LSTM短期电力负荷预测实战：从数据清洗到模型调参避坑指南

简介：这是一份基于LSTM循环神经网络的短期电力负荷预测学术论文PDF，适合电力系统调度、负荷预测建模及深度学习应用研究人员参考。论文针对传统统计方法难以处理负荷随机性、普通机器学习方法忽略时序依赖的问题，提出利用LSTM的时序记忆能力构建深度循环神经网络，可灵活设定历史窗口期并纳入温度、节假日等影响因素，实现对负荷内在规律与非线性影响的联合建模。内容涵盖普通RNN原理、LSTM门控机制（输入门、输出门、遗忘门）、模型构建思路及基于实际负荷数据的对比实验，并展示不同历史窗口和网络架构下对预测准确性的影响。资源为单篇PDF文档，共1个文件，压缩包大小约1.45MB，已有479人学习，适合入门了解LSTM负荷预测方法或作为论文写作参考。

1. 短期电力负荷预测：LSTM神经网络凭什么啃下这块硬骨头

调度员最怕的不是电厂停机，而是明天上午十点的负荷估算偏差过大。短期电力负荷预测，本质上是拿一段历史负荷序列去预测未来24小时到7天的负荷曲线，它直接决定配网调度、售电交易和储能策略怎么排。LSTM循环神经网络之所以成为这个方向的主流选择，是因为负荷数据天生就是时间序列：有日周期、周周期，还有温度、节假日带来的突变，普通前馈网络记不住这些跨天的依赖，而LSTM的门控机制能把它一路带进预测。这篇笔记讲的是怎么把“基于LSTM的短期电力负荷预测”从论文题目变成能跑的方案，适合电力行业算法工程师、做时间序列预测的同学，以及准备用这个课题做毕业设计的人。真动手做一遍才会发现，模型代码反而是整个流程里最省心的一环。

2. 预测任务与数据集构建：先搞清楚LSTM在拟合什么

2.1 负荷曲线长什么样，为什么不能当普通表格数据用

拿到任何一份地区负荷数据，我第一件事不是建模，而是把近一年的负荷曲线按小时画出来。看多了你会发现，负荷曲线有几个共性特征。第一是日内周期性，早上和傍晚各有一个高峰，凌晨三四点落到底部，这个形态在几乎所有城市都存在。第二是周周期性，工作日的负荷整体高于周末，周五下午有时会提前上扬，周一早晨又会有爬坡。第三是对温度的强敏感性，夏季持续高温或冬季寒潮会让负荷快速上升，而且存在“延迟效应”：连续三天高温后，即使温度不再升高，负荷也会继续累积。

这些特征意味着，负荷预测不是一个普通的回归问题，而是一个带强周期和外部扰动的时序建模问题。如果只把过去几小时的数据拉成一维特征丢给普通全连接网络，模型能学会“早晚高峰”这类日内规律，但很难捕捉到“上周一上午的负荷对本周一上午有参考价值”这种跨天模式。SVM、随机森林这类方法在这个问题上也能跑，但预测曲线的滞后现象往往很严重，原因是它们本质上没有对时间结构建模。

还有一个容易忽略的点：原始负荷数据里经常混着坏值。通讯中断会产生连续零值，电表更换会产生跳变尖峰，极端情况下一天里可能有百分之五的数据异常。做数据集之前，我会先用滚动中位数把明显离群点修掉，再对缺失段做线性插值。这一步不做，后面模型学到的“正常模式”会被这些异常样本带偏，而且误差会集中爆发在异常点附近。

2.2 为什么选LSTM：从RNN到门控机制

LSTM是一种特殊的RNN循环神经网络结构，核心想法是让网络在处理序列时保留一个“隐含状态”，把上一步的信息带到下一步。普通RNN在反向传播时存在梯度消失问题，序列超过二三十步后，前面几步的信息基本上传不回来。LSTM在RNN基础上加了遗忘门、输入门和输出门，用三个门控制细胞状态如何写入、保留和读出，因此能把数十步甚至上百步之前的信息保留下来。

对应到负荷预测场景：气温等外部因素可能在三天后才会体现为负荷峰值，节假日与正常工作日相差一个完整的周周期，这些都需要模型跨较长窗口进行记忆。这是一个标准的LSTM时间序列预测问题——用过去一段滑动窗口内的负荷序列，去预测未来一段负荷序列，这正是LSTM神经网络在电力系统中最经典的应用形态。

选型的时候，我一般拿LSTM和Transformer、ARIMA做一个快速对比。ARIMA对线性平稳序列处理能力强，但负荷序列有明显的周期和非线性，做差分、季节分解后剩下来的残差仍然不好建模；Transformer效果虽然好，但需要的数据量和算力门槛高得多，在几万条样本的负荷数据上反而容易欠拟合。LSTM的训练成本低、对中等样本量友好、效果可靠，是短中期负荷预测里性价比最高的起点。

2.3 构造LSTM数据集：滑动窗口与归一化

确定了模型类型后，第一步是把原始负荷序列变成“x到y”的监督学习样本。我这里以小时粒度为例，用过去72小时预测未来24小时，也就是seq_len设72、pred_len设24。如果你手上是15分钟粒度的数据，可以按比例换算成96预测96这样的组合。

import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler def load_and_clean(csv_path): df = pd.read_csv(csv_path, parse_dates=['time']) df = df.sort_values('time').reset_index(drop=True) # 滚动中位数滤除离群点，窗口设为7 df['load'] = df['load'].rolling(7, center=True, min_periods=1).median() # 对缺失值做线性插值 df['load'] = df['load'].interpolate(method='linear') return df def create_sequences(data, seq_len=72, pred_len=24): xs, ys = [], [] for i in range(len(data) - seq_len - pred_len + 1): x = data[i:i + seq_len] y = data[i + seq_len:i + seq_len + pred_len] xs.append(x) ys.append(y) return np.array(xs), np.array(ys)

这段代码的逻辑是：先按时间排好序，然后用滚动中位数滤除离群点，用线性插值补缺失值，最后用滑动窗口把历史72小时切为x、未来24小时切为y。滚动中位数比均值更不容易被尖峰拉偏，窗口取7是因为负荷数据中单个坏点通常不会连续超过三四个小时。滑动窗口生成时，每个样本之间步长为1小时，数据量会比较充足；如果你的训练时间紧张，可以把步长调成2或4，样本量会成倍下降，但模型看到的时间轨迹会变粗糙。

接下来做归一化，我一般用MinMaxScaler把负荷值压到0到1区间。这一步是LSTM训练的常规操作，能够大幅加快收敛速度、避免数值震荡。这里有一个容易踩的坑：scaler必须在训练集上fit，验证集和测试集只能transform，后面的避坑章节我会专门展开。

df = load_and_clean('load_data.csv') cleaned_load = df['load'].values scaler = MinMaxScaler() load_scaled = scaler.fit_transform(cleaned_load.reshape(-1, 1)) # 在总序列上生成所有滑窗样本 X, Y = create_sequences(load_scaled, seq_len=72, pred_len=24) # 按样本序号切分，时间顺序保持不变，禁止 shuffle total = len(X) train_end = int(total * 0.7) val_end = int(total * 0.85) x_train, y_train = X[:train_end], Y[:train_end] x_val, y_val = X[train_end:val_end], Y[train_end:val_end] x_test, y_test = X[val_end:], Y[val_end:]

注意这里切分有个细节：因为样本是按时间推进生成的，边界上验证集前72个样本的输入会用到训练集末尾的负荷值，这不算标签泄漏，因为训练时模型没有见过验证集的未来值。如果你希望验证结果更“干净”，可以在边界处直接丢弃72个样本，留一条隔离带。我通常不丢，除非验证集误差和训练集误差差距异常大。

2.4 训练验证测试集怎么切：别用随机打乱

很多人在负荷预测里沿用图像分类的7:2:1随机切分，但在时序任务里这是错误做法。正确的比例是基于时间段来切，我常用的是7:1.5:1.5，样本量少时改用7:2:1。因为负荷有周周期，验证集和测试集最好各包含至少一个完整的七天，否则你验证出来的误差会偏向某类日期。

举个例子，如果测试集只覆盖工作日，模型可能表现得特别好，因为工作日的负荷模式是样本最丰富、最好学的；一旦上线遇到周末或节假日，实际误差会直接放大。我的习惯是切分后先数一数验证集和测试集里有多少个周六、周日，覆盖不到就多留几天数据。这类问题在论文复现里经常被忽略，但实际工程上线时，测试集构成不合理会让整个模型评估失去参考价值。

3. 用PyTorch搭建LSTM负荷预测模型：结构与核心参数

3.1 PyTorch还是Keras：写LSTM的选型建议

现在写LSTM神经网络，主流框架无非是PyTorch和Keras。如果你的目标是一周内出结果、快速验证，用Keras的Sequential堆两层LSTM加一个Dense层，几十行代码就能训练，文档也多。但我自己的习惯是用PyTorch，原因有三点：一是调试方便，forward里随时可以打印中间隐状态，不会像Keras那样遇到问题只能查黑匣子；二是自定义损失函数和评估逻辑时不用绕框架的弯；三是数据规模增大后，PyTorch在多卡和分布式扩展上更顺手。

当然选型没有绝对，关键是不要把框架选择变成进度的阻碍。网上能搜到的“lstm模型代码”里Keras版本占了很大一部分，照着改也完全可行。这篇以PyTorch为例，因为它的张量形状逻辑更接近LSTM的原理，适合一边看代码一边理解门控机制。

3.2 最小可跑的LSTM模型代码

下面是一个可以直接训练的小模型。输入形状是(batch, seq_len, input_size)，输出形状是(batch, pred_len)。

import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size=1, hidden_size=64, num_layers=2, pred_len=24, dropout=0.2): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout if num_layers > 1 else 0.0 ) self.regressor = nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Linear(32, pred_len) ) def forward(self, x): out, (h_n, c_n) = self.lstm(x) # 取最后一个有效时间步的隐状态作为整段序列的表示 last_hidden = out[:, -1, :] return self.regressor(last_hidden)

这个模型的逻辑不复杂：LSTM层沿时间步依次处理输入的72个负荷值，输出每个时间步的隐状态，我们只取最后一个时间步的隐状态，它理论上凝聚了整段历史的信息；再接两层全连接网络，把它映射成未来24小时的负荷值。batch_first=True意味着输入张量的第一维是batch，第二维是时间步，这对刚从DataLoader拿数据的初学者来说更直觉，不容易搞错维度的先后。

dropout参数的作用是随机丢弃一部分神经元输出，缓解过拟合，但它只在num_layers>1时才生效，单层LSTM里设置dropout会被PyTorch直接忽略。这里把dropout设为0.2，是一个偏保守的取值，如果验证集过拟合严重可以再往上调。

3.3 输入输出形状：理清seq_len、hidden_size和pred_len

LSTM的输入形状必须理清。假设一次喂入64个batch、每个batch包含72小时的历史数据、每步只有一个负荷特征，那么输入张量就是(64, 72, 1)。经过LSTM后，输出的out张量是(64, 72, 64)，其中最后一个64是hidden_size，也就是每个时间步都会被映射成64维的隐状态。我们取out[:, -1, :]，得到(64, 64)的向量，再经过全连接层输出(64, 24)。

这里有三个参数容易让人绕晕。seq_len是时间步数，对应滑动窗口的长度，它只影响LSTM展开的步数，不影响全连接层的输入维度；hidden_size是每个时间步的隐向量维度，它决定了模型记忆容量的大小，也决定了全连接层第一层的输入维度；pred_len是输出步数，在这个模型里直接等于全连接层最后一层的输出维度。理解这三者的关系后，模型结构基本就焊死了，剩下的都在调参。

3.4 超参数到底怎么定：一张参数表讲清楚

把论文里的超参数直接搬到自己数据上，十有八九要翻车。我常用的起步配置是hidden_size=64、num_layers=2、batch_size=64、learning_rate=0.001，训练60到100轮。下面是每个参数的作用和调节方向：

其中hidden_size和num_layers这层，说实话有点玄学，没有一个公式能算出最优值，但经验区间很固定：单变量小样本任务里hidden_size超过256基本是浪费；num_layers超过3层后收益很小，反而更难收敛。我一般先把参数定在这个区间，跑一版看训练曲线，再根据欠拟合还是过拟合去调，不要一开始就上网格搜索，时间成本太高。关于超参数还需要注意：seq_len最好覆盖一个完整周期，小时粒度数据至少要72以上，否则模型看不到跨天规律，预测结果在凌晨和傍晚切换时很容易掉链子。

4. 训练与评估：误差指标、曲线判读与验收标准

4.1 损失函数、优化器与学习率怎么搭配

负荷预测的损失函数，我一般用MSE而不是MAE。原因是MSE对峰值误差惩罚更重，而负荷预测最忌讳的是高峰时段预测偏低——高峰偏差直接关系着调度成本和供电可靠性。用MSE训练会让模型更保守地把高峰区域“垫高”，实际效果通常比MAE好。Adam优化器是时间序列任务里最稳妥的默认选择，它自适应调整每个参数的学习率，省去了手动调度学习率的麻烦。学习率设为0.001，训练过程中如果发现loss震荡或者不下降，就把它降到0.0003或0.0001再继续。

还有一个容易忽略的陷阱：如果你的负荷数据里有极端尖峰没有清洗干净，MSE会被这几个点主导，模型会花大量精力去拟合噪声。所以训练前务必确认离群点已经处理过，或者在损失函数里对极端值做截断。

4.2 训练循环与早停代码

训练部分的代码结构比模型本身更值得抄。先构造DataLoader，然后按下面的写法把训练和验证拆成两个函数，并且实现了早停：验证损失连续10轮不下降就停止训练，保留历史最好的一版模型。

from torch.utils.data import TensorDataset, DataLoader train_dataset = TensorDataset(torch.FloatTensor(x_train), torch.FloatTensor(y_train)) val_dataset = TensorDataset(torch.FloatTensor(x_val), torch.FloatTensor(y_val)) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=False) val_loader = DataLoader(val_dataset, batch_size=64, shuffle=False)

def train_one_epoch(model, dataloader, optimizer, criterion): model.train() total_loss = 0.0 for x, y in dataloader: optimizer.zero_grad() pred = model(x) loss = criterion(pred, y) loss.backward() optimizer.step() total_loss += loss.item() * x.size(0) return total_loss / len(dataloader.dataset) def evaluate(model, dataloader, criterion): model.eval() total_loss = 0.0 with torch.no_grad(): for x, y in dataloader: pred = model(x) loss = criterion(pred, y) total_loss += loss.item() * x.size(0) return total_loss / len(dataloader.dataset) best_loss = float('inf') patience = 10 wait = 0 for epoch in range(100): train_loss = train_one_epoch(model, train_loader, optimizer, criterion) val_loss = evaluate(model, val_loader, criterion) print(f'epoch {epoch:03d} | train {train_loss:.5f} | val {val_loss:.5f}') if val_loss < best_loss: best_loss = val_loss wait = 0 torch.save(model.state_dict(), 'best_model.pt') else: wait += 1 if wait >= patience: print('early stopping at', epoch) break

训练时每个epoch先遍历训练集，用loss.backward()计算梯度，optimizer.step()更新参数；验证时用torch.no_grad()关闭梯度追踪，只做前向计算。这里有一个细节：loss按样本数量做了加权平均，这样即使最后一个batch不满64个样本，损失也不会被batch_size差异带偏。早停的耐心值设10，如果连续10轮验证损失没有刷新，直接停掉，避免无谓的算力消耗。

这段代码里model.eval()和model.train()不可省，它们会改变dropout和BatchNorm的行为。我在早期调试时因为少了model.eval()，验证集损失一直忽高忽低，后来才发现是dropout在验证时还在随机丢弃神经元，这也算一个常见坑。

4.3 评估指标：RMSE、MAE和MAPE怎么选

训练损失是过程量，真正对外交代的是这几个指标。最常用的三个是RMSE、MAE和MAPE：

以地区小时级负荷为例，如果峰值负荷在800MW这个量级，MAE在20MW以内、RMSE在30MW以内、MAPE在3%以内，算是不错的结果；MAPE超过10%就说明模型基本不合格。MAPE有个坑：负荷值在凌晨可能接近零，分母一小学会直接爆出一个巨大的百分比，我在实践里会先把负荷低于某个阈值的点过滤掉再算MAPE。

4.4 预测曲线怎么判读：别只盯着整体误差

评估不只是看一个数值。每次训练完，我会把测试集里某连续一周的真实曲线和预测曲线叠在一起画出来，代码很简单：

import matplotlib.pyplot as plt plt.figure(figsize=(14, 5)) plt.plot(y_true_denorm, label='真实负荷', linewidth=1.2) plt.plot(y_pred_denorm, label='预测负荷', linewidth=1.2, alpha=0.8) plt.legend() plt.xlabel('小时') plt.ylabel('负荷(MW)') plt.title('连续一周负荷预测对比') plt.show()

画出来之后重点看两个地方。第一，峰谷时刻是否对齐：如果预测曲线的峰值比真实晚一两个小时，整体MAPE可能不高，但对调度来说这个错位是致命的，因为并网和储能计划依赖的是峰值出现的时间。第二，周边界是否异常：周日晚到周一早晨的负荷爬坡是模型最容易崩的位置，如果这里出现明显偏差，说明模型没有学好周周期。我自己遇到过不少次测试集整体误差很漂亮、但放大看每一天都是“慢半拍”的情况，这也是LSTM做负荷预测最常见的一个坑，下一章展开讲。

5. 负荷预测实战避坑：数据泄漏、滞后预测与过拟合排查

LSTM负荷预测踩过的坑，绝大多数不是模型结构的问题，而是数据和评估方式的问题。下面这五条是我在短期负荷预测项目里反复遇到、也反复帮别人排查过的典型坑，按现象、原因、解决三个层次展开。

5.1 数据泄漏：随机切分在时序预测里等于作弊

现象：按照图像分类的习惯，把数据集随机打乱后按比例切分，然后训练，发现验证loss低得惊人，测试集误差也漂亮，模型似乎完美无敌。

原因：时序数据一旦随机打乱，训练集里的样本可能包含“未来”的数据。比如第1000小时的负荷被分到训练集，第1008小时的负荷被分到测试集，模型在训练时已经看到过同一时段周边负荷的规律，测试时自然闭着眼睛也答得出来。这种泄漏会让模型的真实水平被严重高估，而一旦上线面对真正的未知未来，误差立刻打回原形。

解决：严格按时间顺序切分，训练集、验证集、测试集在时间上依次不相交，且禁止shuffle。我当时刚跑通时也犯过这个错，后来做一个面向未来一周的滚动预测评测，发现模型性能暴跌，回头检查才发现是数据切分的祸。这是时序预测里最值得记住的一条血泪经验。

5.2 预测曲线比真实曲线晚一步

现象：把预测曲线和真实曲线叠在一起看，预测值整体滞后，峰值和谷值都比真实曲线晚一两个小时。有一个经典特征是误差序列自相关很强，连续几个小时预测偏差都往同一个方向偏。

原因：LSTM本质上是通过历史窗口里最近一段的趋势来外推未来。如果训练集里的负荷序列变化比较平缓，模型学会的最省力策略就是“把上一个时刻的值往后抄”，结果就是预测近似于把真实曲线平移一步，这在序列预测领域叫滞后效应。只取最后一步隐状态做预测时，这个现象尤其明显。

解决：三种常用手段。一是加入外部变量如温度、湿度、日类型，让模型有额外信息打破“惯性外推”；二是把标签做成未来一段的均值或峰值，而不是面向单点，迫使模型学习真实映射；三是把目标从“预测负荷值”改成“预测负荷变化量”，再做累积还原。如果你发现滞后已经出现在测试集里，先别急着换模型结构，检查一下训练目标是不是太“懒惰”。

5.3 测试集很漂亮、上线就翻车

现象：模型在测试集上MAPE只有2%多，部署之后第一天预测值和实际值差出去50%，而且偏差集中在某个特定时段。

原因：测试集覆盖的场景太少。最典型的是你切出的测试集恰好全是正常工作日，模型从来没有见过节假日、极端天气、春节这种样本，一旦遇到就是一个大号黑天鹅。负荷数据里节假日样本一年可能只有十来天，天然是少样本，而它对预测偏差的影响又极大。

解决：评估时把测试集拆成“工作日、周末、节假日”三个子集分别算误差，对节假日子集格外关注。如果发现节假日误差大，可以把过去三到五年的节假日数据单独抽出来补充训练，或者用迁移学习的思路：先用正常数据预训练，再用节假日数据微调。我自己的教训是，没有特殊事件覆盖的模型不能直接上线，这是工程里最容易在验收阶段蒙混过关、上线后立刻暴露的坑。

5.4 归一化还原：fit_transform和transform的区别

现象：预测结果画出来，量纲完全不对，有时候预测值全是负数或者大得离谱，而训练过程看起来一切正常。

原因：数据预处理时对训练集和测试集各自做了一遍fit_transform，或者只把训练集做了归一化，预测完却忘了把结果反归一化回去。MinMaxScaler的fit是在计算最大值最小值，transform才是真正做缩放；测试集只能用训练集的scaler做transform，否则训练集和测试集的数值范围不一致，模型看到的分布和真实分布完全对不上。

解决：一句话，train阶段fit_transform，test和val阶段只transform，预测完用同一个scaler.inverse_transform还原。为了防止忘记，我通常会把scaler随模型一起保存，部署时一并加载。代码写法如下：

# 训练集上 scaler = MinMaxScaler() train_scaled = scaler.fit_transform(train_values.reshape(-1, 1)) # 测试集上 test_scaled = scaler.transform(test_values.reshape(-1, 1)) # 还原预测结果 pred_real = scaler.inverse_transform(pred_scaled)

如果你在还原时发现预测值整体偏小或偏大，可以检查是不是用了错误的scaler实例，这是最常见的归一化翻车原因。

5.5 过拟合：训练损失在降，验证损失不降

现象：训练loss一路下降，验证loss先降后升或原地不动，训练后期的模型验证集误差明显变大。

原因：LSTM模型容量超过数据量能支撑的范围。小时粒度负荷数据一年也就8760条，几万个样本已经算不错，而hidden_size=128、num_layers=3的模型参数量动辄几十万，完全可以把训练集背下来，却没有泛化到验证集。另一个常见诱因是把dropout设为0，或者训练轮数太多且没有早停。

解决：按顺序先做减法再调参——先把num_layers降到1，hidden_size降到32，看验证集误差是否改善；然后加dropout=0.3并配合早停；最后才考虑增加数据或特征。把训练曲线打印出来是最直接的排查手段，如果train和val两条曲线之间的缝隙越拉越大，不用怀疑，就是过拟合。记住一个原则：负荷预测任务里，数据规模和特征质量决定模型上限，模型结构只是把上限兑现出来的工具。

6. 从单步到多步预测：进阶方法与落地习惯

6.1 直接多步、递归多步与Seq2Seq怎么选

前面模型直接输出未来24个点，属于直接多步预测。它的优点是训练简单、误差不累积，缺点是输出之间缺少相互约束，长预测步数下形态容易失真。递归多步预测是先预测第1小时，把它拼到输入末尾再预测第2小时，缺点一目了然：误差会一路累积，预测越长偏得越远。Seq2Seq用编码器压缩整段历史，再用解码器逐步生成未来，适合更长的预测窗口，但训练复杂度也更高。我的建议是，预测未来24小时用直接多步或Seq2Seq，不要用递归多步，那个误差滚雪球的感觉谁用谁知道。

6.2 加入多变量特征，提升模型上限

负荷预测再往前一步，就是把气温、湿度、日类型、节假日标志拼进输入。常见做法是把这些外部特征逐时间步对齐到负荷序列上，input_size从1变成4或5。这样可以缓解滞后效应，尤其是在高温和寒潮场景下。多个特征一起输入后，模型对峰值的把握会有质的提升，但要注意不同特征必须用同一个scaler统一归一到相同尺度，否则大数值的特征会主导梯度。

6.3 我现在的收尾习惯：管好训练产物

我自己的收尾流程固定有三件事：一是训完模型立刻保存best_model.pt和对应的scaler文件到一个目录，部署时缺一不可；二是写一个轻量的重训脚本，每周自动用最近一年的数据重训一次，避免模型概念漂移；三是固定随机种子并记录每次实验的超参数和指标，否则后续调参你会完全失去方向。短期负荷预测这个课题，入门门槛不高，但把数据切分、归一化、滞后和场景覆盖这些细节都处理干净，才会真正变成能用来做决策的工具。这算是我从踩坑里攒下来的一点习惯，希望帮到你。

本文还有配套的精品资源，点击获取