道都会断逐个跑能快速定位是哪一环出的问题。3. 数据清洗与特征工程clean_data 到 combine_fetures 的落地细节3.1 清洗脚本在做什么clean_data.py承担的是去重、缺失填充和异常值处理。电力负荷数据常见的脏点是某段时间采集器掉线导致整段缺失、节假日负荷骤降被误判为异常、时间戳重复。清洗的核心不是把数据洗得“好看”而是保证时间序列连续且负荷值在合理区间。我一般会这样处理缺失和异常import pandas as pd import numpy as np df pd.read_csv(dataset/yangzhong.csv) df[time] pd.to_datetime(df[time]) df df.sort_values(time).drop_duplicates(time) # 负荷列做前后向填充再对极端值做截断 df[load] df[load].interpolate(methodlinear) q1, q3 df[load].quantile([0.25, 0.75]) iqr q3 - q1 low, high q1 - 3 * iqr, q3 3 * iqr df[load] df[load].clip(low, high)逻辑说明先转时间类型并排序去重保证时序单调interpolate用线性插值补缺失比直接填均值更贴合负荷的连续变化IQR 截断把极端离群值压回合理范围。参数上3 * iqr是放宽后的阈值电力数据波动大用 1.5 倍容易把真实高峰误杀这点和普通统计清洗不一样。3.2 特征提取的几类构造extract_fetures.py和trick_extract.py负责把时间戳拆成可建模的特征。电力负荷预测里时间特征是最强的一类小时、星期、是否周末、是否节假日。trick_extract里通常还会加滑窗统计比如前 1 天同一时刻的负荷、前 7 天均值这些滞后特征对预测精度影响很大。构造时间特征的常见写法df[hour] df[time].dt.hour df[weekday] df[time].dt.weekday df[is_weekend] (df[weekday] 5).astype(int) # 合并节假日标记 holiday pd.read_csv(dataset/holiday.csv) holiday[date] pd.to_datetime(holiday[date]).dt.date df[date] df[time].dt.date df df.merge(holiday[[date, is_holiday]], ondate, howleft) df[is_holiday] df[is_holiday].fillna(0).astype(int)这里的关键是 merge 的键要对齐到“日期”粒度因为节假日是按天标记的而负荷是按小时或更细粒度记录的。howleft保证不丢负荷记录fillna(0)把非节假日补成 0。如果 holiday.csv 的日期格式和主表不一致merge 后is_holiday会全是 NaN这是最常见的翻车点之一。3.3 combine_fetures 的拼接逻辑combine_fetures.ipynb把清洗后的负荷、时间特征、节假日、天气拼成一张宽表。天气数据来自weather_crawl.py采集通常包含温度、湿度。拼接时最容易出问题的是时间对齐——天气是按天或按小时负荷可能是 15 分钟粒度直接 merge 会产生大量重复行。我的做法是先把所有外部特征统一到同一时间粒度再横向拼接# 统一到小时粒度后再合并避免行数膨胀 df[hour_key] df[time].dt.floor(h) weather[hour_key] pd.to_datetime(weather[time]).dt.floor(h) merged df.merge(weather[[hour_key, temp, humidity]], onhour_key, howleft) merged merged.drop(columns[hour_key])dt.floor(h)把时间向下取整到小时作为对齐键。这样即使原始粒度不同也能在小时级别对齐。参数上howleft保留全部负荷记录天气缺失的地方留 NaN后续建模时再决定填充还是丢弃。这一步做完combine_fetures输出的宽表就是split_samples的输入。4. 样本切分与模型训练split_samples 和 train_model 怎么配合4.1 训练测试集的切分原则split_samples.ipynb做的是把宽表切成训练集和测试集。时间序列不能随机切分否则会用未来数据预测过去造成精度虚高。正确做法是按时间顺序切比如前 80% 做训练、后 20% 做测试。merged merged.sort_values(time).reset_index(dropTrue) split_idx int(len(merged) * 0.8) train merged.iloc[:split_idx] test merged.iloc[split_idx:] # 特征列和标签列分开 feature_cols [c for c in train.columns if c not in [time, load]] X_train, y_train train[feature_cols], train[load] X_test, y_test test[feature_cols], test[load]逻辑上先排序再按位置切保证训练集时间早于测试集。feature_cols用排除法挑把时间列和标签列剔掉。参数0.8是经验比例数据量小可以调到 0.7给测试集留够样本。如果这里用了train_test_split的默认随机切分测试集精度会明显偏高上线就露馅。4.2 train_model 的模型选择train_model.ipynb里通常会用树模型或线性回归做基线。电力负荷预测里梯度提升树如 LightGBM、XGBoost对表格特征表现稳定训练快、调参少。如果工程里用的是 sklearn 的GradientBoostingRegressor或RandomForestRegressor也够用。from sklearn.ensemble import GradientBoostingRegressor from sklearn.metrics import mean_absolute_error model GradientBoostingRegressor( n_estimators300, learning_rate0.05, max_depth4, random_state42 ) model.fit(X_train, y_train) pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, pred))参数说明n_estimators300是树的数量太少欠拟合、太多过拟合learning_rate0.05配合 300 棵树是比较稳的组合max_depth4控制单棵树复杂度电力特征维度不高深度太大会记住噪声。random_state固定后结果可复现方便对比不同特征组合的效果。4.3 预测结果输出与 result.txtpredict_result.ipynb把模型输出写成result.txt格式一般是一行一个预测值或者带时间戳的键值对。这个文件是提交或验收的产物格式必须和赛题要求一致。我见过有人模型跑得不错但result.txt多了一列索引或表头直接判格式错误。result pd.DataFrame({time: test[time].values, predict: pred}) result.to_csv(result.txt, indexFalse, headerFalse)indexFalse去掉 pandas 自动加的行号headerFalse去掉列名这两点取决于赛题格式要求。如果要求带表头就把header改成True。输出前一定用head看一眼别让一个格式问题毁掉整条管道。5. 避坑与排查这套管道最容易翻车的五个地方5.1 时间列没解析导致特征全错现象df[time].dt.hour报错AttributeError: Can only use .dt accessor with datetimelike values。原因是 CSV 读进来时间列是字符串。解决读文件后立刻pd.to_datetime并加errorscoerce检查有没有解析失败的脏时间戳失败的行要单独看。5.2 节假日 merge 后全是 NaN现象合并 holiday.csv 后is_holiday整列缺失。原因是两边日期格式不一致一边是2023-01-01另一边是2023/01/01。解决merge 前统一用pd.to_datetime(...).dt.date转成同一种日期对象再对齐键。5.3 天气数据粒度不一致导致行数膨胀现象合并天气后数据行数翻了好几倍。原因是天气按天、负荷按小时直接 merge 变成笛卡尔积。解决先把两边都dt.floor到同一粒度再合并合并后检查shape是否和原表接近。5.4 随机切分造成精度虚高现象测试集 MAE 很低但换一段新数据预测就很差。原因是用了随机切分训练集里混入了未来信息。解决按时间排序后顺序切分训练集时间必须早于测试集这是时间序列建模的铁律。5.5 文件名拼写 fetures 导致 import 失败现象from extract_fetures import ...报ModuleNotFoundError。原因是工程里文件名就是fetures而非features。解决引用时严格照抄工程里的文件名别按正确拼写去改改了就找不到模块。6. 进阶技巧用 rules.ipynb 做后处理校正与结果验证rules.ipynb是这套工程里容易被忽略但很实用的一环。模型预测出来的负荷曲线有时会在节假日或极端天气下偏离常识比如凌晨负荷预测成白天高峰。规则后处理就是拿业务常识去兜底节假日整体下调、夜间负荷设上限、连续突变做平滑。我一般会写一层简单的规则校正# 对预测结果做业务规则校正 pred pd.Series(pred, indextest.index) # 节假日预测值整体下调 10% holiday_mask test[is_holiday] 1 pred[holiday_mask] pred[holiday_mask] * 0.9 # 夜间负荷不超过当日均值的 1.2 倍 night_mask test[hour].isin([0, 1, 2, 3, 4, 5]) daily_mean pred.mean() pred[night_mask] np.minimum(pred[night_mask], daily_mean * 1.2)逻辑说明第一层按节假日标记做比例下调因为节假日负荷普遍低于工作日第二层给夜间负荷设上限防止模型在缺失特征时给出离谱高值。参数0.9和1.2不是拍脑袋要结合visualize.ipynb画出的历史曲线来定——先看真实节假日相对工作日的降幅再决定系数。验证方法上我习惯把校正前后的预测和真实值画在同一张图上对比import matplotlib.pyplot as plt plt.plot(test[time], y_test.values, labelreal) plt.plot(test[time], pred.values, labelcorrected) plt.legend() plt.savefig(check.png)看图比看 MAE 更直观能发现指标掩盖掉的系统性偏差。如果校正后曲线在某个时段整体偏高或偏低说明规则系数需要再调或者特征里缺了关键变量。这套管道我跑下来最大的体会是电力AI项目的成败八成在数据对齐和特征构造模型只是最后一步。从那以后我每次拿到新的负荷数据集都强制先走一遍“时间解析 → 粒度统一 → 顺序切分”这三步检查再谈建模。希望这份拆解帮到你需要完整源码和数据集的话按工程里的README.md说明拉下来跑一遍比只看文档收获大得多。本文还有配套的精品资源点击获取
