基于LSTM神经网络的短期负荷预测 MATLAB程序 采用Adam优化器，大幅提高预测精度 数...

基于LSTM神经网络的短期负荷预测 MATLAB程序 采用Adam优化器，大幅提高预测精度 数据有120天的负荷，包含5个影响因素（最高温度，最低温度，平均温度，降雨量，湿度） 训练时，119天的数据作为训练集，根据负荷的变化趋势和对应的影响因素完成预测模型的构建 测试时，以一天的影响因素作为输入，才用上述训练好的模型，预测未来一天的负荷数值

最近在捣鼓电力负荷预测的项目时，发现LSTM这玩意儿对时间序列数据真挺能打的。特别是加上Adam优化器之后，预测误差直接打了个七折。刚好手头有120天的电力负荷数据，还带着五个天气相关的特征，干脆整了个单步预测模型试试水。

先说说数据怎么折腾的。五个天气特征（最高温、最低温、平均温、降雨量、湿度）和负荷数据放在一起，拿Matlab的mapminmax函数做了归一化。这里有个坑——天气数据和负荷数值的量纲差距太大，不归一化的话模型压根学不动。代码里是这么处理的：

% 数据归一化 [input_train_norm, input_settings] = mapminmax(input_train); [target_train_norm, target_settings] = mapminmax(target_train);

归一化后的数据切成119天训练和1天测试。这里注意时间序列不能像普通数据那样随机切分，得保持时间连续性。训练时用的滑动窗口策略，比如用前三天的数据预测第四天：

% 创建时间序列训练数据 XTrain = cell(size(trainData,1)-3,1); YTrain = cell(size(trainData,1)-3,1); for i=1:size(trainData,1)-3 XTrain{i} = trainData(i:i+2, 1:5); % 前三天的特征 YTrain{i} = trainData(i+3, 6); % 第四天的负荷 end

模型结构这块试过好几版，最后定下来的是双层LSTM带Dropout。第一层LSTM的hidden units设为128，第二层降到64。Dropout率设0.2既能防过拟合又不影响模型容量。Matlab里搭建LSTM比Python麻烦些，得用layerGraph来拼装：

layers = [ sequenceInputLayer(5) lstmLayer(128,'OutputMode','sequence') dropoutLayer(0.2) lstmLayer(64,'OutputMode','last') fullyConnectedLayer(1) regressionLayer];

Adam优化器的参数调优花了不少时间。学习率从0.01开始试，发现0.001时loss下降最稳。训练时开MiniBatch能有效利用显存，batch size设32刚好吃满显卡的显存。迭代到第15轮左右loss基本不再降了，这时候再强行训练反而可能过拟合。

基于LSTM神经网络的短期负荷预测 MATLAB程序 采用Adam优化器，大幅提高预测精度 数据有120天的负荷，包含5个影响因素（最高温度，最低温度，平均温度，降雨量，湿度） 训练时，119天的数据作为训练集，根据负荷的变化趋势和对应的影响因素完成预测模型的构建 测试时，以一天的影响因素作为输入，才用上述训练好的模型，预测未来一天的负荷数值

预测阶段有个小技巧：用前三天真实数据预测第四天后，把预测值回填到输入数据里继续预测后续时段。虽然误差会累积，但短期预测影响不大。测试集的预测结果反归一化后和真实值对比，平均绝对误差（MAE）能压到2.3%左右：

% 测试数据预测 YPred = predict(net, XTest); % 反归一化 predicted_load = mapminmax('reverse', YPred, target_settings);

实际跑下来发现，温度特征里平均温度的影响权重最大，湿度特征在雨天表现突出。有意思的是模型自己学出了周末和工作日的负荷差异，虽然原始数据里根本没给星期几这个特征。这可能是因为天气数据与日期存在隐含关联，LSTM自己捕捉到了这种时间模式。

最后说下部署时的注意事项：模型对输入数据的顺序敏感，必须保证时间戳严格连续。遇到缺失值建议用三次样条插值，比直接填零靠谱得多。另外建议定期用最新数据微调模型，电力负荷的季节性变化还是挺明显的。