硕士研究生电气工程专业：基于神经网络的电力负荷预测教学导案

硕士研究生电气工程专业：基于神经网络的电力负荷预测教学导案

一、课程基本信息

（一）课程名称：高等人工智能及其在新型电力系统中的应用

（二）课题名称：基于神经网络的电力负荷预测

（三）授课学时：4学时（180分钟）

（四）授课对象：电气工程一级学科硕士研究生一年级

（五）课程性质：专业方向核心选修课，前序课程为《现代电力系统分析》《机器学习理论与算法》。

（六）先行组织者：本课题处于“人工智能+电力”模块的中枢位置，向前承接监督学习基本范式，向后为深度强化学习、数字孪生电网等前沿专题提供方法论支撑。

二、教学内容深度解构与知识图谱

（一）学科本质与育人价值

电力负荷预测是电力系统运行调度的基础性科学问题，其精度直接关联旋转备用配置、机组组合优化及新能源消纳能力。神经网络凭借其通用近似能力与特征自提取特性，已从根本上重塑了负荷预测的技术范式。本课不仅传授算法工具，更致力于使研究生领悟“工程问题—数学建模—算法实现—物理可解释”的闭环研究范式，涵养将国家“双碳”战略需求转化为技术攻关目标的学术志趣。

（二）核心知识点全谱系罗列（应列尽列）

【基础】1.神经元M-P模型与感知机收敛定理；2.多层前馈网络结构表达能力证明；3.激活函数族：Sigmoid函数饱和区与梯度弥散、Tanh零中心化优势、ReLU非饱和性与神经元死亡机理。

【重要】4.反向传播算法的数学本质——复合函数链式法则与损失函数梯度场；5.损失函数选择策略：回归任务的均方误差与平均绝对误差的鲁棒性差异；6.优化器演进：SGD动量机制与Adam自适应学习率原理。

【核心重点】7.循环神经网络参数共享机制与长时依赖困境；8.LSTM网络三态门（遗忘门、输入门、输出门）的细胞状态更新方程与门控梯度高速公路效应；9.时序数据监督化转换方法——滑动窗口步长与回溯视野的物理意义。

【热点】10.卷积神经网络在负荷多维特征（温度、湿度、节假日）自动提取中的应用；11.注意力机制对关键历史时刻的软性选择原理；12.混合模型CNN-LSTM、Transformer在概率性负荷预测中的前沿趋势。

【难点】13.梯度消失与爆炸的数学成因及其在LSTM中的缓解路径；14.过拟合的识别指标与正则化策略（Dropout的集成学习解释、批归一化解决内部协变量偏移）。

【高频考点】15.负荷时序分解：趋势分量、周期分量、随机噪声分量的工程剥离；16.预测误差评价体系：MAE对离群值不敏感、RMSE对大误差施加二次惩罚、MAPE在近零负荷时的失效风险；17.时间序列交叉验证特例：严禁未来信息泄露的滚动窗划分法。

三、研究生学情精细画像

（一）认知结构起点

学生已系统学习电力系统稳态与暂态分析，熟悉负荷曲线、负荷率、同时率等电力工程术语。在方法学层面，半数以上学生通过前序课程掌握线性回归、支持向量机等浅层模型，但对神经网络的内部特征演化缺乏直观认知。跨学科知识分布不均——约30%学生具备较强的Python数值计算能力，另有部分学生仍停留在MATLAB仿真思维。

（二）最近发展区与潜在障碍

1.【难点】将连续电力过程离散化为监督学习张量时，对三维张量（样本数×时间步×特征数）的物理意义理解困难；2.【难点】混淆模型参数与超参数，调参行为呈现试错盲目性；3.【深层障碍】潜意识中将神经网络视为“黑箱”，缺乏从误差反向传播角度审视网络行为的推演习惯。

四、多维教学目标精准表述

（一）知识与技能

1.能够无障碍阅读LSTM单元核心文献公式，并用手绘方式精确复现信息流路径与张量维度变换。

2.具备独立使用TensorFlow2.x或PyTorch完成从原始电力负荷CSV文件到模型部署的全流程工程能力，包括但不限于时间戳解析、缺失值插补、归一化、滑动窗口切片、模型构建、超参数调优及误差可视化。

3.能针对不同预测尺度（超短期、短期、中期）合理选择神经网络架构并给出定性解释。

（二）过程与方法

1.经历“基线模型建立—性能瓶颈识别—针对性架构改进”的实证研究循环，内化对比实验方法论。

2.通过小组协作完成某项超参数网格搜索，形成基于实验数据而非直觉的决策习惯。

（三）情感、态度与价值观

1.深刻认同人工智能技术对提升电网弹性与运行效率的赋能价值，建立服务新型能源体系建设的主人翁意识。

2.培养对预测不确定性的敬畏之心，审慎对待模型输出结果，自觉抵制算法万能论。

五、教学重难点与考评映射矩阵

（一）教学重点（权重分配）

【核心重点】LSTM单元门控机制对负荷周期特征的记忆与遗忘机理（课堂推导与仿真占时25%）。

【核心重点】基于滑动窗口的时序数据监督化改造——此步错则全盘皆错（实验操作占时20%）。

（二）教学难点突破策略

【难点1】梯度消失理论：采用对比教学法，同时绘制深层全连接网络与LSTM在MNIST简化版上的梯度范数直方图，使抽象概念具象化。

【难点2】张量维度感知：强制学生在每次变换后打印.shape属性，并口头解释每一维度对应的电力场景实体（如：32代表32个历史时段，7代表气象特征数）。

（三）学术评价指向

【高频考点】测试集上的时间穿越陷阱——提问“能否用后一天的数据预测前一天”，以此强化时序伦理。

【热点】注意力热图解读——给定预测时刻，要求学生根据注意力权重反推模型依赖的历史模式。

【高频考点】MAPE在凌晨低负荷时段异常大值的处理技巧——引入对称MAPE或Huber损失作为备选。

六、教学策略体系与创新

（一）顶层设计范式

本课采用“真实项目全流程驱动”策略，以爱尔兰CER公开数据集中的单一用户负荷轨迹为贯穿始终的主案例。该数据集具有高采样率、强周期与随机波动并存、含有少量异常事件等特点，极其适合作为研究生探究神经网络泛化能力的样本。

（二）微观教学法组合

1.代码考古法：教师不直接提供完整模型，而是呈现一份含有三处逻辑错误的残缺代码，要求学生以“调试者”身份定位并修正。

2.对抗性提问链：在演示模型训练过程中，教师故意设置极低学习率与极高学习率两种极端情形，让学生观察loss曲线并反向推断成因。

3.同行评议法：各小组在第四学时展示初步预测结果，接受其他小组围绕“数据泄露嫌疑”与“评价指标选择性汇报”的质询。

七、教学资源与智能环境配置

（一）物理空间与设备

采用双屏智慧教室，主屏用于代码逐行走查，副屏固定展示负荷曲线全局视图与模型结构图。学生终端预装Anaconda发行版，镜像内已配置tensorflow-cpu2.10、pandas1.5.0、scikit-learn1.2.2，确保环境一致性。提供阿里云PAI-DSW备用环境链接用于算力扩容。

（二）语料与文献支撑

课前通过超星平台推送三份必读材料：1.原始LSTM论文截取段落（聚焦第3.1节门控定义）；2.某省电网调度规程中关于负荷预测准确率考核办法的官方文档；3.一篇利用因果推断改进负荷预测可解释性的顶会论文摘要。课中提供半结构化代码脚手架，保留数据加载与可视化模块，刻意留空模型构建核心区。

八、教学实施过程全景实录（绝对核心篇幅，占总量80%以上）

（一）第一学时：从工程困境到神经网络基本范式（45分钟）

1.工业现场案例引爆认知冲突（07分钟）

教师行为：以国家电网华东分部2022年迎峰度夏保供电实录视频开篇，画面定格在调度员面对新能源反调峰特性时的眉头紧锁。话音一转：“如果我们可以提前72小时将负荷预测误差从3.2%压缩至2.1%，相当于释放多少燃煤机组备用容量？”学生以估算回应，初步感知精度提升的巨大经济价值。

2.神经元模型与非线性动机（10分钟）

教师行为：左屏展示生物神经元树突—轴突结构，右屏动画演示M-P模型加权求和过程。以空调负荷对温度的响应为例，说明线性加权无法拟合傍晚下班后负荷骤降的非单调特征，由此引出激活函数。重点推演Sigmoid函数将任意实数映射至(0,1)的压缩特性，并类比电力系统标幺值概念。

学生活动：在学案坐标系手绘Sigmoid曲线，标注饱和区位置。

【基础】板书核心表达式a=σ(w·x+b)，强调向量内积的几何意义。

3.三层网络前向传播与损失景观（15分钟）

教师行为：搭建2-3-1拓扑（输入：此刻温度、前一时刻负荷；输出：下一时刻负荷）。教师以实际数值（温度28℃，负荷0.85p.u.）逐步演算隐藏层加权和、激活输出，最终得到预测值0.72p.u.。随即给出真实负荷0.80p.u.，计算瞬时误差。

学生活动：分组计算另一组不同初始权重下的输出误差，初步建立“权重决定预测”的认知。

4.反向传播核心推导——链式法则实战（10分钟）

教师行为：在黑板上以树形图展开损失函数对隐藏层权重w_ij的依赖路径，从输出层误差δ逐层回传。刻意将∂J/∂w_ij拆解为∂J/∂net·∂net/∂w_ij，并用红色粉笔圈出复合函数中间变量。此时不追求完整推导所有权重，而是集中火力突破一个隐藏层节点的梯度计算。

学生活动：独立完成该节点到输入层权重的梯度表达式，相邻同学互查符号错误。

【重要】强调反向传播是梯度下降在复合函数上的系统化应用，非全新算法。

5.梯度消失现象直击（03分钟）

教师行为：快速运行预置脚本——一个5层全连接网络拟合y=x²，打印第一层卷积核梯度范数，显示其数值仅为输出层梯度的万分之一。学生哗然，自然产生“为什么深了反而难学”的认知需求。

（二）第二学时：长短期记忆网络——为时序数据而生（45分钟）

1.朴素循环网络困境重现（08分钟）

教师行为：在板书区绘制按时间展开的RNN单元，讲解同一权重矩阵W在每时刻被复乘。回传梯度连乘时，若W最大奇异值<1，梯度呈指数级萎缩；若>1，则爆炸。展示一段RNN拟合正弦序列的loss曲线——200步后震荡不止。

学生活动：讨论“如果负荷模式以周为单位循环，RNN能否记住7天前的模式？”多数学生预判不能。

2.LSTM细胞结构三维拆解【核心重点】（20分钟）

教师行为：引入“记忆传送带”隐喻——细胞状态C_t如同贯穿生产线的传送带，少量线性操作使其信息无损流动。逐一拆解三阀门：

遗忘门f_t=σ(W_f·[h_{t-1},x_t]+b_f)，决定保留多少过去记忆；

输入门i_t=σ(W_i·[h_{t-1},x_t]+b_i)，控制新信息写入强度；

候选态Ĉ_t=tanh(W_c·[h_{t-1},x_t]+b_c)，生成待写入内容。

更新公式C_t=f_t*C_{t-1}+i_t*Ĉ_t。

输出门o_t=σ(W_o·[h_{t-1},x_t]+b_o)，h_t=o_t*tanh(C_t)。

教师利用FLASH交互动画，允许学生拖拽调节门控阈值，实时观察单元状态变化。动画右侧同步显示对应公式高亮。

学生活动：在学案空白LSTM示意图上填写各门输入来源与输出去向，以小组为单位核对。

3.维度推演与代码填空（12分钟）

教师行为：下发JupyterNotebook，其中定义好batch_size=32,time_steps=24,input_dim=1。要求学生补全单个时间步LSTM细胞的前向计算，重点关注h_{t-1}与x_t的拼接操作np.concatenate([h_prev,x_t],axis=1)。教师巡回发现典型错误——忘记将权重矩阵维度与拼接后维度对齐，当即组织30秒“微讲座”澄清。

学生活动：执行补全后的代码块，输出单个细胞的隐藏状态h_t，并与Keras内置LSTM层的结果进行数值对比（误差容限1e-5）。

4.本学时认知闭合（05分钟）

教师行为：快测——遗忘门输出全1矩阵代表什么语义？学生齐答：完全不遗忘。输出全0？完全重置。此环节为【高频考点】常见变体。

（三）第三学时：工程实战——从原始数据到张量（45分钟）

1.工业级数据集EDA（10分钟）

教师行为：分发CER数据片段（某用户2010年1月—6月每15分钟有功功率）。教师示范：

用isnull().sum()定位凌晨时段少量缺失值，采用前向填充法插补；

绘制日负荷曲线叠加热力图，揭示居民负荷“晚高峰”与商业负荷“午高峰”的形态差异；

计算偏度系数为+1.2，确认长右尾分布，提示MSE对极端高负荷敏感。

学生活动：独立复现热力图，并在评论区提出自己的观察（如“春节假期负荷骤降”）。

2.滑动窗口的哲学【难点攻坚】（15分钟）

教师行为：板书时间轴，定义回看窗口look_back=96（24小时×4点/小时），预测步长horizon=4（未来1小时）。问题核心：如何将一维序列转为二维特征矩阵？教师先错误演示用随机打乱法，学生立刻发现逻辑悖论——未来信息泄露。进而引出正确操作：对序列逐行shift，生成df[‘t-96’]…df[‘t-1’]共96列特征，df[‘t’]…df[‘t+3’]为目标。用dropna去除首尾不完整窗。

教师再拔高一层：LSTM要求输入为[samples,time_steps,features]，因此需将96列特征reshape为(样本数,96,1)。

学生活动：三人一组，在教师监督下完成序列至三维张量的转换，频繁使用.shape验证维度。部分组因忘记特征维度为1而报错，教师引导其用expand_dims增加轴。

3.基线全连接网络构建与过拟合陷阱（12分钟）

教师行为：展平三维张量为二维（样本数,96），搭建Sequential模型：Dense(64,activation=‘relu’),Dense(64,activation=‘relu’),Dense(4)。编译后训练。前3轮训练集loss与验证集loss同步下降，第5轮验证loss触底反弹，训练loss继续降低——经典过拟合。

教师提问：“模型把历史负荷背诵下来了，但面对新样本失灵。如何约束其记忆容量？”

学生提议：增加Dropout层、减小网络容量、增加L2正则化。教师依次演示Dropout(0.3)后验证loss曲线趋于平稳。

【热点】此处引出“泛化误差由偏差、方差与噪声构成”的统计学习理论。

4.形成性评价与调试练习（08分钟）

教师行为：展示一份学生错误代码——训练集MAPE达到1.2%，测试集MAPE高达23%。要求学生以小组为单位进行代码审计。两分钟后各组汇报：发现该代码在归一化时使用了测试集的均值和方差，属于数据泄露。教师总结——数据预处理必须仅在训练集拟合变换器，再应用到测试集。

（四）第四学时：深度建模与前向视野拓展（45分钟）

1.LSTM预测帝国反击（18分钟）

教师行为：保留第三学时生成的三维张量，仅替换模型：

model=Sequential()

model.add(LSTM(64,input_shape=(96,1),return_sequences=False))

model.add(Dropout(0.3))

model.add(Dense(4))

训练过程可视化：左屏实时绘制LSTM损失曲线，右屏同步展示全连接网络曲线。LSTM验证loss不仅更低，且拐点出现更晚。预测对比图显示LSTM在负荷早峰上升沿的跟随速度明显优于全连接网络。

学生活动：记录两种模型在测试集上的RMSE与MAPE，并讨论LSTM获益于记忆机制的证据。

【核心重点】教师反问：“LSTM真的完美了吗？为什么在春节异常负荷日预测值仍偏高？”引出模型缺乏对节假日外部知识注入的局限。

2.注意力机制启蒙——模型在“看”哪里（07分钟）

教师行为：在训练好的LSTM层后插入一个轻量级注意力层，输出加权平均后的上下文向量。训练后提取注意力权重矩阵，绘制热图。可视化结果显示：预测上午10点负荷时，模型赋予前一日同一时刻及今晨8点的权重显著偏高。学生由此具象理解注意力本质——在时间轴上自动聚焦关键证据。

【热点】提示学生：注意力权重可作为模型可解释性的一种来源，是当前学术热点。

3.物理引导的伦理思辨（05分钟）

教师行为：展示特殊案例——某日预测值大幅偏离实际，经查当日该区域举办了临时大型商演。教师提问：“纯粹的数据驱动模型永远无法预知未在历史中出现过的事件，这是否意味着人工智能的终极缺陷？”

学生发言节录：“应该与气象、市政活动数据融合。”“可以引入强化学习，在预测后根据人工反馈修正。”教师归纳：人工智能是增强而非替代人类专家。

4.项目式深度拓展任务发布（10分钟）

教师行为：发布跨周小组项目——“基于混合模型的配电台区负荷概率预测”。任务要求：1.至少对比LSTM、CNN-LSTM、TCN三种架构；2.输出区间预测（分位数或方差）；3.提交可复现的GitHub仓库链接。提供kaggle风格排行榜，最优MAPE小组获邀在课题组组会分享。

学生活动：组内分工，建立微信群用于实验进度同步。

5.课程收官与学术地平线（05分钟）

教师行为：在时间轴图谱上标注1957年感知机、1986年BP、1997年LSTM、2015年注意力、2020年图神经网络（将配电网拓扑作为图结构输入）。推荐三篇前沿文献：1.基于联邦学习的隐私保护负荷预测；2.物理信息神经网络（PINN）将潮流方程嵌入损失函数；3.大语言模型用于零样本负荷预测初探。

学生活动：在文献管理软件中添加文件夹，标记个人兴趣方向。

九、学习评价双层体系

（一）形成性评价（权重40%）

1.随堂代码片段提交（四次，累计20%）：包括LSTM