CNN-BiLSTM光伏功率预测：多变量多步预测与Matlab实现

简介针对光伏功率预测任务一份融合CNN-BiLSTM的多变量多步预测Matlab源码与配套数据集可供使用覆盖数据输入、模型训练、误差计算等完整流程适合计算机、电子信息工程、数学等专业学生用于课程设计、期末大作业或毕业设计。压缩包共7个文件包含两个.m程序主仿真与误差计算、两张预测与误差结果图、一个.mat结果文件、一份xlsx原始光伏数据及一个txt说明文档总大小仅2.46MB目录结构清晰便于对照学习。目前已有125人学习下载。代码采用参数化编程参数可灵活调整注释明细运行环境为Matlab2023及以上可直接输出预测图、误差图以及R2、MAE、MAPE、MSE、RMSE等评价指标同时针对数据样本中发电功率为0导致MAPE无法计算的情况附有专门txt说明避免误用。作者为博客专家、机器学习领域创作者从事Matlab/Python算法仿真8年资源附有工程经验凝练的注释与排错提示方便快速理解模型逻辑并开展二次开发。1. CNN-BiLSTM做光伏功率预测多变量多步预测的正确打开方式光伏电站并网考核、储能充放电策略、电力现货市场报价背后都绕不开同一件事提前拿到未来几条小时的功率曲线。CNN-BiLSTM卷积神经网络双向长短期记忆神经网络是这类任务里一个很常见的混合深度学习方案——CNN负责从历史气象和功率序列里抠局部特征BiLSTM负责在时间维上做双向依赖建模一次输出未来多个时间点的功率值。标题里说的“Matlab完整源码和数据”就是一套从原始数据到预测曲线的最小可复现闭环。我拿到这类项目资源通常先看三件事数据的时间分辨率、特征列对齐情况、预测步长的定义方式。新手能按步骤跑通熟手能对照参数边界调出更好的效果。2. 为什么用CNN-BiLSTM先把模型结构和光伏预测场景对齐2.1 光伏功率预测的输入输出多变量与多步到底指什么很多刚入手的人把光伏功率预测理解成“给一个功率序列预测下一个值”这是单变量单步。实际场站和电网调度要的是未来一段时间的功率曲线所以标题里特别强调多变量多步。多变量输入常见组合是历史有功功率、水平总辐照度GHI、组件温度或环境温度、湿度、风速、风向、气压。其中辐照度与功率强相关温度和风速影响光电转换效率和散热湿度间接反映云层状态。数据采集的时间分辨率一般是15分钟或5分钟如果预测未来4小时、步长15分钟多步输出就是16个点如果做超短期光伏功率预测通常只预测未来1到2小时对应4到8个点。多步输出有两种落地方式一种是直接一次输出未来16个点叫直接多步预测另一种是用当前预测值反哺输入循环往下滚叫递归多步预测。后面第五章会专门讲这两条路的取舍。样本构造阶段要明确输入窗口长度和预测步长这两个参数直接决定训练样本的数量和网络结构最后接多宽的输出层。2.2 CNN层提局部特征、BiLSTM层抓双向时序依赖光伏功率序列的典型特点是辐照度变化带来明显突变云层过境时功率在几分钟内剧烈波动而晴天时曲线又相对平滑。单用LSTM的问题是它按时间顺序读序列对“前一刻刚发生的局部突变”响应不够敏锐而且同一段序列里正反向的上下文信息利用不充分。CNN在这里的作用是局部特征提取。一维卷积沿时间轴滑动每个卷积核只覆盖一个小窗口比如3个时间步能从原始多通道数据里抽出“辐照度快速上升伴随功率爬坡”“温度滞后于功率峰”这类局部模式。卷积核数量就是特征图谱的数量窗口滑动让模型具备一定的平移不变性云层遮光和天气转晴引发的相邻段波形相似能被同一个卷积核识别。BiLSTM则是把正向LSTM和反向LSTM拼接起来每个时间步同时看到过去和未来的信息。光伏功率序列的很多现象是双向印证的某时刻功率骤降既可能由前一段辐照度下跌导致也可能由后一段云层恢复时数据异常抬升了整体统计特征。BiLSTM能同时建模这两类依赖。组合起来就是CNN-BiLSTM的典型动机CNN先压缩局部模式BiLSTM再在更高层语义上做双向序列建模。这里有个实际经验卷积层之后不要急着池化。图像任务池化能减小分辨率但时间序列池化会损失时间对齐精度光伏功率预测恰恰需要知道“哪个时刻发生了爬坡”所以我在时间序列上要么不池化要么用PoolSize1的等价结构。2.3 数据来源与Matlab环境准备一个可复现的起点拿到源码包后第一步不是急着改网络而是先把数据读进Matlab确认字段和范围。常见数据格式是CSV或Excel包含时间戳和多列气象、功率数据。下面这段代码用来做最基础的检查% 读取光伏场站数据 data readtable(pv_plant_data.csv); % 查看变量名和前几行 disp(data.Properties.VariableNames); disp(head(data, 5)); % 统计每列缺失情况 missingCount sum(ismissing(data)); disp(missingCount); % 功率列分布直方图 histogram(data.Power, 50); xlabel(功率(MW)); ylabel(样本数);逻辑说明readtable自动解析表格Properties.VariableNames返回全部特征列名ismissing找NaN或空值histogram能直观看出功率分布是否合理——比如夜间大量0值、白天存在负值或超过装机容量的异常点。参数说明如果数据时间分辨率是15分钟一天96点如果是5分钟一天288点。这个数字决定后面滑动窗口的步长换算比如“预测未来1小时”在15分钟分辨率下就是预测4步在5分钟分辨率下是12步代码里的predSteps要按实际分辨率改不能照抄。环境方面Matlab里跑CNN-BiLSTM依赖Deep Learning Toolbox。如果代码里使用convolution1dLayer和bilstmLayer需要确认当前版本支持这两个层。老版本没有convolution1dLayer时常见替代做法是把一维序列转成二维图片格式再用imageInputLayer但那样预处理更绕我一般建议优先升级工具箱而不是改网络结构。3. 数据预处理与样本构造把气象表变成监督学习样本3.1 缺失值、异常辐照度与夜间数据怎么处理光伏数据脏得很有规律通讯中断产生整段缺失传感器故障导致功率突变夜间辐照度在0附近抖动雨天出现“低辐照度却高功率”这种明显矛盾记录。我的处理顺序是先修缺失再压异常最后决定夜间数据去留。% 1) 缺失值线性插值 data.Power fillmissing(data.Power, linear); data.GHI fillmissing(data.GHI, linear); % 2) 功率超出装机容量10%的改为边界值 capacityMW 50; % 按实际场站修改 data.Power(data.Power 0) 0; data.Power(data.Power capacityMW * 1.1) capacityMW; % 3) 辐照度明显异常夜间为正且超过50W/m2置为0 data.GHI(data.GHI 0) 0;逻辑说明fillmissing的linear方法在连续缺失段小于10个点时效果不错但如果缺失超过几个小时线性插值会磨平真实波动这时要看缺失段是否跨越日出或日落如果是建议直接删掉这段而不是补。功率的负值在光伏电站几乎都是传感器反灌或故障置零比保留更安全。参数说明装机容量的阈值检查是光伏场景特有的一步。如果历史数据里出现过限电或逆变器停机功率上限会低于装机容量这时候按装机容量压上限会把限电段误改成大值。所以我一般先看max(data.Power)再决定阈值而不是写死。夜间数据是承重墙保留夜间样本会让模型花大量容量去学“输出0”白天爬坡段的误差容易被稀释直接删夜间数据又会丢失“从0启动爬坡”的形态。我的折中做法是训练时保留夜间样本评估时单独计算白天时段指标并在预测后处理阶段把辐照度低于50W/m²时段的预测值强制归零。这样模型见过夜间形态但评分时不被夜间零值绑架。3.2 构造多变量多步样本滑动窗口与预测步长的关系监督学习要求将原始时序转成“特征-标签”对。设输入窗口长度为inputSteps预测步数为predSteps那么第k个样本的输入是原始数据第k到kinputSteps-1行的所有特征标签是第kinputSteps到kinputStepspredSteps-1行的功率值。窗口每次滑动一行保持时间顺序。function [X, Y] makeSlidingWindow(data, inputSteps, predSteps) totalSteps height(data); numSamples totalSteps - inputSteps - predSteps 1; numFeatures width(data); % 输入特征 × 时间步 × 样本标签预测步长 × 样本 X zeros(numFeatures, inputSteps, numSamples); Y zeros(predSteps, numSamples); for k 1:numSamples X(:, :, k) data{k : k inputSteps - 1, :}; Y(:, k) data{k inputSteps : k inputSteps predSteps - 1, Power}; end end逻辑说明这里把输入组织成numFeatures × inputSteps × numSamples的三维数组是sequenceInputLayer直接支持的格式。标签是predSteps × numSamples对应网络最后fullyConnectedLayer(predSteps)的输出宽度。参数说明输入窗口长度inputSteps不要拍脑袋定。15分钟分辨率下预测4步1小时我一般取12到24步作为输入让模型至少看到过去3到6小时的气象演变过程预测24步6小时输入窗口要拉到48到96步。输入太短爬坡起势看不全输入太长样本量骤减且引入过多的历史噪声。注意numSamples会随着输入窗口长度增加而变小数据量少的场站要省着用。3.3 归一化与反归一化的顺序最容易出错的环节归一化必须在划分训练集和测试集之后并且只从训练集统计参数。很多翻车现场是把全量数据一起归一化再切分这样测试集的均值方差参与了训练集的缩放属于信息泄露。我先切分再归一化% 按时间顺序切分前70%训练后30%测试 numTrain round(height(data) * 0.7); trainData data(1:numTrain, :); testData data(numTrain1:end, :); [XTrain, YTrain] makeSlidingWindow(trainData, inputSteps, predSteps); [XTest, YTest] makeSlidingWindow(testData, inputSteps, predSteps); % 仅用训练集估计归一化参数 numFeatures width(trainData); XTrain2D reshape(XTrain, numFeatures, []); xMu mean(XTrain2D, 2); xSigma std(XTrain2D, 0, 2); % 对训练、测试输入施加同一组参数 XTrainNorm (XTrain - reshape(xMu, numFeatures, 1, 1)) ./ reshape(xSigma, numFeatures, 1, 1); XTestNorm (XTest - reshape(xMu, numFeatures, 1, 1)) ./ reshape(xSigma, numFeatures, 1, 1); % 标签单独归一化 yMu mean(YTrain, all); ySigma std(YTrain, 0, all); YTrainNorm (YTrain - yMu) ./ ySigma; YTestNorm (YTest - yMu) ./ ySigma;逻辑说明reshape把三维数组压成二维让均值运算跨所有样本和时间步进行对每个特征单独得到均值与标准差。反归一化时只能用同一组yMu和ySigma如果误用测试集统计量反算预测误差会被人为缩小看着好看上线就露馅。参数说明Z-score对辐照度、功率这类接近正态分布的量很合适风速和湿度偏态明显用Z-score也能用但模型对异常天气的预测可能偏保守。我习惯把偏态强的特征先做一次log1p变换再Z-score相当于先拉直分布再标准化。4. 用Matlab搭建CNN-BiLSTM网络结构、参数与训练代码4.1 网络层设计卷积核、BiLSTM隐层单元和输出层怎么定网络主干是三段式卷积特征提取段、双向时序建模段、全连接输出段。下面是一份能直接跑的最小结构numFeatures width(data); % 输入特征数 predSteps 4; % 预测4个未来时间点按实际需求改 layers [ sequenceInputLayer(numFeatures, Name, input) convolution1dLayer(3, 64, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) bilstmLayer(100, OutputMode, sequence, Name, bilstm1) dropoutLayer(0.2, Name, dropout) fullyConnectedLayer(predSteps, Name, fc) regressionLayer(Name, output) ];逻辑说明sequenceInputLayer接收特征×时间步×样本格式的输入。convolution1dLayer(3, 64, Padding,same)表示卷积核长度为3、输出64个通道same保持时间步数不变这样BiLSTM仍能按原时间粒度工作。batchNormalizationLayer稳定训练分布。bilstmLayer(100)是100个隐层单元的双向LSTMOutputMode设为sequence让每个时间步都输出隐状态最后fullyConnectedLayer(predSteps)把这些隐状态压缩成未来predSteps个功率预测值regressionLayer计算回归损失。参数说明卷积核数量64是起步值数据量大可以加到128但要防过拟合。卷积核长度3或5我一般先从3开始因为光伏功率的局部突变通常在1到2个采样点内完成更长的卷积核容易把突变平滑掉。BiLSTM的隐层单元100到200之间常见隐层越多参数量越大小数据集上100就够。dropoutLayer(0.2)放在BiLSTM之后抑制时序建模阶段的过拟合。4.2 训练参数学习率、MiniBatchSize、MaxEpochs和验证集配置光伏功率预测不是图像分类那种大数据量任务训练参数要按“样本量几千、序列长几十到一百”来设。下面这张表是我的起步参数实际调参时在这个基础上左右试探参数推荐值说明InitialLearnRate0.0010.01学习率过大Loss震荡过小收敛太慢MiniBatchSize32或64样本量小用32大用64MaxEpochs5080早停比盲目加大轮数更可靠ValidationFrequency1020每个周期验证一次及时看趋势GradientThreshold1BiLSTM序列长时防梯度爆炸Shufflenever时序数据禁止随机打乱时序训练和图像分类有个重要区别Shuffle不能设为every-epoch。每个epoch重新洗牌会打乱样本的时间先后关系虽然单个样本内部仍是按时间排列的窗口但批次之间失去时间连贯性模型学到的会是“窗口内局部顺序”而跨窗口的天气过程演变比如从一个阴雨期跳到晴热期会被洗掉。所以我固定用never。4.3 完整训练代码与过程监控% 数据已经切分并归一化XTrainNorm, YTrainNorm, XValNorm, YValNorm % 建议从训练集尾部再切出一段做验证验证集不参与训练 options trainingOptions(adam, ... InitialLearnRate, 0.005, ... MaxEpochs, 60, ... MiniBatchSize, 64, ... ValidationData, {XValNorm, YValNorm}, ... ValidationFrequency, 15, ... GradientThreshold, 1, ... Shuffle, never, ... Plots, training-progress); net trainNetwork(XTrainNorm, YTrainNorm, layers, options); % 保存模型方便后续预测和排查 save(cnn_bilstm_pv_model.mat, net, xMu, xSigma, yMu, ySigma);逻辑说明trainNetwork接收三维输入数组和二维标签数组输出训练好的SeriesNetwork对象。ValidationData配合Plotstraining-progress训练过程会显示训练Loss和验证RMSE两条曲线。如果验证Loss在某个epoch后开始抬升说明过拟合可以提前停止或调大Dropout。参数说明InitialLearnRate0.005适合样本量在几千到一万量级的光伏数据。如果训练Loss完全不下降把学习率提高到0.01如果Loss下降但验证集炸毛降到0.001。MiniBatchSize64在训练数据少于2000个样本时会偏大建议改成32。保存模型时务必把归一化的均值方差一起存预测阶段要用同一组参数反算真实功率。5. 多步预测、误差评估与常见避坑从能跑到能用的分水岭5.1 多步预测的两种策略递归预测与直接多步输出的取舍模型训练完预测阶段还有一条岔路。如果你的网络输出层是predSteps那直接一次返回未来多个点这是直接多步预测。它的优点是执行一次、速度快缺点是模型必须同时学会所有步长上的误差特性长步长预测精度通常弱于短步长。另一种是递归预测网络只训练单步预测时把上一步输出拼接进输入窗口末端再继续预测下一步。示意代码如下% 递归预测示意单步网络滚动预测 currentWindow XTestNorm(:, :, 1); % 初始窗口 predSeq zeros(predSteps, 1); for t 1:predSteps stepOutput predict(net, currentWindow); % 输出单步 predSeq(t) stepOutput(end); % 窗口左移一步把预测值拼到最右 currentWindow [currentWindow(:, 2:end), repmat(stepOutput(end), size(currentWindow, 1), 1)]; end逻辑说明递归预测的每次迭代都会把上一步预测值当作真实输入误差会随步长累积预测步数越多曲线越平滑甚至走偏。它的优势是只需训练单步网络样本标签永远只看未来一个点。直接多步输出则不需要循环但fullyConnectedLayer要一次输出多步相当于让网络自己建模多步误差之间的关系。参数说明在Matlab里如果你的网络结构本来就接fullyConnectedLayer(predSteps)照上面递归代码强行单步预测会维度对不上。二选一的关键是预测步数小于8且对速度不敏感的递归预测可以接受预测步数大于12比如6小时以上直接多步输出明显更稳。标题里“多步预测”我默认按直接多步设计。5.2 评估指标RMSE、MAE和R²的真实含义训练集Loss再低都不算数要看独立测试集上的指标。代码里一次性算全YPredNorm predict(net, XTestNorm); YPred YPredNorm .* ySigma yMu; % 反归一化 rmse sqrt(mean((YPred - YTest).^2, all)); mae mean(abs(YPred - YTest), all); ssRes sum((YTest - YPred).^2, all); ssTot sum((YTest - mean(YTest, all)).^2, all); r2 1 - ssRes / ssTot; % 用装机容量归一化后的相对误差便于跨电站比较 rrmse rmse / capacityMW * 100; fprintf(RMSE%.2f MW, MAE%.2f MW, R2%.4f, rRMSE%.2f%%\n, rmse, mae, r2, rrmse);逻辑说明predict(net, XTestNorm)的输出还是归一化域的功率必须用训练集存下的ySigma和yMu反归一化。RMSE单位是MW直接反映预测误差的物理量级MAE更稳健不易被少数极端误差拉高R²是模型解释的方差比例接近1说明预测曲线和真实曲线走势一致。参数说明R²在光伏场景里有陷阱——夜间功率大量接近0拉高了总方差解释率白天最关键的爬坡段误差反而可能很烂。所以我一般把测试集按辐照度大于50W/m²筛出白天时段单独算白天的RMSE和R²这才是评估模型实用性的标尺。rRMSE用装机容量归一化可以用来比较不同体量电站的模型好坏。5.3 光伏功率预测的4个常见踩坑记录踩坑1预测曲线整体滞后一拍现象预测功率曲线和真实曲线形态几乎一致但整体向右平移了一个采样点RMSE偏高。原因构造样本时标签对齐错误把当前时刻的功率当成了未来预测值模型学到的是“复制最近观测值”的捷径。解决检查makeSlidingWindow里标签是否从kinputSteps开始取而不是kinputSteps-1如果是把标签起始索引往后挪一个时间步。踩坑2归一化统计量跨训练测试集现象训练Loss很低验证集RMSE却高出训练集几倍甚至预测值整体偏移。原因先对全量数据做归一化再切分测试集信息混进了均值方差导致训练时“见过”测试分布。解决按本文3.3节的顺序先切分再只对训练集估计xMu、xSigma、yMu、ySigma测试集套用同一组参数。踩坑3夜间样本推高R²白天误差被掩盖现象整体R²超过0.9但白天爬坡段预测偏差很大。原因夜间功率接近0的样本在总方差中占比过高模型只需预测0也能拿到高分。解决评估时筛出白天时段GHI50W/m²单独算RMSE和R²预测后处理时把夜间预测强制归零。踩坑4卷积层之后池化导致时间对齐丢失现象预测曲线在功率突变处出现“加宽”或错位峰谷时间对不上。原因在时间序列上用了图像任务常用的池化层MaxPooling1d压缩了时间维度模型拿到的是更大时间窗的聚合特征精确到具体时刻的信息被糊化。解决去掉池化层只用卷积批归一化ReLU如果一定要降维把卷积核数量加大而不是池化。5.4 误差分析看指标之外还要看图数值指标只能说明“总体误差多大”但解决不了“哪里出了问题”。我习惯把测试集预测结果画三张图第一张是连续一周的预测与真实曲线对比第二张是误差分布直方图第三张是分时段的平均误差柱状图。分时段误差可以揭示系统性偏差比如傍晚时段普遍低估可能是训练数据里傍晚高辐照度样本太少中午时段误差大可能是卷积核没有抓到云层快速遮挡的模式。6. 进阶验证用滚动预测和天气分组确认模型真正能上线模型在随机抽取的测试集上表现好跟实际部署是两回事。光伏功率预测的真实使用方式是滚动超短期预测每15分钟或每1小时用最近一段时间的最新观测数据预测未来1到4小时。我会把历史数据模拟成真实部署的流程每次只取当前时刻之前inputSteps个时间步作为输入预测未来predSteps步然后窗口整体推进一个时间步继续预测而不是一次性把整个测试集喂进去。这个滚动过程能暴露固定模型在跨季节、跨天气类型时的退化程度。% 滚动预测验证按真实部署节奏逐窗口推进 history []; % 存实际值 forecasts []; % 存预测值 for i 1:size(XTestNorm, 3) xNow XTestNorm(:, :, i); yForecastNorm predict(net, xNow); yForecast yForecastNorm .* ySigma yMu; forecasts(i, :) yForecast; history(i, :) YTest(:, i); end逻辑说明循环里的每次迭代只依赖当前xNow下一个窗口用原始测试集的下一个窗口而不是用预测结果反哺这样才能公平检验模型在连续时间点上的泛化能力。如果预测步长为4滚动预测得到的是一组互相重叠的4点曲线画图时每步只取第一个预测点与真实值对比能看到真实场景下“每15分钟刷新一次预测”的连续误差轨迹。参数说明这个验证方式不改变模型本身只是改变评估口径。滚动预测的误差通常比静态一次性预测高因为静态预测是“用完整输入窗口猜未来”滚动预测则要求模型在每个时间点都保持稳定性。如果滚动评估的RMSE比静态评估高出30%以上说明网络对输入窗口边界的敏感性过高常见对策是加大训练数据里的天气多样性或者把卷积核长度加长到5让局部特征不那么依赖窗口起点位置。我个人的习惯是最后一步再做天气分组验证把滚动预测结果按晴天、多云、雨天三组分开统计误差。有一次我自己调出来的模型整体RMSE看着不错结果一分组发现全部误差几乎都集中在下雨天晴天预测近乎完美。后来补了更多雨天的历史样本并把雨天的辐照度突变增强模型的天气鲁棒性才真正拉上来。这个习惯建议你保留比分着看整体指标有价值得多。希望帮到你。本文还有配套的精品资源点击获取