PyTorch基于 LSTM+ KAN（Kolmogorov-Arnold Network）的时间序列预测模型

研究背景
风电场功率受气象因素影响，具有强波动性和不确定性，高精度预测对电网稳定调度至关重要。传统LSTM虽能捕捉时间依赖，但其后的全连接层解释性弱、参数量大。KAN（Kolmogorov-Arnold Networks）凭借可学习的激活函数和良好的非线性逼近能力，可作为LSTM后端的替代映射器，有望提升预测精度和可解释性。

主要功能
代码实现了一个多特征输入、单步输出的风电场功率预测模型。主要功能包括：

• 从Excel读取多变量时间序列，自动构建监督学习样本（滑动窗口）。
• 基于LSTM+KAN混合模型进行训练与预测。
• 输出MSE、RMSE、MAE、MAPE、R²等评估指标，并绘制损失曲线与预测对比图。

算法步骤

1. 数据预处理：读取数据，提取特征列（[:,14:]），转为float32。
2. 样本构造：利用data_collation函数，以n_in=5步历史特征、n_out=1步未来目标（最后一列）、滑动步长scroll_window=1，生成固定数量的样本。
3. 训练/测试划分：前70%样本用于训练，后30%用于测试。
4. 归