简介本资源面向计算机、电子信息工程、数学等专业的大学生及算法初学者提供一套基于CNN-GRU卷积神经网络与门控循环单元的多变量多步光伏功率预测完整方案可用于课程设计、期末大作业与毕业设计。压缩包共7个文件约2.46MB包含Matlab源码、数据集与结果图其中m文件负责模型搭建与误差计算mat与xlsx文件存放训练数据与网络参数png图片展示预测曲线与误差对比txt文件则对MAPE指标在真实功率含零时失效的情况作出说明。代码采用参数化编程参数修改方便思路清晰且注释详细运行环境为Matlab2023及以上。读者可据此获得从数据读取、模型训练到多步预测评估的完整流程并输出预测图、误差图以及R2、MAE、MAPE、MSE、RMSE等评价指标便于快速复现与二次开发。目前已有102人学习下载。1. 光伏功率预测为什么盯上 CNN-GRU从标题拆出可复现的路线光伏电站最头疼的不是发电而是说好的功率去哪了。云层飘过来又飘走功率曲线像心电图一样抖调度端要的是未来一段时间逐点的功率值不是一句今天大概多云。这就是多变量多步预测的真实场景输入辐照度、温度、湿度、风速等多个气象变量输出未来若干个时间步的功率序列。标题里的CNN-GRU正是为这件事设计的组合结构——卷积神经网络先在一维时间窗上扫出局部波动模式门控循环单元再把这些特征按时间顺序串起来记忆长期依赖最后一次性吐出多步结果。整套东西用Matlab的深度学习工具箱就能跑通不需要额外装 Python 环境。这篇笔记面向两类人一类是刚拿到一份 CNN-GRU 光伏预测源码、想搞懂每行在干什么的新手另一类是跑过 LSTM 单步、想升级到多变量多步、却卡在数据组织和输出维度上的熟手。我会把数据怎么切、网络怎么搭、参数怎么调、坑在哪按能直接抄作业的方式讲清楚。2. 多变量多步预测的数据组织先把输入输出张量想明白2.1 为什么光伏预测必须做多变量而不是单变量单变量预测只拿历史功率推未来功率本质是在拟合一条自回归曲线。光伏功率的物理驱动是辐照度辐照度又被云、温度、湿度影响只喂功率等于让模型盲猜天气。多变量输入把辐照度、组件温度、环境温度、湿度、风速这些可测的协变量一起送进去模型才有机会在云层到来前从辐照度骤降里提前捕捉到功率要跌的信号。但多变量不是变量越多越好。我一般先做一轮相关性筛选算每个气象变量与功率的皮尔逊相关系数低于 0.2 的直接扔掉否则噪声变量会稀释 CNN 卷积核学到的局部模式。常见保留的是辐照度、环境温度、组件温度、湿度这四个风速在平原电站相关性弱可以砍掉。2.2 滑动窗口切出 CNN-GRU 要的三维张量CNN-GRU 在 Matlab 里吃的是序列数据但 CNN 那层需要的是通道×时间的二维结构GRU 那层需要的是时间×特征的序列。多变量多步的关键在于输入窗口长度和预测步长是两个独立参数别混。假设采样间隔 15 分钟我想用过去 8 个点2 小时预测未来 4 个点1 小时输入就是 8×4 的矩阵8 个时间步4 个变量输出是 4×1 的功率向量。滑动窗口按步长 1 在整段数据上平移切出成千上万个样本。% 多变量多步滑动窗口切分 % data: T×F 矩阵T 为总时间步F 为变量数最后一列为功率 % inStep: 输入窗口长度 outStep: 预测步长 function [X, Y] makeWindow(data, inStep, outStep) T size(data, 1); F size(data, 2); numSample T - inStep - outStep 1; X zeros(inStep, F, 1, numSample); % CNN 要的 4-D 张量 Y zeros(outStep, numSample); % 多步输出 for i 1:numSample X(:, :, 1, i) data(i : iinStep-1, :); Y(:, i) data(iinStep : iinStepoutStep-1, end); end end逻辑说明Matlab 的trainNetwork对含卷积层的序列网络要求输入是SSCB格式空间×空间×通道×批量所以这里把单通道塞进第三维第四维是样本数。Y保持outStep×numSample对应sequenceOutput回归。参数说明inStep太短学不到日周期太长会引入无关的昨日信息光伏一般取 4 到 16 个点outStep按调度需求定1 小时用 44 小时用 16。切完记得检查numSample是否为正数据不足会静默出错。2.3 归一化必须按变量分别做且只能用训练集统计量这是翻车重灾区。辐照度量纲是 0 到 1200温度是 -10 到 40湿度是 0 到 100不归一化的话 CNN 卷积核会被大数值变量主导。正确做法是对每个变量单独做 min-max 或 z-score而且均值和方差只能从训练集算再套用到验证集和测试集。% 按列归一化统计量仅来自训练段 trainLen round(0.7 * size(data, 1)); mu mean(data(1:trainLen, :)); sigma std(data(1:trainLen, :)); sigma(sigma 0) 1; % 防止常数列除零 dataNorm (data - mu) ./ sigma;逻辑说明先切出训练段算统计量再对全量数据做变换保证验证和测试不泄露未来信息。参数说明trainLen取 70% 是常见划分光伏有强季节性最好按整月切而不是随机切否则相邻点泄漏会让指标虚高。3. CNN-GRU 网络在 Matlab 里怎么搭层序、参数与训练选项3.1 一维卷积层到底在时间窗上扫什么一维卷积神经网络处理时序时卷积核沿时间轴滑动每个核学一种局部波形。光伏场景里有的核会学辐照度快速上升沿有的学午后骤降沿这些局部模式正是功率突变的先兆。卷积核数量决定能学多少种模式核大小决定看多宽的时间邻域。常见做法是堆两层一维卷积第一层核小一点抓细节第二层核大一点抓组合模式每层后面接批归一化和 ReLU。池化层要慎用最大池化会丢时间分辨率对多步预测不利我一般用步长为 1 的卷积代替下采样或者干脆不池化。3.2 把卷积输出接进 GRU 的维度对齐CNN 输出是SSCBGRU 要的是CBT通道×批量×时间。中间必须做维度重排否则训练直接报维度不匹配。Matlab 里用sequenceFoldingLayer和sequenceUnfoldingLayer把序列折叠成图像再展开这是官方推荐做法。layers [ sequenceInputLayer(F, Name, in) sequenceFoldingLayer(Name, fold) convolution1dLayer(3, 32, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) convolution1dLayer(5, 64, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) sequenceUnfoldingLayer(Name, unfold) flattenLayer(Name, flat) gruLayer(64, OutputMode, sequence, Name, gru) dropoutLayer(0.2, Name, drop) fullyConnectedLayer(outStep, Name, fc) regressionLayer(Name, out) ]; layers connectLayers(layers, fold/miniBatchSize, unfold/miniBatchSize);逻辑说明sequenceFoldingLayer把CBT折成SSCB给卷积用sequenceUnfoldingLayer再展回序列flattenLayer把空间维压掉只留通道和时间。connectLayers那行是把折叠层记录的批量大小传给展开层漏了这行会报未定义。参数说明conv1核大小 3、32 个核适合抓短时波动conv2核大小 5、64 个核抓更宽的模式。gruLayer的 64 是隐藏单元数光伏数据量在几千样本时 64 够用上万样本可以加到 128。dropoutLayer的 0.2 是防过拟合样本少可以提到 0.3。fullyConnectedLayer(outStep)直接输出多步这是多步预测的关键——一次前向出全部步长而不是滚动预测。3.3 训练选项里三个必调参数options trainingOptions(adam, ... MaxEpochs, 100, ... MiniBatchSize, 64, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropPeriod, 30, ... LearnRateDropFactor, 0.5, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 20, ... Shuffle, every-epoch, ... Plots, training-progress, ... Verbose, false);逻辑说明Adam 对时序回归收敛稳学习率用分段衰减每 30 轮砍半避免后期震荡。Shuffle设为每轮打乱防止样本顺序带来的伪周期。参数说明MiniBatchSize64 是显存和梯度稳定性的折中样本少就降到 32。MaxEpochs100 配合验证集早停验证损失连续不降就手动停。InitialLearnRate1e-3 是起点若前几轮损失不降就降到 1e-4。4. 训练完怎么验证指标、残差与多步误差累积4.1 反归一化后再算指标别在归一化空间自欺预测出来是归一化值必须用训练集的均值和方差反变换回真实功率再算 RMSE、MAE、MAPE。在归一化空间算的指标没有物理意义也没法和别人比。YPred predict(net, XTest); YPred YPred .* sigma(end) mu(end); % 只反归一化功率列 YTrue YTest .* sigma(end) mu(end); rmse sqrt(mean((YPred - YTrue).^2, all)); mae mean(abs(YPred - YTrue), all);逻辑说明sigma(end)和mu(end)是功率列的统计量因为输出只有功率。all把多步和多样本一起算若想看每步误差就按行算。参数说明RMSE 对尖峰敏感光伏爬坡时段误差大是正常的MAPE 在夜间功率接近零时会爆炸建议只在功率大于额定 5% 的时段算。4.2 多步预测的误差随步长怎么涨多步预测的固有问题是误差累积第 4 步的输入里含第 3 步的估计误差。画一张步长 vs RMSE的曲线能看出模型在几步内还靠谱。光伏 15 分钟粒度下前 4 步1 小时RMSE 通常还能接受到 16 步4 小时误差可能翻倍。如果曲线在第 2 步就陡增说明 GRU 记忆没学好或者输入窗口太短。4.3 残差里藏着数据问题把残差按时间画出来如果发现每天正午残差系统性偏正多半是训练集里晴天样本占比过高模型没见过足够多的多云天。如果残差在某个辐照度区间集中偏大说明该区间样本稀疏。这些不是调网络能解决的得回去补数据或做样本加权。5. 避坑与排查光伏 CNN-GRU 多步预测的五个血泪坑5.1 损失不降反升检查归一化和学习率现象训练前几轮 loss 就飙到 NaN 或持续上升。原因要么归一化用了全量数据统计量导致泄漏要么学习率 1e-3 对当前数据太大。解决确认统计量只来自训练段把InitialLearnRate降到 1e-4加GradientThreshold, 1做梯度裁剪。5.2 验证集很好测试集崩多半是随机切分惹的祸现象验证 RMSE 0.02测试 RMSE 0.15。原因随机打乱切分让相邻时间点同时进了训练和测试模型记住了而非学会了。解决按时间顺序切分训练段、验证段、测试段首尾相接中间不留重叠。5.3 多步输出全是同一个值检查输出层和损失现象预测的 4 步功率几乎相等。原因fullyConnectedLayer输出维度写成了 1或者OutputMode设成了last导致 GRU 只吐最后一步。解决确认fullyConnectedLayer(outStep)GRU 的OutputMode为sequenceregressionLayer接在最后。5.4 训练极慢卷积层通道数开太大现象一个 epoch 要十几分钟。原因conv通道数 128、256 往上堆参数量爆炸。解决光伏数据特征维度低32 和 64 足够先跑通再考虑加宽。另外把数据转成single精度Matlab 默认 double 会慢一倍。5.5 夜间功率全预测成零MAPE 报错现象MAPE 算出 Inf 或 NaN。原因夜间真实功率为零分母为零。解决算 MAPE 时过滤掉功率小于额定 5% 的点或者改用 RMSE 为主指标。夜间样本可以保留训练但别参与 MAPE 统计。6. 让多步预测再稳一点两个我常用的进阶技巧第一个技巧是把预测步长做成可配置的多输出头。与其为 1 小时和 4 小时各训一个网络不如在fullyConnectedLayer前接一个小的全连接输出maxStep维训练时按需截取前outStep维算损失。这样一套权重能服务多个调度周期省去重复训练。实现上把Y统一 padding 到maxStep损失里对超出部分置零权重即可。第二个技巧是用持续预测做基线对比。持续预测就是未来等于当前值光伏在超短期15 分钟内持续预测其实很强。如果你的 CNN-GRU 在 1 步预测上打不过持续预测说明网络没学到东西别急着上测试集回去查数据泄漏或归一化。我一般把持续预测的 RMSE 当作及格线模型必须明显低于它才有上线价值。验证方法上除了看整体 RMSE我会单独抽出几段云过境的剧烈波动时段肉眼看预测曲线有没有跟上拐点。整体指标好看但拐点全丢的模型调度端是不敢用的。下面这张表是我常用的验收清单检查项合格标准不合格时的动作1 步 RMSE低于持续预测查数据泄漏、归一化4 步 RMSE不超过 1 步的 1.5 倍加长输入窗口、加 GRU 单元爬坡时段跟踪拐点延迟小于 2 步减小卷积核、去掉池化残差分布无明显时段偏置补多云样本、样本加权训练耗时单 epoch 分钟级降通道数、转 single这套流程我踩过最深的坑是早期用随机切分测试指标漂亮得不像话上线后一塌糊涂后来强制按时间切分才把真实水平暴露出来。做光伏预测数据组织的严谨程度比网络结构的花哨程度重要得多。希望帮到你。本文还有配套的精品资源点击获取
简介本资源面向计算机、电子信息工程、数学等专业的大学生及算法初学者提供一套基于CNN-GRU卷积神经网络与门控循环单元的多变量多步光伏功率预测完整方案可用于课程设计、期末大作业与毕业设计。压缩包共7个文件约2.46MB包含Matlab源码、数据集与结果图其中m文件负责模型搭建与误差计算mat与xlsx文件存放训练数据与网络参数png图片展示预测曲线与误差对比txt文件则对MAPE指标在真实功率含零时失效的情况作出说明。代码采用参数化编程参数修改方便思路清晰且注释详细运行环境为Matlab2023及以上。读者可据此获得从数据读取、模型训练到多步预测评估的完整流程并输出预测图、误差图以及R2、MAE、MAPE、MSE、RMSE等评价指标便于快速复现与二次开发。目前已有102人学习下载。1. 光伏功率预测为什么盯上 CNN-GRU从标题拆出可复现的路线光伏电站最头疼的不是发电而是说好的功率去哪了。云层飘过来又飘走功率曲线像心电图一样抖调度端要的是未来一段时间逐点的功率值不是一句今天大概多云。这就是多变量多步预测的真实场景输入辐照度、温度、湿度、风速等多个气象变量输出未来若干个时间步的功率序列。标题里的CNN-GRU正是为这件事设计的组合结构——卷积神经网络先在一维时间窗上扫出局部波动模式门控循环单元再把这些特征按时间顺序串起来记忆长期依赖最后一次性吐出多步结果。整套东西用Matlab的深度学习工具箱就能跑通不需要额外装 Python 环境。这篇笔记面向两类人一类是刚拿到一份 CNN-GRU 光伏预测源码、想搞懂每行在干什么的新手另一类是跑过 LSTM 单步、想升级到多变量多步、却卡在数据组织和输出维度上的熟手。我会把数据怎么切、网络怎么搭、参数怎么调、坑在哪按能直接抄作业的方式讲清楚。2. 多变量多步预测的数据组织先把输入输出张量想明白2.1 为什么光伏预测必须做多变量而不是单变量单变量预测只拿历史功率推未来功率本质是在拟合一条自回归曲线。光伏功率的物理驱动是辐照度辐照度又被云、温度、湿度影响只喂功率等于让模型盲猜天气。多变量输入把辐照度、组件温度、环境温度、湿度、风速这些可测的协变量一起送进去模型才有机会在云层到来前从辐照度骤降里提前捕捉到功率要跌的信号。但多变量不是变量越多越好。我一般先做一轮相关性筛选算每个气象变量与功率的皮尔逊相关系数低于 0.2 的直接扔掉否则噪声变量会稀释 CNN 卷积核学到的局部模式。常见保留的是辐照度、环境温度、组件温度、湿度这四个风速在平原电站相关性弱可以砍掉。2.2 滑动窗口切出 CNN-GRU 要的三维张量CNN-GRU 在 Matlab 里吃的是序列数据但 CNN 那层需要的是通道×时间的二维结构GRU 那层需要的是时间×特征的序列。多变量多步的关键在于输入窗口长度和预测步长是两个独立参数别混。假设采样间隔 15 分钟我想用过去 8 个点2 小时预测未来 4 个点1 小时输入就是 8×4 的矩阵8 个时间步4 个变量输出是 4×1 的功率向量。滑动窗口按步长 1 在整段数据上平移切出成千上万个样本。% 多变量多步滑动窗口切分 % data: T×F 矩阵T 为总时间步F 为变量数最后一列为功率 % inStep: 输入窗口长度 outStep: 预测步长 function [X, Y] makeWindow(data, inStep, outStep) T size(data, 1); F size(data, 2); numSample T - inStep - outStep 1; X zeros(inStep, F, 1, numSample); % CNN 要的 4-D 张量 Y zeros(outStep, numSample); % 多步输出 for i 1:numSample X(:, :, 1, i) data(i : iinStep-1, :); Y(:, i) data(iinStep : iinStepoutStep-1, end); end end逻辑说明Matlab 的trainNetwork对含卷积层的序列网络要求输入是SSCB格式空间×空间×通道×批量所以这里把单通道塞进第三维第四维是样本数。Y保持outStep×numSample对应sequenceOutput回归。参数说明inStep太短学不到日周期太长会引入无关的昨日信息光伏一般取 4 到 16 个点outStep按调度需求定1 小时用 44 小时用 16。切完记得检查numSample是否为正数据不足会静默出错。2.3 归一化必须按变量分别做且只能用训练集统计量这是翻车重灾区。辐照度量纲是 0 到 1200温度是 -10 到 40湿度是 0 到 100不归一化的话 CNN 卷积核会被大数值变量主导。正确做法是对每个变量单独做 min-max 或 z-score而且均值和方差只能从训练集算再套用到验证集和测试集。% 按列归一化统计量仅来自训练段 trainLen round(0.7 * size(data, 1)); mu mean(data(1:trainLen, :)); sigma std(data(1:trainLen, :)); sigma(sigma 0) 1; % 防止常数列除零 dataNorm (data - mu) ./ sigma;逻辑说明先切出训练段算统计量再对全量数据做变换保证验证和测试不泄露未来信息。参数说明trainLen取 70% 是常见划分光伏有强季节性最好按整月切而不是随机切否则相邻点泄漏会让指标虚高。3. CNN-GRU 网络在 Matlab 里怎么搭层序、参数与训练选项3.1 一维卷积层到底在时间窗上扫什么一维卷积神经网络处理时序时卷积核沿时间轴滑动每个核学一种局部波形。光伏场景里有的核会学辐照度快速上升沿有的学午后骤降沿这些局部模式正是功率突变的先兆。卷积核数量决定能学多少种模式核大小决定看多宽的时间邻域。常见做法是堆两层一维卷积第一层核小一点抓细节第二层核大一点抓组合模式每层后面接批归一化和 ReLU。池化层要慎用最大池化会丢时间分辨率对多步预测不利我一般用步长为 1 的卷积代替下采样或者干脆不池化。3.2 把卷积输出接进 GRU 的维度对齐CNN 输出是SSCBGRU 要的是CBT通道×批量×时间。中间必须做维度重排否则训练直接报维度不匹配。Matlab 里用sequenceFoldingLayer和sequenceUnfoldingLayer把序列折叠成图像再展开这是官方推荐做法。layers [ sequenceInputLayer(F, Name, in) sequenceFoldingLayer(Name, fold) convolution1dLayer(3, 32, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) convolution1dLayer(5, 64, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) sequenceUnfoldingLayer(Name, unfold) flattenLayer(Name, flat) gruLayer(64, OutputMode, sequence, Name, gru) dropoutLayer(0.2, Name, drop) fullyConnectedLayer(outStep, Name, fc) regressionLayer(Name, out) ]; layers connectLayers(layers, fold/miniBatchSize, unfold/miniBatchSize);逻辑说明sequenceFoldingLayer把CBT折成SSCB给卷积用sequenceUnfoldingLayer再展回序列flattenLayer把空间维压掉只留通道和时间。connectLayers那行是把折叠层记录的批量大小传给展开层漏了这行会报未定义。参数说明conv1核大小 3、32 个核适合抓短时波动conv2核大小 5、64 个核抓更宽的模式。gruLayer的 64 是隐藏单元数光伏数据量在几千样本时 64 够用上万样本可以加到 128。dropoutLayer的 0.2 是防过拟合样本少可以提到 0.3。fullyConnectedLayer(outStep)直接输出多步这是多步预测的关键——一次前向出全部步长而不是滚动预测。3.3 训练选项里三个必调参数options trainingOptions(adam, ... MaxEpochs, 100, ... MiniBatchSize, 64, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropPeriod, 30, ... LearnRateDropFactor, 0.5, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 20, ... Shuffle, every-epoch, ... Plots, training-progress, ... Verbose, false);逻辑说明Adam 对时序回归收敛稳学习率用分段衰减每 30 轮砍半避免后期震荡。Shuffle设为每轮打乱防止样本顺序带来的伪周期。参数说明MiniBatchSize64 是显存和梯度稳定性的折中样本少就降到 32。MaxEpochs100 配合验证集早停验证损失连续不降就手动停。InitialLearnRate1e-3 是起点若前几轮损失不降就降到 1e-4。4. 训练完怎么验证指标、残差与多步误差累积4.1 反归一化后再算指标别在归一化空间自欺预测出来是归一化值必须用训练集的均值和方差反变换回真实功率再算 RMSE、MAE、MAPE。在归一化空间算的指标没有物理意义也没法和别人比。YPred predict(net, XTest); YPred YPred .* sigma(end) mu(end); % 只反归一化功率列 YTrue YTest .* sigma(end) mu(end); rmse sqrt(mean((YPred - YTrue).^2, all)); mae mean(abs(YPred - YTrue), all);逻辑说明sigma(end)和mu(end)是功率列的统计量因为输出只有功率。all把多步和多样本一起算若想看每步误差就按行算。参数说明RMSE 对尖峰敏感光伏爬坡时段误差大是正常的MAPE 在夜间功率接近零时会爆炸建议只在功率大于额定 5% 的时段算。4.2 多步预测的误差随步长怎么涨多步预测的固有问题是误差累积第 4 步的输入里含第 3 步的估计误差。画一张步长 vs RMSE的曲线能看出模型在几步内还靠谱。光伏 15 分钟粒度下前 4 步1 小时RMSE 通常还能接受到 16 步4 小时误差可能翻倍。如果曲线在第 2 步就陡增说明 GRU 记忆没学好或者输入窗口太短。4.3 残差里藏着数据问题把残差按时间画出来如果发现每天正午残差系统性偏正多半是训练集里晴天样本占比过高模型没见过足够多的多云天。如果残差在某个辐照度区间集中偏大说明该区间样本稀疏。这些不是调网络能解决的得回去补数据或做样本加权。5. 避坑与排查光伏 CNN-GRU 多步预测的五个血泪坑5.1 损失不降反升检查归一化和学习率现象训练前几轮 loss 就飙到 NaN 或持续上升。原因要么归一化用了全量数据统计量导致泄漏要么学习率 1e-3 对当前数据太大。解决确认统计量只来自训练段把InitialLearnRate降到 1e-4加GradientThreshold, 1做梯度裁剪。5.2 验证集很好测试集崩多半是随机切分惹的祸现象验证 RMSE 0.02测试 RMSE 0.15。原因随机打乱切分让相邻时间点同时进了训练和测试模型记住了而非学会了。解决按时间顺序切分训练段、验证段、测试段首尾相接中间不留重叠。5.3 多步输出全是同一个值检查输出层和损失现象预测的 4 步功率几乎相等。原因fullyConnectedLayer输出维度写成了 1或者OutputMode设成了last导致 GRU 只吐最后一步。解决确认fullyConnectedLayer(outStep)GRU 的OutputMode为sequenceregressionLayer接在最后。5.4 训练极慢卷积层通道数开太大现象一个 epoch 要十几分钟。原因conv通道数 128、256 往上堆参数量爆炸。解决光伏数据特征维度低32 和 64 足够先跑通再考虑加宽。另外把数据转成single精度Matlab 默认 double 会慢一倍。5.5 夜间功率全预测成零MAPE 报错现象MAPE 算出 Inf 或 NaN。原因夜间真实功率为零分母为零。解决算 MAPE 时过滤掉功率小于额定 5% 的点或者改用 RMSE 为主指标。夜间样本可以保留训练但别参与 MAPE 统计。6. 让多步预测再稳一点两个我常用的进阶技巧第一个技巧是把预测步长做成可配置的多输出头。与其为 1 小时和 4 小时各训一个网络不如在fullyConnectedLayer前接一个小的全连接输出maxStep维训练时按需截取前outStep维算损失。这样一套权重能服务多个调度周期省去重复训练。实现上把Y统一 padding 到maxStep损失里对超出部分置零权重即可。第二个技巧是用持续预测做基线对比。持续预测就是未来等于当前值光伏在超短期15 分钟内持续预测其实很强。如果你的 CNN-GRU 在 1 步预测上打不过持续预测说明网络没学到东西别急着上测试集回去查数据泄漏或归一化。我一般把持续预测的 RMSE 当作及格线模型必须明显低于它才有上线价值。验证方法上除了看整体 RMSE我会单独抽出几段云过境的剧烈波动时段肉眼看预测曲线有没有跟上拐点。整体指标好看但拐点全丢的模型调度端是不敢用的。下面这张表是我常用的验收清单检查项合格标准不合格时的动作1 步 RMSE低于持续预测查数据泄漏、归一化4 步 RMSE不超过 1 步的 1.5 倍加长输入窗口、加 GRU 单元爬坡时段跟踪拐点延迟小于 2 步减小卷积核、去掉池化残差分布无明显时段偏置补多云样本、样本加权训练耗时单 epoch 分钟级降通道数、转 single这套流程我踩过最深的坑是早期用随机切分测试指标漂亮得不像话上线后一塌糊涂后来强制按时间切分才把真实水平暴露出来。做光伏预测数据组织的严谨程度比网络结构的花哨程度重要得多。希望帮到你。本文还有配套的精品资源点击获取
