时间序列（三）基于ARIMA-CNN-LSTM的电力负荷预测python代码（原始数据+预处理+对比预测模型+说明文档）

1、数据来源：比利时某地区6月1日至6月30日的光伏数据：包含实时采集的功率数据、预测数据等，步长为15min，总数据量为2880.

2、关于数据预处理：

  ① 异常值识别：采用箱线图法，识别。发现采集数据质量优异，并无突出异常值。识别和剔除后箱线图无变化

  ② 缺失值可视化：通过可视化图片发现数据仅在Day_Ahead_forecast在6月23日存在一整天的数据缺失。

  ③ 缺失值填充：初步考虑采用线性插值处理，处理后发现效果不好。优于缺失数据在一天内变化规律性特别强，

  仅通过简单填充或者模型预测填充很难解决这个问题。因此，考虑采用人工填充，将6.22日数据来填充23日的数据。

  ④ 填充前后对比：填充前后数据放在对比文档中。

3、数据集划分

预测实时光伏功率真实值，数据集为power，将数据前80%作为训练集，后20%作为测试集，来验证模型的效果。

4、模型预测：采用ARIMA和ARIMA-CNN-LSTM做预测，效果特别突出，其中后者的拟合程度可以达到0.9996（ R2）。

5、ARIMA模型擅长处理时间序列中的线性关系，而LSTM则能很好地捕捉非线性关系。在时间序列数据中，许多现象具有复杂

的非线性模式，单纯依靠ARIMA或LSTM往往难以取得最佳效果。因此，将ARIMA和LSTM结合起来，可以充分发挥两者的优势。

具体来说，结合方法通常为：首先，使用ARIMA对时间序列数据进行建模，得到拟合值和残差。ARIMA能够有效地拟合数据中

的线性趋势和季节性变化。然后，将ARIMA的残差作为输入数据，使用LSTM进一步建模，捕捉数据中未被ARIMA捕捉到的非

线性部分。最后，结合ARIMA的拟合结果和LSTM的预测值，得到最终的预测结果。通过这种结合方式，可以大幅度提高时间

序列预测的准确性，特别是在非线性模式复杂的情况下，ARIMA+LSTM模型能够显著改进预测性能。

背景文献：

代码内容：

预处理部分：

预测模型部分：

预测模型出图：