基于CNN与LSTM的个体用户电力负荷预测方法与应用

基于 CNN 和 LSTM 的个体用户负荷预测方法，思路挺新，落地性也强，适合做电力类项目的你试试。模型用了CNN提特征，LSTM捕捉时间序列的上下文关系，配合气温、电价、历史负荷，预测还蛮准的。数据预也讲得比较细，像标准化、归一化这种常见步骤都没落下。

适合你在做负荷预测系统、配电网调度优化、甚至动态定价场景中直接上手。响应快，预测准，不容易过拟合，实测比传统方法稳定不少。尤其你如果在电力侧做智能化调度的，那这个方法值得研究下。

另外，作者还附了不少实验结果和实际场景测试，对比老算法，优势还挺的。如果你要找一套成熟的深度学习预测方案，不妨从这套入手，参考价值高。

相关资源也比较丰富，像PyTorch 版 CNN+LSTM 源码，还有CNN-LSTM-Attention 模型可以一块看，对你理解整体结构和优化方向有。

如果你刚好在研究电力负荷预测，或者想提升你模型的预测准确率，可以直接试下这种CNN+LSTM的混合结构，效果真的还不错。