Python实战：利用ARIMA模型预测电力负荷时间序列（附完整代码）

1. 电力负荷预测：为什么ARIMA是入门首选？

你好，我是老张，在电力行业和数据分析这块摸爬滚打了十来年。今天想和你聊聊一个非常实际的问题：怎么预测未来一段时间里，一个区域的用电量会是多少？这听起来像是电力调度部门的专业活儿，但其实用Python和一些经典的统计学方法，我们自己也能上手试试看。这不仅能帮你理解时间序列预测的套路，万一你工作中遇到类似的需求，比如预测客流量、销售额，思路也是完全相通的。

在电力系统里，这个预测任务有个专业名词，叫“负荷预测”。你可以把它想象成给电网做“天气预报”。预测准了，电网公司就能提前安排发电计划，既保证大家用电稳定，又能避免发电资源浪费，对节能减排也特别重要。我们今天的实战场景，就是基于一个真实的区域电网数据，它每15分钟记录一次总的有功功率（你可以简单理解为用电负荷），我们要做的就是利用过去的数据，预测未来一天的用电情况。

面对这样的时间序列数据，新手朋友最容易犯怵：模型那么多，该从哪个开始？我的经验是，ARIMA模型绝对是你的“第一站”。原因很简单：它经典、成熟、原理相对直观，而且Python里的statsmodels库对它支持得非常好，从建模到评估有一套完整的工具。虽然现在深度学习、XGBoost很火，但ARIMA作为基准模型，能帮你快速建立起对数据平稳性、季节性、趋势这些核心概念的感觉。这就好比学开车，你得先熟练手动挡，才能更好地理解自动挡的各种模式。咱们今天的目标，就是手把手带你用ARIMA跑通一个完整的负荷预测流程，我会把里面容易踩的坑、参数怎么调、结果怎么看，都掰开揉碎了讲清楚。

2. 实战第一步：理解你的数据与ARIMA模型

在写任何一行代码之前，咱们得先搞明白两件事：手头的数据长什么样，以及ARIMA模型到底在干什么。磨刀不误砍柴工，这一步理解透了，后面调参就不会像无头苍蝇。

2.1 数据初探：打开电力负荷的“黑匣子”

我们拿到的数据通常是一个CSV文件，里面至少有两列：一列是时间戳，比如“2018/1/1 00:00:00”，另一列就是我们要预测的数值，比如“总有功功率（kW）”。用Pandas加载它只是第一步，关键是加载的时候就要告诉程序：“嘿，把时间那列当成索引来用”。这样做的好处是，后续所有的绘图、切片操作都会变得非常直观。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 加载数据，并解析时间列
df = pd.read_csv('./区域15分钟负荷数据.csv', parse_dates=['数据时间'])
# 将时间列设置为索引
data = df.set_index('数据时间')
# 看一眼数据结构和前几行
print(data.info())
print(data.head())

运行完这几行，你应该能看到数据的总行数、时间范围以及负荷值的基本统计信息（均值、最大最小值）。我强烈建议你立刻画一张时序图。这是了解数据性格最直接的方式。

plt.figure(figsize=(12, 5))
plt.plot(data.index, data['总有功功率（kw）'], linewidth=0.8)
plt.title('区域电网15分钟负荷时序图')
plt.xlabel('时间')
plt.ylabel('有功功率（kW）')
plt.grid(True, linestyle='--', alpha=0.5)
plt.show()

这张图会告诉你很多故事：数据有没有明显的上升或下降趋势？有没有以天或周为周期的重复规律（季节性）？有没有一些突然的尖峰或低谷（异常点）？对于电力负荷来说，通常能看到清晰的日周期（白天高、晚上低）和周周期（工作日和周末不同）。ARIMA模型本身不直接处理季节性，但我们可以通过差分等手段来间接应对，这个后面会细说。

2.2 ARIMA模型：三个字母背后的含义

ARIMA这个名字听起来高大上，其实拆开看就三部分，理解了它们，模型就不再是黑盒。

• AR（自回归）：模型的核心思想是“用过去预测未来”。具体说，就是认为当前时刻的负荷值，和它之前几个时刻（比如前1个、前2个…前p个时刻）的负荷值有线性关系。参数 p 就是看我们要往回看多少步。这就像是你觉得今天的温度，和昨天、前天的温度很有关系。
• I（差分）：这是让数据变“平稳”的关键操作。很多