简介本资源面向风电功率预测方向的学习者与研究人员提供基于卷积长短期神经网络CNN-LSTM的完整MATLAB实现方案同时包含纯LSTM对比模型便于理解卷积特征提取与长短期记忆网络在时序预测中的协同机制。压缩包共45个文件约7.94MB以m脚本文件为主涵盖网络搭建、训练、前向传播与梯度更新等核心模块另含mat数据文件、xlsx四季数据表及少量图片与备份文件数据与代码配套齐全注释清晰方便直接运行与二次扩展。内容涉及数据归一化、卷积核初始化、混淆矩阵与ROC曲线绘制等环节可帮助读者掌握从数据预处理到模型评估的完整流程。目前已有254人学习下载适合本科及以上层次用于课程设计、毕业设计或科研入门也可在此基础上进行创新改进与场景迁移。1. 风电功率预测里CNN-LSTM 到底解决了 LSTM 的哪个死穴风机出力受风速、风向、温度、气压多重耦合影响功率曲线呈现强非线性、非平稳特征。单靠 LSTM 做风电功率预测很多同行都遇到过同一个玄学现象模型在平稳时段拟合得不错一到风速骤升骤降的爬坡段就集体翻车预测曲线明显滞后于实际功率。原因不复杂——LSTM 擅长建模时间依赖却对相邻时间步之间的局部突变特征不敏感而风电功率的爬坡事件恰恰藏在这些局部模式里。CNN-LSTM 的思路是把卷积层当作前置特征提取器先用一维卷积在时间轴上滑动把原始功率序列里的局部突变、短时波动压缩成更稳定的特征图再交给 LSTM 建模长程时序依赖。这套组合在风电功率预测场景下本质是让模型同时具备“看局部”和“记长期”两种能力。本文面向已经跑过 LSTM 时间序列预测、想进一步压 RMSE 的从业者从数据构造、模型搭建、训练调参到避坑给出一条能直接复现的路径。lstm神经网络、lstm数据集、lstm模型代码这些热搜词背后大家真正关心的是这套结构到底怎么落地、参数怎么设、坑在哪。2. 数据准备与特征工程把 SCADA 原始数据变成模型能吃的张量2.1 风电功率预测的数据集长什么样常见做法是拿风电场 SCADA 系统导出的历史记录采样间隔 10 分钟或 15 分钟字段一般包括时间戳、风速、风向、环境温度、气压、机舱温度、实际有功功率。单台机组一年约 5 万条记录多台机组汇总后数据量足够训练。公开数据集方面很多论文用的是某风电场实测数据或 NREL 的公开数据格式多为 CSV。关键点在于风电功率预测不是单纯拿历史功率预测未来功率那样模型学不到气象驱动关系。我一般会把风速、风向、温度作为输入特征功率作为预测目标。风向是角度值直接喂进去会有 359° 和 1° 距离很远的问题需要做正余弦分解。import pandas as pd import numpy as np # 读取 SCADA 数据时间列解析为索引 df pd.read_csv(wind_scada.csv, parse_dates[timestamp]) df df.sort_values(timestamp).set_index(timestamp) # 风向正余弦分解避免角度跳变 df[wind_dir_sin] np.sin(np.deg2rad(df[wind_dir])) df[wind_dir_cos] np.cos(np.deg2rad(df[wind_dir])) # 选择输入特征列 feature_cols [wind_speed, wind_dir_sin, wind_dir_cos, temperature, pressure, power] data df[feature_cols].copy() # 缺失值处理线性插值前后各补一个 data data.interpolate(methodlinear, limit_directionboth) print(data.shape, data.isna().sum().sum())这段代码做了三件事时间排序保证序列顺序正确风向正余弦分解消除角度周期性带来的距离失真线性插值填补传感器偶发丢数。参数上limit_directionboth保证首尾缺失也能补上如果缺失比例超过 5%插值会引入偏差这时候更稳妥的做法是直接剔除该时间段而不是硬补。2.2 归一化与滑动窗口构造归一化必须用训练集的统计量不能对全量数据做归一化否则验证集和测试集的信息会泄漏到训练过程。这是 LSTM 时间序列预测里最常见的翻车点之一。from sklearn.preprocessing import MinMaxScaler # 按时间顺序切分前 70% 训练15% 验证15% 测试 n len(data) train_end int(n * 0.7) val_end int(n * 0.85) train data.iloc[:train_end] val data.iloc[train_end:val_end] test data.iloc[val_end:] scaler MinMaxScaler(feature_range(0, 1)) scaler.fit(train) # 只用训练集拟合 train_scaled scaler.transform(train) val_scaled scaler.transform(val) test_scaled scaler.transform(test) def make_windows(arr, lookback24, horizon1): lookback: 输入历史步数; horizon: 预测未来第几步 X, y [], [] for i in range(len(arr) - lookback - horizon 1): X.append(arr[i:i lookback]) y.append(arr[i lookback horizon - 1, -1]) # 最后一列是功率 return np.array(X), np.array(y) LOOKBACK 24 # 10 分钟采样24 步 4 小时历史 X_train, y_train make_windows(train_scaled, LOOKBACK) X_val, y_val make_windows(val_scaled, LOOKBACK) X_test, y_test make_windows(test_scaled, LOOKBACK) print(X_train.shape, y_train.shape)lookback24对应 4 小时历史窗口这是风电功率预测里比较常用的设置太短抓不到天气过程的演变趋势太长会引入冗余并拖慢训练。horizon1表示预测下一个时间步如果要做超短期预测未来 4 小时把 horizon 改成 24 即可但要注意误差会随 horizon 增大而累积。窗口构造时验证集和测试集各自独立切窗不要跨集拼接否则边界处会出现信息泄漏。3. CNN-LSTM 模型搭建卷积核怎么设、LSTM 层怎么堆3.1 为什么用一维卷积而不是二维卷积风电功率序列是单变量或多变量时间序列维度是时间步 × 特征数没有图像的空间二维结构。一维卷积沿时间轴滑动卷积核大小对应感受野的时间跨度。常见做法是堆两层 Conv1D第一层 kernel_size 大一些如 7抓较宽的局部模式第二层 kernel_size 小一些如 3抓更精细的波动。每层后面接 BatchNorm 和 MaxPooling池化会压缩时间维度减少后续 LSTM 的序列长度降低计算量。import torch import torch.nn as nn class CNNLSTM(nn.Module): def __init__(self, n_features, cnn_channels64, kernel_sizes(7, 3), lstm_hidden128, lstm_layers2, dropout0.3): super().__init__() # 两层一维卷积padding 保持时间维度不变 self.conv1 nn.Conv1d(n_features, cnn_channels, kernel_sizekernel_sizes[0], paddingkernel_sizes[0] // 2) self.bn1 nn.BatchNorm1d(cnn_channels) self.conv2 nn.Conv1d(cnn_channels, cnn_channels, kernel_sizekernel_sizes[1], paddingkernel_sizes[1] // 2) self.bn2 nn.BatchNorm1d(cnn_channels) self.pool nn.MaxPool1d(kernel_size2) self.relu nn.ReLU() self.lstm nn.LSTM(input_sizecnn_channels, hidden_sizelstm_hidden, num_layerslstm_layers, batch_firstTrue, dropoutdropout if lstm_layers 1 else 0) self.fc nn.Linear(lstm_hidden, 1) self.dropout nn.Dropout(dropout) def forward(self, x): # x: (batch, seq_len, n_features) - Conv1d 需要 (batch, n_features, seq_len) x x.permute(0, 2, 1) x self.relu(self.bn1(self.conv1(x))) x self.relu(self.bn2(self.conv2(x))) x self.pool(x) # 时间维度减半 x x.permute(0, 2, 1) # 换回 (batch, seq_len, channels) out, _ self.lstm(x) out self.dropout(out[:, -1, :]) # 取最后一个时间步 return self.fc(out).squeeze(-1)卷积部分用padding保持时间维度池化后再减半这样 LSTM 的输入序列长度是原始窗口的一半。cnn_channels64是特征通道数太小抓不住多变量交互太大在小数据集上容易过拟合。lstm_hidden128、lstm_layers2是风电功率预测里比较稳的配置层数再多收益递减且训练变慢。dropout0.3作用在 LSTM 层间和全连接前是抑制过拟合的主要手段。3.2 训练循环与早停策略from torch.utils.data import DataLoader, TensorDataset device torch.device(cuda if torch.cuda.is_available() else cpu) model CNNLSTM(n_featuresX_train.shape[2]).to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-3, weight_decay1e-5) criterion nn.MSELoss() train_ds TensorDataset(torch.FloatTensor(X_train), torch.FloatTensor(y_train)) val_ds TensorDataset(torch.FloatTensor(X_val), torch.FloatTensor(y_val)) train_loader DataLoader(train_ds, batch_size64, shuffleTrue) val_loader DataLoader(val_ds, batch_size64) best_val, patience, wait float(inf), 10, 0 for epoch in range(100): model.train() for xb, yb in train_loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() loss criterion(model(xb), yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() model.eval() val_loss 0 with torch.no_grad(): for xb, yb in val_loader: xb, yb xb.to(device), yb.to(device) val_loss criterion(model(xb), yb).item() * len(xb) val_loss / len(val_ds) if val_loss best_val: best_val, wait val_loss, 0 torch.save(model.state_dict(), best_cnn_lstm.pt) else: wait 1 if wait patience: print(fearly stop at epoch {epoch}) break print(fepoch {epoch}, val_loss {val_loss:.6f})clip_grad_norm_是 LSTM 训练里几乎必加的风电功率序列在爬坡段梯度容易爆炸不加这个经常出现 loss 变 NaN。weight_decay1e-5是轻量 L2 正则配合 dropout 一起用。早停 patience 设 10验证损失连续 10 轮不降就停避免过拟合。batch_size 64 在几万条样本量下比较合适太小训练震荡太大泛化变差。4. 评估与调参RMSE 之外还要看什么4.1 评价指标不能只看 RMSE风电功率预测的评估RMSE 和 MAE 是基础但只看这两个会漏掉爬坡段的系统性偏差。我一般还会算两个指标一是按功率分段的 RMSE把测试集按实际功率分成低、中、高三段分别算误差二是爬坡事件的命中率定义相邻时间步功率变化超过额定容量 10% 为一次爬坡看模型在爬坡点的预测误差是否显著高于平稳段。from sklearn.metrics import mean_squared_error, mean_absolute_error model.load_state_dict(torch.load(best_cnn_lstm.pt)) model.eval() with torch.no_grad(): pred model(torch.FloatTensor(X_test).to(device)).cpu().numpy() # 反归一化功率在最后一列 def inverse_power(scaled_vals, scaler): dummy np.zeros((len(scaled_vals), scaler.n_features_in_)) dummy[:, -1] scaled_vals return scaler.inverse_transform(dummy)[:, -1] y_true inverse_power(y_test, scaler) y_pred inverse_power(pred, scaler) rmse np.sqrt(mean_squared_error(y_true, y_pred)) mae mean_absolute_error(y_true, y_pred) print(fRMSE {rmse:.4f}, MAE {mae:.4f}) # 分段误差 cap y_true.max() for lo, hi, name in [(0, 0.3*cap, 低功率), (0.3*cap, 0.7*cap, 中功率), (0.7*cap, cap, 高功率)]: mask (y_true lo) (y_true hi) if mask.sum() 0: seg_rmse np.sqrt(mean_squared_error(y_true[mask], y_pred[mask])) print(f{name}段 RMSE {seg_rmse:.4f}, 样本数 {mask.sum()})反归一化时构造一个和原始特征数相同的占位矩阵只把功率列填回去再逆变换取最后一列这样不会因为其他列被置零而影响功率的逆变换结果。分段误差能直接暴露模型在哪个功率区间表现差如果高功率段 RMSE 明显偏大说明模型对大出力工况学习不足需要检查训练集里高功率样本是否偏少。4.2 关键超参数怎么调参数常用范围影响调整建议lookback12~48历史窗口长度从 24 起调误差不降再加大cnn_channels32~128卷积特征通道数数据量小取 32大取 64~128kernel_size3~9卷积感受野第一层大第二层小73 是稳妥起点lstm_hidden64~256LSTM 隐状态维度128 起步过拟合就减半lstm_layers1~3LSTM 堆叠层数2 层够用3 层收益有限dropout0.1~0.5正则强度验证损失震荡就加大lr1e-4~1e-2学习率Adam 用 1e-3不收敛降到 1e-4调参顺序建议先固定 lookback24、cnn_channels64、lstm_hidden128 跑一版基线然后单独调 lookback再调 cnn_channels 和 lstm_hidden最后调 dropout 和 lr。每次只动一个参数否则出了问题根本不知道是哪个参数导致的。这套顺序是我踩过多次坑之后固定下来的能省不少来回试的时间。5. 避坑与排查风电功率预测里最容易翻车的 5 个点5.1 现象验证损失正常但测试集 RMSE 高得离谱原因归一化用了全量数据或者滑动窗口跨训练/验证/测试集拼接导致信息泄漏。训练时模型“见过”测试集的统计特征验证集又和测试集分布接近所以验证损失好看但真正上线预测新数据时崩掉。解决归一化 scaler 只在训练集上 fit验证和测试集只 transform。滑动窗口构造时每个子集独立切窗不要先把全量数据切完窗再分集。检查方法很简单打印训练集、验证集、测试集归一化后功率列的均值和方差如果三者几乎一致说明 scaler 拟合范围有问题。5.2 现象训练 loss 一路降验证 loss 从某轮开始持续上升原因过拟合。风电功率预测的数据量通常有限CNN-LSTM 参数量不小很容易记住训练集的噪声。尤其是卷积通道数给到 128 以上、LSTM 堆到 3 层时过拟合来得特别快。解决先加 dropout0.3 起步和 weight_decay1e-5再考虑减小 cnn_channels 或 lstm_hidden。如果还不行检查训练集里是否有异常功率值比如负功率、超过额定容量的值这些异常点会被模型当成真实模式学进去。数据清洗比调模型更管用。5.3 现象预测曲线整体滞后于实际功率原因LSTM 的时序建模本质上是自回归式的对突变响应慢。如果 lookback 设得太大比如 96模型过度依赖长期平均趋势对最近几步的变化不敏感。另外如果输入特征里只有历史功率没有风速模型缺少驱动信息只能靠功率自相关外推滞后会更严重。解决把 lookback 降到 24 或 12让模型更关注近期变化。确保风速、风向等气象特征在输入里并且风速的归一化范围要合理。如果滞后仍然明显可以在损失函数里对爬坡段样本加权让模型更关注这些难例。5.4 现象训练过程中 loss 突然变成 NaN原因梯度爆炸。LSTM 在长序列上反向传播时梯度容易累积放大风电功率序列的爬坡段数值变化剧烈更容易触发。学习率设得太大比如 1e-2会加速这个过程。解决加梯度裁剪clip_grad_norm_(model.parameters(), max_norm1.0)这是最直接的手段。学习率降到 1e-3 或 1e-4。如果还不行检查输入数据里有没有 inf 或极端异常值归一化前先做 3σ 截断或分位数截断。5.5 现象换一组数据重新训练结果波动很大原因随机种子没固定或者数据切分方式对结果影响大。风电功率预测的数据本身有季节性和天气过程差异如果测试集恰好落在一段平稳天气里RMSE 会偏低落在大风降温过程里RMSE 会偏高。解决固定随机种子torch、numpy、random 都要设用多次实验的均值来评估模型。数据切分不要只按时间顺序切一刀可以做滚动预测验证用前 70% 训练预测接下来 15%然后窗口后移多次评估取平均。这样得到的结论比单次切分可靠得多。6. 进阶技巧用残差连接和注意力机制再压一档误差基础版 CNN-LSTM 跑通之后如果还想进一步压 RMSE有两个改动性价比最高。第一个是在卷积部分加残差连接把 conv1 的输入直接加到 conv2 的输出上缓解深层卷积的梯度衰减。第二个是在 LSTM 输出后加一个轻量注意力层让模型对不同时间步的隐状态加权求和而不是只取最后一个时间步。class CNNLSTMAttn(nn.Module): def __init__(self, n_features, cnn_channels64, lstm_hidden128, dropout0.3): super().__init__() self.conv1 nn.Conv1d(n_features, cnn_channels, 7, padding3) self.bn1 nn.BatchNorm1d(cnn_channels) self.conv2 nn.Conv1d(cnn_channels, cnn_channels, 3, padding1) self.bn2 nn.BatchNorm1d(cnn_channels) self.pool nn.MaxPool1d(2) self.relu nn.ReLU() self.lstm nn.LSTM(cnn_channels, lstm_hidden, 2, batch_firstTrue, dropoutdropout) # 注意力对 LSTM 所有时间步输出加权 self.attn nn.Linear(lstm_hidden, 1) self.fc nn.Linear(lstm_hidden, 1) self.dropout nn.Dropout(dropout) def forward(self, x): x x.permute(0, 2, 1) residual self.relu(self.bn1(self.conv1(x))) x self.relu(self.bn2(self.conv2(residual))) residual # 残差 x self.pool(x).permute(0, 2, 1) out, _ self.lstm(x) # (batch, seq, hidden) weights torch.softmax(self.attn(out), dim1) # (batch, seq, 1) context (out * weights).sum(dim1) # 加权求和 return self.fc(self.dropout(context)).squeeze(-1)残差连接加在两层卷积之间要求 conv1 输出通道和 conv2 输出通道一致这里都是cnn_channels所以可以直接相加。注意力层用一个线性映射把每个时间步的隐状态压成标量分数softmax 归一化后对隐状态加权求和这样模型可以自动决定哪些时间步对当前预测更重要。实测中这两个改动通常能把 RMSE 再降 3%~8%具体幅度取决于数据集和基线模型的表现。验证方法上我习惯把改进前后的模型在同一个测试集上跑 5 次固定不同随机种子比较 RMSE 的均值和标准差。如果改进版均值更低且标准差没有明显变大说明提升是稳定的不是某次随机初始化碰巧跑出来的。如果标准差变大说明模型对初始化更敏感需要检查注意力层或残差连接是否引入了训练不稳定。最后说个习惯每次改模型结构或调参我都会把配置、随机种子、验证集 RMSE 记在一个表格里跑上十几组之后回头看哪些改动真正有用一目了然。风电功率预测这个方向模型结构的花样很多但真正决定效果的往往是数据质量和评估方式别在调模型上钻太久先把数据管好。希望帮到你。本文还有配套的精品资源点击获取