光伏功率预测创新模型！基于非线性二次分解Ridge-RF-LSBoost时间序列预测MATLAB代码

该代码实现了一个基于非线性二次分解的混合集成学习模型，用于光伏发电功率的短期时间序列预测。其核心思想是将预测任务分解为线性趋势、一阶非线性残差和二阶非线性残差三个层次，分别使用岭回归（Ridge）、随机森林（RF）和最小二乘提升（LSBoost）进行建模，从而逐步逼近真实值。

一、研究背景

光伏发电功率受气象、辐射等多种因素影响，具有强非线性和时序依赖性。单一模型往往难以同时捕捉线性趋势和非线性波动。因此，采用“线性 + 非线性残差逐步拟合”的策略，能够有效提升预测精度。该代码以光伏电站数据为例，验证了该方法在短期预测中的有效性。

二、主要功能

1. 数据预处理：读取Excel数据，处理缺失值，划分训练/测试集。
2. 归一化：使用Z-score标准化特征。
3. 时序交叉验证：按时间顺序划分训练集和验证集。
4. 超参数网格搜索：为Ridge、RF、LSBoost分别搜索最优参数。
5. 三阶段建模：
   • Ridge：拟合线性趋势
   • RF：拟合一阶残差
   • LSBoost：拟合二阶残差
6. 模型评估：计算MSE、MAE、RMSE、R²。
7. 可视化：
   • 各阶段预测对比
   • 成分分解图（线性 + 非线性堆叠）
   • 残差逐步减少图
8. 结果保存：将预测值和评估指标保存为Excel和MAT文件。

三、算法步骤

第1步：Ridge回归（线性趋势）

• 使用fitrlinear，正则化项为L2（ridge）。
• 网格搜索λ（Lambda）最优值。
• 输出预测值y_ridge，计算一阶残差resid1 = y_true - y_ridge。

第2步：随机森林（一阶非线性残差）

• 使用fitrensemble的Bag方法（即随机森林）。
• 网格搜索树的数量和最小叶子节点数。
• 预测一阶残差y_rf，计算二阶残差resid2 = resid1 - y_rf。

第3步：LSBoost（二阶非线性残差）

• 使用fitrensemble的LSBoost方法。
• 网格搜索学习率、学习周期数和树的最大深度。
• 预测二阶残差y_boost。

第4步：最终预测

• 测试集预测值：

  y_final = y_ridge + y_rf + y_boost

四、技术路线

输入特征 + 目标变量 ↓ 数据清洗与归一化 ↓ 时间序列交叉验证划分 ↓ Ridge回归（拟合线性趋势） ↓ 一阶残差 → 随机森林（RF） ↓ 二阶残差 → LSBoost ↓ 测试集预测（Ridge + RF + Boost） ↓ 评估指标 + 可视化 + 结果保存

五、公式原理

1. Ridge回归（L2正则化）

目标函数：

min⁡β∥y−Xβ∥2+λ∥β∥2 \min_{\beta} \| y - X\beta \|^2 + \lambda \|\beta\|^2βmin​∥y−Xβ∥2+λ∥β∥2

2. 随机森林（Bagging）

通过自助采样构建多棵决策树，取平均值作为预测结果：

f^(x)=1B∑b=1BTb(x) \hat{f}(x) = \frac{1}{B} \sum_{b=1}^{B} T_b(x)f^​(x)=B1​b=1∑B​Tb​(x)

3. LSBoost（Least Squares Boosting）

每轮拟合当前残差，更新模型：

Fm(x)=Fm−1(x)+ν⋅hm(x) F_m(x) = F_{m-1}(x) + \nu \cdot h_m(x)Fm​(x)=Fm−1​(x)+ν⋅hm​(x)
其中hmh_mhm​是拟合残差的弱学习器，ν\nuν为学习率。

六、参数设定

七、运行环境

• MATLAB版本：R2020b 或更高

八、应用场景

• 光伏发电功率短期预测（如15分钟级别）
• 风电场出力预测
• 电力负荷预测
• 其他具有强非线性特征的时间序列预测任务