简介面向光伏功率预测场景这份Matlab完整源码包基于CNN-GRU卷积神经网络与门控循环单元实现多变量多步预测。作者为博客专家“机器学习之心”代码采用参数化编程注释清晰便于修改网络结构和超参数适合计算机、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。包体共7个文件含2个.m主程序与误差计算脚本、1个.mat模型文件、1个xlsx光伏数据、2个png预测结果图和1个txt说明整体2.46MB轻量易用。运行环境为Matlab2023及以上输出预测图、误差图及R2、MAE、MSE、RMSE等指标其中因真实功率含0导致MAPE无穷大的情况已在说明中提示。压缩包目录清晰主程序、数据、结果图分门别类存放便于直接运行和二次开发。当前已有101人学习该资源。通过完整源码可快速复现CNN-GRU光伏功率预测流程同时获得数据预处理、多步预测建模与误差评估的实践思路非常适合入门深度学习时序预测并希望动手验证效果的学习者。1. 光伏功率预测为什么需要CNN-GRU——先破除“模型越深越准”的错觉光伏功率预测这件事电网侧考核和电站侧运维的需求差异很大。超短期预测覆盖未来15分钟到4小时的功率曲线调度用它做有功控制储能策略也依赖它。晴天条件下一个带辐照度外推的线性模型就能把RMSE压得不错真正让传统方法失效的是云团遮挡导致的辐照度骤变——数值天气预报的时间分辨率跟不上物理模型只能给出趋势性估计。数据驱动的深度学习方案不写显式公式它把历史辐照、温度、湿度、风速、功率直接喂给网络让模型自己学出“云来了功率会怎么掉”这类非线性映射。CNN-GRU在这个任务里的价值是分工明确CNN用一维卷积提取多变量时间窗口内的局部变化特征GRU用门控机制把特征序列按时间顺序串起来。相比纯CNNGRU弥补了卷积感受野对长程时间依赖刻画不足的问题相比纯LSTMGRU参数少、收敛快在电站级几千到几万条样本上不容易过拟合。对正在用Matlab做数据驱动功率预测的工程师来说下面这条从理论到评估的完整路径——模型原理、样本构造、训练配置、多步预测验证——每一步的参数选择逻辑我都会掰开讲新手能照着跑老手也能在边界条件和坑点上找到对照。2. CNN与GRU各司其职一维卷积做特征提取门控单元学时序规律2.1 CNN一维卷积如何处理多变量时间序列多变量预测的输入本质是一个时间窗矩阵行是变量辐照度、温度、湿度、历史功率列是时间步。Matlab的Deep Learning Toolbox里输入张量按(特征数, 时间步, 样本数)组织即(C, T, N)跟Python习惯的(样本数, 时间步, 特征数)顺序不同。sequenceInputLayer的第一个参数就是C不是时间步。很多从Python切到Matlab的人第一次跑维度错误就出在这里。卷积层采用convolution1dLayer它沿时间轴滑动卷积核对局部时段做加权求和。卷积核宽度设为3表示每次看相邻3个时间点的联合变化16个卷积核会生成16张独立特征图分别对应云层遮挡、温度爬升等不同局部形态。Matlab中网络结构的前半段是这么写的numFeatures 6; % 辐照度、温度、湿度、风速、历史功率等6个变量 layers [ sequenceInputLayer(numFeatures, Normalization, none) convolution1dLayer(3, 16, Padding, same) reluLayer maxPooling1dLayer(2, Stride, 2) convolution1dLayer(3, 32, Padding, same) reluLayer gruLayer(64, OutputMode, last) fullyConnectedLayer(1) regressionLayer ];两层卷积之间用了maxPooling1dLayer(2, Stride, 2)时间维度下采样一半。15分钟采样、窗口96点时池化后剩48点GRU计算量明显下降但极端天气下的短时突变也可能被池化抹平。我的做法是第一层卷积后不急着池化第二层卷积后再池化保留更多原始时间细节。Padding, same 让卷积输出保持和输入相同的时间长度避免时间轴收缩导致信息丢失。GRU层的OutputMode参数要单独说。last只取最后一个时间步的隐状态适合回归任务只输出一个值的情况sequence会保留每个时间步的隐状态适合后面接全连接层做多步输出。两种写法的参数量差别不大但last训练时收敛更快内存占用也更小。2.2 GRU门控单元更新门和重置门各管什么事GRU是LSTM的简化变体去掉单独的细胞状态只保留两个门。更新门决定上一时刻的隐状态以多大比例带入当前时刻重置门决定当前候选状态受过去信息的控制程度。更新门偏向1时网络学习的是长程依赖重置门偏向0时网络倾向于只看当前输入。光伏功率信号既有强日周期昨天同一时刻的出力对今天有参考价值又有突发扰动云层遮挡导致分钟级跌落两个门配合能同时兼顾周期性和突变性。与LSTM相比GRU少了一组门参数量约减少四分之一。电站级数据集通常只有几千到几万条样本LSTM的三门结构在这个量级上更容易过拟合GRU的参数规模更匹配。两个模型在Matlab里的对比如下模型核心结构参数量64隐单元小样本表现训练速度LSTM遗忘门、输入门、输出门约 3.3 万容易过拟合较慢GRU更新门、重置门约 2.5 万更稳较快我还会在GRU层后加dropoutLayer(0.2)这是深度学习时序模型防过拟合的标准做法。需要注意的是dropout在训练时生效、验证和预测时不生效所以训练曲线的损失通常明显低于验证曲线这是正常现象不代表模型实现有问题。2.3 多步预测的三种思路在搭网络前就要定下来多步预测的实现策略直接影响训练标签的构造必须在训练前定下来。递归法把下一步预测值当成已知输入再预测下下步实现简单但误差会逐步累积直接法为每一步单独训练一个模型精度可控但训练成本成倍增加多输出法让输出层直接有horizon个神经元一次前向传播得到未来若干步Matlab里实现最方便也是本文第5章展开的方式。光伏预测任务里多输出法还有额外的好处horizon个输出共享底层的CNN-GRU特征提取器参数效率高且每一步的预测都在同一特征空间上不会出现递归法中误差越滚越大的问题。3. 样本集构造把气象记录和功率序列变成Matlab能吃的训练数据3.1 滞后窗口与预测步长96点窗口还是48点窗口数据采样性质决定窗口和步长的选择。并网光伏电站的采集系统大多数是15分钟一个点4小时预测对应horizon16步也有5分钟采样、1小时预测对应12步的数据。horizon不是越大越好而是取决于考核要求——超短期光伏功率预测的标准区间是未来0到4小时short-term预测才看未来1到3天。滞后窗口的选择要看光伏时序的自相关结构。光伏出力有强日周期昨天同一时刻的功率和今天同一时刻高度相关窗口至少要覆盖一个完整日周期即96个15分钟点。如果数据量有限48点也能跑但早晚功率陡升陡降时段的误差会明显增大。一个可参考的判断方法画出功率序列的自相关图找到自相关系数降到0.1以下的时间滞后窗口至少覆盖这个滞后长度。训练集多变量输入矩阵的典型列布局如下列变量单位典型范围说明1水平面辐照度W/m²0~1200云层影响最大的变量2环境温度℃-10~45影响组件的温度特性3湿度%RH0~100云层与降水的间接指标4风速m/s0~25影响组件散热与云团移动5历史功率kW0~额定功率模型主要的记忆来源3.2 用Matlab切窗的代码与数据结构切窗函数把连续时序切成(特征数, 时间步)的样本集合。Matlab中trainNetwork接受cell array形式的序列数据每个cell是一个样本。下面这个函数是完整可复用的function [X, Y] buildSamples(data, winSize, horizon) % 输入: % data: 数值矩阵, 每行为一个采样时刻, 最后一列为功率 % winSize: 滞后窗口长度, 例如96表示过去24小时(15min采样) % horizon: 预测步长, 例如4表示预测未来1小时 % 输出: % X: cell数组, 每个元素是 (特征数×winSize) 的矩阵 % Y: 列向量, 每个元素是未来horizon步的功率 numSamples size(data,1) - winSize - horizon 1; X cell(numSamples, 1); Y zeros(numSamples, 1); for i 1:numSamples X{i} data(i:iwinSize-1, :).; % 转置为 特征数×时间步 Y(i) data(iwinSizehorizon-1, end); end end切窗索引是这段代码最容易错的地方。i: iwinSize-1取的是输入窗口iwinSizehorizon-1取的是预测目标时刻。如果写成iwinSizehorizon会把目标整体往后错一位样本数和真实对应关系全乱。调用buildSamples之后样本总数为numSamples按时间顺序前70%~80%划为训练段后20%~30%划为测试段。测试段必须是最末尾的时间区间不能随机抽样。3.3 归一化与反归一化训练集统计量不能重新计算多变量的数值范围差异很大辐照度是0到1200湿度是0到100功率是0到额定值。GRU内部用sigmoid和tanh激活不归一化时梯度在深层传播中容易消失或爆炸。光伏预测最常用的归一化是mapminmax把数据放缩到[0,1]区间关键是归一化必须在切窗之前完成并且验证集和测试集必须复用训练集的统计量% 按特征列归一化, 保存每一列的ps结构 dataN zeros(size(data)); for c 1:size(data,2) [dataN(:,c), psX(c)] mapminmax(data(:,c), 0, 1); dataN(:,c) dataN(:,c); end % 切窗 [Xall, Yall] buildSamples(dataN, winSize, horizon); % 按时间顺序划分, 不能用randperm! numTrain floor(length(Xall) * 0.7); Xtrain Xall(1:numTrain); Ytrain Yall(1:numTrain); Xtest Xall(numTrain1:end); Ytest Yall(numTrain1:end);注意验证集/测试集的归一化直接复用训练集的psX进行mapminmax(apply, ...)而不是对整段序列重新计算最大最小值。后者会把测试集的分布信息泄漏到训练过程里导致评估结果虚高。这是时间序列预测最常见的隐藏错误。预测完成后模型输出是归一化域的结果。反归一化时调用mapminmax(reverse, Ypred, psX(end))其中psX(end)保存的是功率列的统计量。很多人在画预测曲线时发现预测值整体偏离真实功率数倍八成就是漏了这一步。3.4 验证集与序列划分随机打乱是时间序列的大忌分类任务里随机打乱样本是标配但时间序列预测绝不能这么做。打乱后训练集里混进了未来信息模型相当于提前看到了答案测试集上的RMSE会异常好看部署到线上立刻原形毕露。正确划分是原始数据按时间顺序前70%做训练训练段末尾10%劈出来做验证最后30%做测试。trainingOptions里的ValidationData指定验证集训练过程中模型会持续监测验证损失配合早停返回最优权重。4. 训练CNN-GRU网络搭建、训练选项与收敛判断4.1 完整可运行的训练流程把前面3章的产物串起来一份最小可运行的Matlab训练脚本如下% 假设已经通过buildSamples和归一化得到: % Xtrain, Ytrain, Xval, Yval, Xtest, Ytest numFeatures size(Xtrain{1}, 1); layers [ sequenceInputLayer(numFeatures) convolution1dLayer(3, 16, Padding, same) reluLayer maxPooling1dLayer(2, Stride, 2) convolution1dLayer(3, 32, Padding, same) reluLayer gruLayer(64, OutputMode, last) dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer ]; options trainingOptions(adam, ... MaxEpochs, 80, ... MiniBatchSize, 32, ... InitialLearnRate, 0.001, ... ValidationData, {Xval, Yval}, ... ValidationFrequency, 20, ... Shuffle, every-epoch, ... OutputNetwork, best-validation, ... Plots, training-progress, ... Verbose, false); net trainNetwork(Xtrain, Ytrain, layers, options);这段脚本里每个选项都有实际影响。Shuffle, every-epoch 让每个epoch训练样本顺序重排避免样本先后顺序引入额外偏差OutputNetwork, best-validation 让训练返回验证损失最小时的网络而不是最后一个epoch的网络这对光伏这类波动较强的数据很关键——最后一个epoch往往已经过拟合ValidationFrequency, 20 表示每20次迭代计算一次验证损失太频繁会拖慢训练太少则无法及时发现过拟合。4.2 超参数选不好模型再新也白搭CNN-GRU在光伏预测上的超参数实践中存在一组可迁移的经验区间。下表是我在多个电站数据集上测试过的配置范围超参数常用范围推荐起点调整逻辑卷积核尺寸3~53越大感受野越长但参数和过拟合风险同步上升第一层卷积核数8~3216过少特征提取不足过多容易学习到噪声第二层卷积核数16~6432一般按第一层的2倍递增GRU隐单元数32~12864序列越长、变量越多取值越靠上初始学习率0.01~0.00050.001Adam配合0.001通常是最稳的起点MiniBatchSize16~6432样本少时偏小样本多时调大Dropout0.1~0.40.2验证损失偏离训练损失越大越要调大逻辑上要记住一个反直觉点光伏预测里隐藏单元数和模型精度不是单调正相关。GRU隐单元从64加到128训练损失确实下降但验证集上的表现往往持平甚至更差——小样本深度模型在特征维度上率先触达瓶颈再加参数只是让模型记住训练集的天气形态。4.3 判断收敛的三个信号和两个坑打开Plots, training-progress 后左侧是损失曲线右侧是RMSE曲线。收敛正常的信号有三个训练损失与验证损失同步下降且最后进入平台期验证损失没有在某个epoch后明显反弹RMSE曲线进入波动区间后不再创新低。如果验证损失连续十几个epoch稳步上升训练损失还在降模型已经过拟合优先调大dropout而不是加数据增强。两个常见的坑分别对应训练崩溃和性能假象坑一是损失曲线直接出现NaN。光伏数据里混入了传感器异常值比如夜间辐照度出现负数、功率值在部分时段跳零这些脏数据会在归一化后变成离群点拉爆梯度。排查方法对原始数据绘制每列的最小值/最大值直方图把异常采样时刻整行剔除再用线性插值填补缺测时段。坑二是GPU内存不足报错。Matlab默认数据是double深度学习训练用single就够把输入转成single(Xtrain)能省一半显存再不行就把MiniBatchSize从32降到16。了解这些默认行为比盲目堆显存换显卡更实际。4.4 验证损失和测试损失的关系要提前讲清验证损失是训练过程中用于早停的指标测试损失是训练结束后在完全没见过的时间段上评估的指标。电网考核关注的是测试段表现所以训练过程中如果发现验证损失和测试损失差距很大优先回查第3章的归一化是否用了全序列统计量——这个数据泄漏问题会在测试集上制造出“模型很准”的假象。5. 多步预测实践从一步预测到未来四小时递归滚动的误差拆解5.1 三种多步预测在Matlab里的落地差异训练完成后predict(net, X)只能输出一步预测。要做多步递归法把当前样本窗口右移、用预测值填充功率列得到下一样本直接法为每个horizon单独训练模型比如horizon16就训练16个不同的CNN-GRU多输出法在输出层直接用horizon个神经元一次前向传播输出整个序列。工程上最推荐多输出法因为共享特征提取器、训练一次就行但Matlab的多输出需要把fullyConnectedLayer(1)改为fullyConnectedLayer(horizon)训练标签Y变成numSamples×horizon的矩阵回归层要求每个样本输出一个向量。5.2 递归滚动预测Matlab实现与误差累积检验如果模型已经按单步输出训练好可以用递归法做验证。以下代码模拟未来horizon步的滚动预测并计算每一步的RMSE用来检视误差随预测步长的累积速度numTest length(Xtest); horizon 4; % 预测未来4个点, 15min采样即1小时 predMat zeros(numTest, horizon); trueMat zeros(numTest, horizon); for i 1:numTest xw Xtest{i}; % 特征数×winSize for h 1:horizon yhat predict(net, {single(xw)}); predMat(i, h) yhat; % 窗口右移: 去掉最老一列, 新列由已知气象变量最后值和预测功率拼接 newCol [xw(1:end-1, end); yhat]; xw [xw(:, 2:end), newCol]; end % 真实值从yTest对应位置取, 构造trueMat end这段代码里xw(1:end-1, end)取的是当前窗口最后一列的前 numFeatures-1 行也就是气象变量在当前时刻的值yhat是刚预测出的功率拼在最后一行作为功率的新值。注意这个递归做法做了一个近似假设——未来时刻的气象变量沿用当前已知时刻的值。模型在晴空平稳时这个近似误差很小在云团快速移动时段误差会明显放大。因此递归预测的逐点RMSE曲线如果显示第3、4步误差陡增说明模型主要误差来自气象输入的不确定性而不是网络结构本身。5.3 评价指标整体RMSE会掩盖突变时段的真实水平整体RMSE是电网考核的底线但它只给一个数字。光伏功率在两个时段有特殊的误差特征夜间功率为0样本落在回归线的0值附近大量接近0的误差会稀释白天的真实误差早晚的功率陡升陡降时段误差往往是全天最大的。建议按小时分桶计算RMSE看误差分布而不是只看总体rmsePerHour zeros(24, 1); for hour 0:23 idx (testHour hour); rmsePerHour(hour1) sqrt(mean((predMat(idx) - trueMat(idx)).^2)); end bar(0:23, rmsePerHour);这个分时误差柱状图比单一RMSE更有诊断价值。如果曲线呈“U型”分布早晚时段误差明显高常见应对是提高该时段的采样权重或者在训练时对非零功率时段单独计算损失而不是让夜间零功率主导整个优化方向。5.4 用analyzeNetwork检查网络结构替代盲调参验证模型设计的最后一步是查看每一层的输出尺寸和参数量。Matlab的analyzeNetwork(net)会列出每一层的激活尺寸、可学习参数量和层连接关系。检查的重点是池化层前后的时间维度是否按预期减半GRU层输出维度是否匹配后面的全连接层输入整个网络的可学习参数量是否和数据集规模匹配。如果参数量超过样本量的10倍训练几乎必然会过拟合这时优先减少GRU隐单元或删掉第二层卷积而不是加正则化硬扛。本文还有配套的精品资源点击获取
