拓冰网站定制 
简介这份资源面向光伏功率预测方向的学习者与研究人员提供一套基于遗传算法优化LSTM超参数的完整MATLAB实现方案用于解决传统LSTM在光伏功率预测中参数依赖人工经验、精度不稳定的问题。压缩包共11个文件约177KB包含5个m脚本、3个mat数据文件、2个xlsx数据表及1份使用手册分别承担模型训练、GA寻优、数据存储与操作说明等职责。资源中GA.m与getObjValue.m负责遗传算法寻优lstm.m与ga_lstm.m完成网络构建与预测流程配套光伏数据与归一化参数可直接运行验证。代码注释详细并附使用手册说明执行步骤便于读者理解GA与LSTM的耦合逻辑、复现实验并在此基础上调整适应度函数或网络结构。目前已有67人学习下载适合具备一定MATLAB基础、希望掌握智能优化与深度学习结合方法的中高级学习者参考。1. 光伏功率预测里为什么单靠 LSTM 经常“翻车”做光伏功率预测的同行大概率都经历过这个场景LSTM 网络结构调好了训练集 loss 降得漂漂亮亮一上测试集就拉胯——早上爬坡段预测偏高、正午削顶、傍晚骤降段完全跟不上。问题往往不在 LSTM 本身而在超参数是拍脑袋定的隐含层节点数、学习率、迭代次数、学习率衰减因子这几个参数组合起来是一个高维非凸空间手工试参基本靠玄学。这份 MATLAB 代码包做的事情很直接用遗传算法GA在超参数空间里做全局搜索把找到的最优参数交给 LSTM 做光伏功率时序预测。GA 负责“找方向”LSTM 负责“拟合时序”两者串起来就是 GA-LSTM 光伏功率预测。适合正在做超短期光伏功率预测、手里有历史功率和气象数据、但被调参卡住的同学也适合想拿一套能跑通的 MATLAB 时序预测模板做二次开发的人。下面按“数据怎么进、GA 怎么搜、LSTM 怎么训、坑在哪”的顺序拆开讲。2. GA-LSTM 的耦合逻辑与数据准备谁优化谁、数据怎么切2.1 为什么是 GA 优化 LSTM而不是反过来LSTM 的核心参数——隐含层单元数、初始学习率、L2 正则系数、最大迭代轮数——对预测精度的影响不是线性的。隐含层太少欠拟合太多过拟合且训练慢学习率大了震荡不收敛小了收敛到局部最优。网格搜索在四维以上空间里计算量爆炸随机搜索又容易漏掉好区域。遗传算法的优势在于它不依赖梯度信息用种群并行搜索通过选择、交叉、变异不断逼近全局较优解。把每个“个体”编码成一组 LSTM 超参数用验证集上的预测误差常用 RMSE 或 MAPE作为适应度函数迭代若干代后输出最优参数组合。常见做法是GA 只负责搜参LSTM 负责最终的时序建模两者解耦便于单独替换。需要说清楚一个边界GA 搜参本身也要训练很多次 LSTM计算开销不小。如果数据量只有几百条GA 的收益可能被训练成本吃掉。一般建议样本量在几千条以上、且确实被调参困扰时再上 GA。2.2 光伏数据的清洗与归一化光伏功率数据有几个典型脏点夜间功率为 0 或负值逆变器自耗、阴天骤降导致的毛刺、传感器丢数。直接喂给 LSTM网络会去拟合这些噪声。常见做法是先剔除夜间无效样本或单独建模再对功率做 3σ 或 IQR 异常检测最后归一化到 [0,1]。% 读取光伏功率与气象数据假设列顺序时间 | 辐照度 | 温度 | 功率 raw readmatrix(pv_data.csv); P raw(:,4); % 光伏功率 G raw(:,2); % 辐照度 T raw(:,3); % 温度 % 剔除夜间功率0的样本按需保留 valid P 0; P P(valid); G G(valid); T T(valid); % 3σ 异常剔除 mu mean(P); sigma std(P); idx abs(P - mu) 3*sigma; P P(idx); G G(idx); T T(idx); % 最大最小归一化 P_norm (P - min(P)) / (max(P) - min(P)); G_norm (G - min(G)) / (max(G) - min(G)); T_norm (T - min(T)) / (max(T) - min(T)); % 构造滑动窗口用前 lookback 步预测下一步 lookback 24; % 例如 24 个 15min 点 6 小时 X []; Y []; for i lookback1 : length(P_norm) X [X; P_norm(i-lookback:i-1), G_norm(i-lookback:i-1), T_norm(i-lookback:i-1)]; Y [Y; P_norm(i)]; end这段代码做了三件事异常剔除、归一化、滑动窗口构造。lookback是关键参数光伏功率有强日周期取 24对应 6 小时能覆盖半天趋势如果数据是 1 小时粒度取 24 就是 24 小时。归一化必须用训练集的 min/max测试集要复用同一组参数否则会引入未来信息泄露——这是时序预测里最常见的翻车点之一。2.3 训练集/验证集/测试集的时序切分时序数据不能随机打乱切分否则相邻时刻的样本会同时出现在训练和测试里指标虚高。正确做法是按时间顺序切前 70% 训练中间 15% 验证给 GA 算适应度最后 15% 测试。验证集的作用是评估每个 GA 个体的好坏测试集只在最后用一次。n size(X,1); n_train floor(0.7*n); n_val floor(0.15*n); XTrain X(1:n_train,:); YTrain Y(1:n_train); XVal X(n_train1:n_trainn_val,:); YVal Y(n_train1:n_trainn_val); XTest X(n_trainn_val1:end,:); YTest Y(n_trainn_val1:end);切分比例不是死的样本少时可以 80/10/10样本多时 70/15/15 更稳。关键是验证集要足够大否则 GA 的适应度评估噪声太大选出来的参数不可信。3. 遗传算法搜参的 MATLAB 实现编码、适应度与迭代3.1 个体编码与参数边界GA 的每个个体是一组 LSTM 超参数。这里选四个最影响精度的隐含层单元数numHiddenUnits、初始学习率initialLearnRate、L2 正则l2Regularization、最大轮数maxEpochs。编码用实数向量长度 4。参数边界要结合经验设不能太宽也不能太窄。隐含层单元数一般 32~256学习率 1e-4~1e-2L2 正则 1e-5~1e-2轮数 30~120。边界设太宽GA 收敛慢设太窄可能把最优解排除在外。% 参数下界与上界[hidden, lr, l2, epochs] lb [32, 1e-4, 1e-5, 30]; ub [256, 1e-2, 1e-2, 120]; % 种群规模与迭代代数 popSize 8; % 种群不宜过大否则训练次数爆炸 maxGen 10; % 迭代代数popSize和maxGen是计算量的直接决定因素。总训练次数约等于popSize × maxGen8×1080 次 LSTM 训练。如果每次训练 1 分钟整套 GA 就要 80 分钟。实际调的时候可以先小种群跑通流程再放大。3.2 适应度函数用验证集 RMSE 打分适应度函数是 GA 的核心。输入一个个体一组超参数输出该参数下 LSTM 在验证集上的 RMSE。RMSE 越小个体越优。注意每次评估都要重新初始化 LSTM避免上一次训练的权重残留。function fitness ga_fitness(params, XTrain, YTrain, XVal, YVal) numHidden round(params(1)); lr params(2); l2 params(3); epochs round(params(4)); % 构建 LSTM 网络 layers [ ... sequenceInputLayer(size(XTrain,2)) lstmLayer(numHidden, OutputMode, last) fullyConnectedLayer(1) regressionLayer]; options trainingOptions(adam, ... InitialLearnRate, lr, ... L2Regularization, l2, ... MaxEpochs, epochs, ... MiniBatchSize, 64, ... Shuffle, never, ... % 时序数据不打乱 Verbose, false); % 训练并预测验证集 net trainNetwork(XTrain, YTrain, layers, options); YPred predict(net, XVal); fitness sqrt(mean((YPred - YVal).^2)); end几个细节Shuffle设为never时序数据打乱会破坏时间依赖MiniBatchSize取 64 是常见折中样本少时改 32OutputMode用last表示只取最后时刻输出做回归。适应度函数里没有做早停如果验证集 loss 上升说明过拟合可以在trainingOptions里加ValidationData和ValidationPatience。3.3 选择、交叉、变异与主循环MATLAB 自带ga函数但为了看清每一步这里手写一个简化版 GA 主循环。选择用锦标赛交叉用模拟二进制交叉SBX变异用多项式变异。这些算子保证子代在边界内且分布合理。% 初始化种群 pop repmat(lb, popSize, 1) rand(popSize, 4) .* repmat(ub-lb, popSize, 1); fit zeros(popSize, 1); for gen 1:maxGen % 评估适应度 for i 1:popSize fit(i) ga_fitness(pop(i,:), XTrain, YTrain, XVal, YVal); end % 锦标赛选择 newPop zeros(size(pop)); for i 1:popSize a randi(popSize); b randi(popSize); if fit(a) fit(b), newPop(i,:) pop(a,:); else, newPop(i,:) pop(b,:); end end % 模拟二进制交叉 for i 1:2:popSize-1 if rand 0.9 beta rand; newPop(i,:) 0.5*((1beta)*newPop(i,:) (1-beta)*newPop(i1,:)); newPop(i1,:) 0.5*((1-beta)*newPop(i,:) (1beta)*newPop(i1,:)); end end % 多项式变异 for i 1:popSize if rand 0.1 newPop(i,:) newPop(i,:) 0.1*(ub-lb).*(rand(1,4)-0.5); end end % 边界裁剪 newPop max(newPop, repmat(lb, popSize, 1)); newPop min(newPop, repmat(ub, popSize, 1)); pop newPop; % 记录当前最优 [bestFit, idx] min(fit); fprintf(Gen %d, best RMSE %.4f\n, gen, bestFit); end bestParams pop(idx,:);主循环里交叉概率 0.9、变异概率 0.1 是常用值。交叉后可能出现越界必须裁剪。每代打印最优 RMSE方便观察收敛。如果连续几代 RMSE 不降说明种群多样性不足可以增大变异概率或重新初始化部分个体。3.4 用最优参数训练最终 LSTM 并预测GA 跑完后用bestParams在“训练集验证集”上重新训练一次 LSTM再在测试集上评估。这一步不能省因为 GA 过程中每个个体只在训练集上训过最终模型要用更多数据。numHidden round(bestParams(1)); lr bestParams(2); l2 bestParams(3); epochs round(bestParams(4)); layers [ ... sequenceInputLayer(size(XTrain,2)) lstmLayer(numHidden, OutputMode, last) fullyConnectedLayer(1) regressionLayer]; options trainingOptions(adam, ... InitialLearnRate, lr, ... L2Regularization, l2, ... MaxEpochs, epochs, ... MiniBatchSize, 64, ... Shuffle, never, ... Verbose, false); % 合并训练集与验证集 XFinal [XTrain; XVal]; YFinal [YTrain; YVal]; net trainNetwork(XFinal, YFinal, layers, options); YPred predict(net, XTest); rmse sqrt(mean((YPred - YTest).^2)); mape mean(abs((YPred - YTest)./YTest)) * 100; fprintf(Test RMSE %.4f, MAPE %.2f%%\n, rmse, mape);评估指标建议同时看 RMSE 和 MAPE。RMSE 对大误差敏感MAPE 看相对误差。光伏功率在低功率段 MAPE 容易偏大可以分时段统计。如果测试集 RMSE 明显高于验证集说明过拟合回去调小numHidden或增大l2。4. 避坑与排查GA-LSTM 调参中最容易踩的五个坑4.1 现象测试集指标远好于验证集甚至 RMSE 接近 0原因数据泄露。最常见的是归一化用了全量数据的 min/max或者滑动窗口构造时把未来时刻的信息混进了输入。另一个隐蔽原因是切分时随机打乱相邻样本同时进了训练和测试。解决归一化参数只用训练集计算测试集复用切分严格按时间顺序滑动窗口构造时确保输入窗口的最后一个点严格早于预测目标点。检查方法把测试集整体后移一个时间步如果指标大幅下降说明有泄露。4.2 现象GA 迭代几代后 RMSE 不再下降甚至反弹原因种群多样性丢失所有个体趋同交叉产生不了新解。或者变异步长太小跳不出局部最优。解决增大变异概率到 0.2或改用自适应变异前期大步长、后期小步长每代保留最优个体精英策略同时对最差的 1~2 个个体重新随机初始化。另外检查参数边界是否设得太窄导致搜索空间本身就没有好解。4.3 现象LSTM 训练 loss 震荡不收敛或者直接 NaN原因学习率太大。GA 搜索时如果学习率上界设到 1e-2某些个体可能直接发散。另外光伏功率归一化后如果存在极端值梯度也会爆炸。解决学习率上界压到 5e-3 甚至 1e-3在trainingOptions里加GradientThreshold一般设 1检查归一化后是否有 NaN 或 Inf异常剔除要彻底。如果还是 NaN把MiniBatchSize调小。4.4 现象GA 跑了一整晚结果还不如手工调的参数原因适应度函数评估噪声太大。验证集样本太少或者 LSTM 每次训练随机初始化导致同一组参数两次评估结果差异很大。GA 在噪声大的适应度上搜索等于在随机数里找最优。解决增大验证集比例适应度函数里对同一组参数训练 2~3 次取平均固定随机种子rng(42)减少随机性。如果数据量本身很小GA 的收益有限不如直接用经验参数。4.5 现象预测曲线整体滞后于真实曲线原因滑动窗口的lookback太大网络过度依赖历史功率对突变响应慢。光伏功率在云层遮挡时可能几分钟内骤降如果窗口覆盖几小时网络会“平滑”掉这些突变。解决减小lookback或者引入辐照度、温度等外生变量作为额外输入通道代码里已经加了 G 和 T。另一个办法是在损失函数里对大误差样本加权让网络更关注突变段。常见做法是分场景建模晴天、多云、阴天各训一个模型。5. 进阶技巧把 GA 的搜索日志变成调参经验跑完一次 GA别只看最后的bestParams中间每代的种群分布和适应度变化才是真正值钱的东西。我一般会在主循环里把每代的pop和fit存下来跑完后画两张图一张是每代最优/平均 RMSE 的收敛曲线一张是四个参数在种群中的分布箱线图。收敛曲线能告诉你 GA 是第几代开始稳定的。如果第 3 代就平了说明maxGen10浪费了 7 代计算如果第 10 代还在降说明代数不够得加大。箱线图能看出哪个参数被搜索得最充分——如果numHidden的箱子很窄说明种群在这个维度上趋同了可能陷入了局部最优下次跑的时候把这个维度的变异概率调大。还有一个实用技巧把 GA 搜出来的最优参数作为初始值再做一轮小范围网格搜索。比如bestParams是[128, 3e-3, 1e-4, 80]就在numHidden的 96~160、学习率的 1e-3~5e-3 之间做细搜。GA 负责粗定位网格负责精修比纯 GA 或纯网格都稳。验证方法上除了 RMSE 和 MAPE建议加一个“持续预测”对比用前一天同一时刻的功率作为今天的预测值算一个基准 RMSE。如果 GA-LSTM 的 RMSE 不比这个基准低多少说明模型没学到东西得回去检查数据或特征。这个基准看着简陋但能快速判断模型是否真的有价值。最后说个血泪经验每次改完数据预处理或 GA 参数先把maxGen设成 2、popSize设成 4 跑一遍全流程确认没有维度不匹配、归一化泄露、NaN 这些低级错误再放大参数跑完整版。从那以后我每次调时序预测代码都强制先跑一遍“迷你版”冒烟测试省下来的时间够调好几轮参了。希望帮到你。本文还有配套的精品资源点击获取 GA-LSTM光伏功率预测：遗传算法优化超参数实战
简介这份资源面向光伏功率预测方向的学习者与研究人员提供一套基于遗传算法优化LSTM超参数的完整MATLAB实现方案用于解决传统LSTM在光伏功率预测中参数依赖人工经验、精度不稳定的问题。压缩包共11个文件约177KB包含5个m脚本、3个mat数据文件、2个xlsx数据表及1份使用手册分别承担模型训练、GA寻优、数据存储与操作说明等职责。资源中GA.m与getObjValue.m负责遗传算法寻优lstm.m与ga_lstm.m完成网络构建与预测流程配套光伏数据与归一化参数可直接运行验证。代码注释详细并附使用手册说明执行步骤便于读者理解GA与LSTM的耦合逻辑、复现实验并在此基础上调整适应度函数或网络结构。目前已有67人学习下载适合具备一定MATLAB基础、希望掌握智能优化与深度学习结合方法的中高级学习者参考。1. 光伏功率预测里为什么单靠 LSTM 经常“翻车”做光伏功率预测的同行大概率都经历过这个场景LSTM 网络结构调好了训练集 loss 降得漂漂亮亮一上测试集就拉胯——早上爬坡段预测偏高、正午削顶、傍晚骤降段完全跟不上。问题往往不在 LSTM 本身而在超参数是拍脑袋定的隐含层节点数、学习率、迭代次数、学习率衰减因子这几个参数组合起来是一个高维非凸空间手工试参基本靠玄学。这份 MATLAB 代码包做的事情很直接用遗传算法GA在超参数空间里做全局搜索把找到的最优参数交给 LSTM 做光伏功率时序预测。GA 负责“找方向”LSTM 负责“拟合时序”两者串起来就是 GA-LSTM 光伏功率预测。适合正在做超短期光伏功率预测、手里有历史功率和气象数据、但被调参卡住的同学也适合想拿一套能跑通的 MATLAB 时序预测模板做二次开发的人。下面按“数据怎么进、GA 怎么搜、LSTM 怎么训、坑在哪”的顺序拆开讲。2. GA-LSTM 的耦合逻辑与数据准备谁优化谁、数据怎么切2.1 为什么是 GA 优化 LSTM而不是反过来LSTM 的核心参数——隐含层单元数、初始学习率、L2 正则系数、最大迭代轮数——对预测精度的影响不是线性的。隐含层太少欠拟合太多过拟合且训练慢学习率大了震荡不收敛小了收敛到局部最优。网格搜索在四维以上空间里计算量爆炸随机搜索又容易漏掉好区域。遗传算法的优势在于它不依赖梯度信息用种群并行搜索通过选择、交叉、变异不断逼近全局较优解。把每个“个体”编码成一组 LSTM 超参数用验证集上的预测误差常用 RMSE 或 MAPE作为适应度函数迭代若干代后输出最优参数组合。常见做法是GA 只负责搜参LSTM 负责最终的时序建模两者解耦便于单独替换。需要说清楚一个边界GA 搜参本身也要训练很多次 LSTM计算开销不小。如果数据量只有几百条GA 的收益可能被训练成本吃掉。一般建议样本量在几千条以上、且确实被调参困扰时再上 GA。2.2 光伏数据的清洗与归一化光伏功率数据有几个典型脏点夜间功率为 0 或负值逆变器自耗、阴天骤降导致的毛刺、传感器丢数。直接喂给 LSTM网络会去拟合这些噪声。常见做法是先剔除夜间无效样本或单独建模再对功率做 3σ 或 IQR 异常检测最后归一化到 [0,1]。% 读取光伏功率与气象数据假设列顺序时间 | 辐照度 | 温度 | 功率 raw readmatrix(pv_data.csv); P raw(:,4); % 光伏功率 G raw(:,2); % 辐照度 T raw(:,3); % 温度 % 剔除夜间功率0的样本按需保留 valid P 0; P P(valid); G G(valid); T T(valid); % 3σ 异常剔除 mu mean(P); sigma std(P); idx abs(P - mu) 3*sigma; P P(idx); G G(idx); T T(idx); % 最大最小归一化 P_norm (P - min(P)) / (max(P) - min(P)); G_norm (G - min(G)) / (max(G) - min(G)); T_norm (T - min(T)) / (max(T) - min(T)); % 构造滑动窗口用前 lookback 步预测下一步 lookback 24; % 例如 24 个 15min 点 6 小时 X []; Y []; for i lookback1 : length(P_norm) X [X; P_norm(i-lookback:i-1), G_norm(i-lookback:i-1), T_norm(i-lookback:i-1)]; Y [Y; P_norm(i)]; end这段代码做了三件事异常剔除、归一化、滑动窗口构造。lookback是关键参数光伏功率有强日周期取 24对应 6 小时能覆盖半天趋势如果数据是 1 小时粒度取 24 就是 24 小时。归一化必须用训练集的 min/max测试集要复用同一组参数否则会引入未来信息泄露——这是时序预测里最常见的翻车点之一。2.3 训练集/验证集/测试集的时序切分时序数据不能随机打乱切分否则相邻时刻的样本会同时出现在训练和测试里指标虚高。正确做法是按时间顺序切前 70% 训练中间 15% 验证给 GA 算适应度最后 15% 测试。验证集的作用是评估每个 GA 个体的好坏测试集只在最后用一次。n size(X,1); n_train floor(0.7*n); n_val floor(0.15*n); XTrain X(1:n_train,:); YTrain Y(1:n_train); XVal X(n_train1:n_trainn_val,:); YVal Y(n_train1:n_trainn_val); XTest X(n_trainn_val1:end,:); YTest Y(n_trainn_val1:end);切分比例不是死的样本少时可以 80/10/10样本多时 70/15/15 更稳。关键是验证集要足够大否则 GA 的适应度评估噪声太大选出来的参数不可信。3. 遗传算法搜参的 MATLAB 实现编码、适应度与迭代3.1 个体编码与参数边界GA 的每个个体是一组 LSTM 超参数。这里选四个最影响精度的隐含层单元数numHiddenUnits、初始学习率initialLearnRate、L2 正则l2Regularization、最大轮数maxEpochs。编码用实数向量长度 4。参数边界要结合经验设不能太宽也不能太窄。隐含层单元数一般 32~256学习率 1e-4~1e-2L2 正则 1e-5~1e-2轮数 30~120。边界设太宽GA 收敛慢设太窄可能把最优解排除在外。% 参数下界与上界[hidden, lr, l2, epochs] lb [32, 1e-4, 1e-5, 30]; ub [256, 1e-2, 1e-2, 120]; % 种群规模与迭代代数 popSize 8; % 种群不宜过大否则训练次数爆炸 maxGen 10; % 迭代代数popSize和maxGen是计算量的直接决定因素。总训练次数约等于popSize × maxGen8×1080 次 LSTM 训练。如果每次训练 1 分钟整套 GA 就要 80 分钟。实际调的时候可以先小种群跑通流程再放大。3.2 适应度函数用验证集 RMSE 打分适应度函数是 GA 的核心。输入一个个体一组超参数输出该参数下 LSTM 在验证集上的 RMSE。RMSE 越小个体越优。注意每次评估都要重新初始化 LSTM避免上一次训练的权重残留。function fitness ga_fitness(params, XTrain, YTrain, XVal, YVal) numHidden round(params(1)); lr params(2); l2 params(3); epochs round(params(4)); % 构建 LSTM 网络 layers [ ... sequenceInputLayer(size(XTrain,2)) lstmLayer(numHidden, OutputMode, last) fullyConnectedLayer(1) regressionLayer]; options trainingOptions(adam, ... InitialLearnRate, lr, ... L2Regularization, l2, ... MaxEpochs, epochs, ... MiniBatchSize, 64, ... Shuffle, never, ... % 时序数据不打乱 Verbose, false); % 训练并预测验证集 net trainNetwork(XTrain, YTrain, layers, options); YPred predict(net, XVal); fitness sqrt(mean((YPred - YVal).^2)); end几个细节Shuffle设为never时序数据打乱会破坏时间依赖MiniBatchSize取 64 是常见折中样本少时改 32OutputMode用last表示只取最后时刻输出做回归。适应度函数里没有做早停如果验证集 loss 上升说明过拟合可以在trainingOptions里加ValidationData和ValidationPatience。3.3 选择、交叉、变异与主循环MATLAB 自带ga函数但为了看清每一步这里手写一个简化版 GA 主循环。选择用锦标赛交叉用模拟二进制交叉SBX变异用多项式变异。这些算子保证子代在边界内且分布合理。% 初始化种群 pop repmat(lb, popSize, 1) rand(popSize, 4) .* repmat(ub-lb, popSize, 1); fit zeros(popSize, 1); for gen 1:maxGen % 评估适应度 for i 1:popSize fit(i) ga_fitness(pop(i,:), XTrain, YTrain, XVal, YVal); end % 锦标赛选择 newPop zeros(size(pop)); for i 1:popSize a randi(popSize); b randi(popSize); if fit(a) fit(b), newPop(i,:) pop(a,:); else, newPop(i,:) pop(b,:); end end % 模拟二进制交叉 for i 1:2:popSize-1 if rand 0.9 beta rand; newPop(i,:) 0.5*((1beta)*newPop(i,:) (1-beta)*newPop(i1,:)); newPop(i1,:) 0.5*((1-beta)*newPop(i,:) (1beta)*newPop(i1,:)); end end % 多项式变异 for i 1:popSize if rand 0.1 newPop(i,:) newPop(i,:) 0.1*(ub-lb).*(rand(1,4)-0.5); end end % 边界裁剪 newPop max(newPop, repmat(lb, popSize, 1)); newPop min(newPop, repmat(ub, popSize, 1)); pop newPop; % 记录当前最优 [bestFit, idx] min(fit); fprintf(Gen %d, best RMSE %.4f\n, gen, bestFit); end bestParams pop(idx,:);主循环里交叉概率 0.9、变异概率 0.1 是常用值。交叉后可能出现越界必须裁剪。每代打印最优 RMSE方便观察收敛。如果连续几代 RMSE 不降说明种群多样性不足可以增大变异概率或重新初始化部分个体。3.4 用最优参数训练最终 LSTM 并预测GA 跑完后用bestParams在“训练集验证集”上重新训练一次 LSTM再在测试集上评估。这一步不能省因为 GA 过程中每个个体只在训练集上训过最终模型要用更多数据。numHidden round(bestParams(1)); lr bestParams(2); l2 bestParams(3); epochs round(bestParams(4)); layers [ ... sequenceInputLayer(size(XTrain,2)) lstmLayer(numHidden, OutputMode, last) fullyConnectedLayer(1) regressionLayer]; options trainingOptions(adam, ... InitialLearnRate, lr, ... L2Regularization, l2, ... MaxEpochs, epochs, ... MiniBatchSize, 64, ... Shuffle, never, ... Verbose, false); % 合并训练集与验证集 XFinal [XTrain; XVal]; YFinal [YTrain; YVal]; net trainNetwork(XFinal, YFinal, layers, options); YPred predict(net, XTest); rmse sqrt(mean((YPred - YTest).^2)); mape mean(abs((YPred - YTest)./YTest)) * 100; fprintf(Test RMSE %.4f, MAPE %.2f%%\n, rmse, mape);评估指标建议同时看 RMSE 和 MAPE。RMSE 对大误差敏感MAPE 看相对误差。光伏功率在低功率段 MAPE 容易偏大可以分时段统计。如果测试集 RMSE 明显高于验证集说明过拟合回去调小numHidden或增大l2。4. 避坑与排查GA-LSTM 调参中最容易踩的五个坑4.1 现象测试集指标远好于验证集甚至 RMSE 接近 0原因数据泄露。最常见的是归一化用了全量数据的 min/max或者滑动窗口构造时把未来时刻的信息混进了输入。另一个隐蔽原因是切分时随机打乱相邻样本同时进了训练和测试。解决归一化参数只用训练集计算测试集复用切分严格按时间顺序滑动窗口构造时确保输入窗口的最后一个点严格早于预测目标点。检查方法把测试集整体后移一个时间步如果指标大幅下降说明有泄露。4.2 现象GA 迭代几代后 RMSE 不再下降甚至反弹原因种群多样性丢失所有个体趋同交叉产生不了新解。或者变异步长太小跳不出局部最优。解决增大变异概率到 0.2或改用自适应变异前期大步长、后期小步长每代保留最优个体精英策略同时对最差的 1~2 个个体重新随机初始化。另外检查参数边界是否设得太窄导致搜索空间本身就没有好解。4.3 现象LSTM 训练 loss 震荡不收敛或者直接 NaN原因学习率太大。GA 搜索时如果学习率上界设到 1e-2某些个体可能直接发散。另外光伏功率归一化后如果存在极端值梯度也会爆炸。解决学习率上界压到 5e-3 甚至 1e-3在trainingOptions里加GradientThreshold一般设 1检查归一化后是否有 NaN 或 Inf异常剔除要彻底。如果还是 NaN把MiniBatchSize调小。4.4 现象GA 跑了一整晚结果还不如手工调的参数原因适应度函数评估噪声太大。验证集样本太少或者 LSTM 每次训练随机初始化导致同一组参数两次评估结果差异很大。GA 在噪声大的适应度上搜索等于在随机数里找最优。解决增大验证集比例适应度函数里对同一组参数训练 2~3 次取平均固定随机种子rng(42)减少随机性。如果数据量本身很小GA 的收益有限不如直接用经验参数。4.5 现象预测曲线整体滞后于真实曲线原因滑动窗口的lookback太大网络过度依赖历史功率对突变响应慢。光伏功率在云层遮挡时可能几分钟内骤降如果窗口覆盖几小时网络会“平滑”掉这些突变。解决减小lookback或者引入辐照度、温度等外生变量作为额外输入通道代码里已经加了 G 和 T。另一个办法是在损失函数里对大误差样本加权让网络更关注突变段。常见做法是分场景建模晴天、多云、阴天各训一个模型。5. 进阶技巧把 GA 的搜索日志变成调参经验跑完一次 GA别只看最后的bestParams中间每代的种群分布和适应度变化才是真正值钱的东西。我一般会在主循环里把每代的pop和fit存下来跑完后画两张图一张是每代最优/平均 RMSE 的收敛曲线一张是四个参数在种群中的分布箱线图。收敛曲线能告诉你 GA 是第几代开始稳定的。如果第 3 代就平了说明maxGen10浪费了 7 代计算如果第 10 代还在降说明代数不够得加大。箱线图能看出哪个参数被搜索得最充分——如果numHidden的箱子很窄说明种群在这个维度上趋同了可能陷入了局部最优下次跑的时候把这个维度的变异概率调大。还有一个实用技巧把 GA 搜出来的最优参数作为初始值再做一轮小范围网格搜索。比如bestParams是[128, 3e-3, 1e-4, 80]就在numHidden的 96~160、学习率的 1e-3~5e-3 之间做细搜。GA 负责粗定位网格负责精修比纯 GA 或纯网格都稳。验证方法上除了 RMSE 和 MAPE建议加一个“持续预测”对比用前一天同一时刻的功率作为今天的预测值算一个基准 RMSE。如果 GA-LSTM 的 RMSE 不比这个基准低多少说明模型没学到东西得回去检查数据或特征。这个基准看着简陋但能快速判断模型是否真的有价值。最后说个血泪经验每次改完数据预处理或 GA 参数先把maxGen设成 2、popSize设成 4 跑一遍全流程确认没有维度不匹配、归一化泄露、NaN 这些低级错误再放大参数跑完整版。从那以后我每次调时序预测代码都强制先跑一遍“迷你版”冒烟测试省下来的时间够调好几轮参了。希望帮到你。本文还有配套的精品资源点击获取