数据集要求

单设备情况

dataset/
    origin_dataset.csv

timestamp,load_value
2020-01-01 00:00:00,244104.7682
2020-01-01 00:15:00,232760.6402
2020-01-01 00:30:00,232041.6891
2020-01-01 00:45:00,227353.3317
2020-01-01 01:00:00,232994.4269
2020-01-01 01:15:00,224198.7554

需要按15分钟的间隔记录每个地点的负荷数据，从00:00:00到23:45:00。

请确保数据的格式正确！使用原始值即可，代码内会进行归一化处理。

多设备情况

dataset/
    device1_origin_dataset.csv
    device2_origin_dataset.csv
    ...

其余部分与单设备情况基本一致。

代码会按顺序把dataset里的所有device进行训练，分别导出模型。

csv文件命名时，原始数据请命名为"device_origin_dataset.csv"，以"_origin_dataset.csv"结尾！！！

附：调试代码过程所使用的模拟数据来源：https://tianchi.aliyun.com/dataset/176964

接口文件说明(以多设备情况为例)

共形成两个接口文件，train_pipeline_cli.py 和 load_prediction_cli.py，其余文件用于单独对代码、模型进行测试，可选用。

一、模型训练代码

基本命令格式：

python train_pipeline.py [--dataset_dir DATASET_DIR] [--model_save_dir MODEL_SAVE_DIR]

参数说明：

• --dataset_dir：可选参数，指定存放原始数据集的目录。默认值是 dataset。该目录中的每个文件名必须以 _origin_dataset.csv 结尾，且文件名的前缀部分应代表设备名。
• --model_save_dir：可选参数，指定保存模型的目录。默认值是当前目录 .。

示例命令：

1. 使用默认目录处理所有设备的数据并训练模型：

   python train_pipeline_cli.py

   • 该命令会从默认的 dataset 目录中获取所有符合条件的设备数据，拆分数据集并开始训练。

2. 指定数据集目录和模型保存目录：

   python train_pipeline_cli.py --dataset_dir my_datasets --model_save_dir my_models

   • 该命令会从 my_datasets 目录读取设备数据，并将训练后的模型保存在 my_models 目录中。

3. 仅指定数据集目录：

   python train_pipeline_cli.py --dataset_dir custom_dataset_folder

   • 该命令会从 custom_dataset_folder 目录中读取设备数据，并在当前目录中保存训练的模型。

注意事项

1. 数据文件必须命名为 {device_name}_origin_dataset.csv 格式，其中 {device_name} 是设备的名称，_origin_dataset.csv 是文件的后缀。
2. 脚本将会自动调用 dataset_split.py 中的 split_dataset 函数，以及 train.py 中的 train_model 函数，请确保这两个模块存在并且其函数正确实现。
3. 如果有多个设备数据文件，脚本会循环处理每个设备，依次拆分数据并训练模型。

示例工作流程：

• 设备 device1 的数据文件名为 device1_origin_dataset.csv。
• 设备 device2 的数据文件名为 device2_origin_dataset.csv。

执行以下命令：

python train_pipeline_cli.py --dataset_dir dataset --model_save_dir models

将会拆分每个设备的数据，并为每个设备分别训练模型，并保存在 models 目录中。

二、模型预测代码

1. 基本命令格式：

   python load_prediction_cli.py "YYYY-MM-DD HH:MM:SS" [--num_days N] [--devices device1 device2 ...] [--output_dir directory]

2. 参数说明：

   • start_date：预测开始日期，格式为 "YYYY-MM-DD HH:MM:SS"，例如 "2023-01-16 00:00:00"。
   • --num_days：可选参数，指定预测的天数，取值为 1、3、30 或 90。如果不指定，将会为所有可选值生成预测文件。
   • --devices：可选参数，指定要预测的设备名称列表，例如 device1 device2。如果不提供，将自动从数据集中获取所有设备。
   • --output_dir：可选参数，指定输出目录，默认是 predictions。

3. 示例命令：

   • 预测未来3天的负载：

     python load_prediction_cli.py "2023-01-16 00:00:00" --num_days 3 --devices device1 device2

   • 为所有设备预测未来30天的负载（自动从数据集中获取设备）：

     python load_prediction_cli.py "2023-01-16 00:00:00" --num_days 30

   • 为所有设备预测负载，输出到自定义目录：

     python load_prediction_cli.py "2023-01-16 00:00:00" --output_dir my_predictions

   • 为所有设备生成所有天数的预测文件（未指定 num_days）：

     python load_prediction_cli.py "2023-01-16 00:00:00" --devices device1 device2

Reference

感谢Garyou19开源的代码，本项目在此基础上进一步开发。

原仓库链接：https://github.com/Garyou19/LSTM_PyTorch_Electric-Load-Forecasting