摘要：随着光伏发电在电力系统中的占比不断提高，准确的功率预测对电网调度与能源管理具有重要意义。本文设计并实现了一套基于 MATLAB 的光伏发电功率短期预测系统，采用深度学习与集成学习融合的建模思路提升预测精度与稳定性。
作者：Bob(原创)
项目概述
随着光伏发电在电力系统中的占比不断提高，准确的功率预测对电网调度与能源管理具有重要意义。本文设计并实现了一套基于 MATLAB 的光伏发电功率短期预测系统，采用深度学习与集成学习融合的建模思路提升预测精度与稳定性。
系统以长短期记忆网络（LSTM）提取光伏功率序列的时序特征，并引入集成学习模型（梯度提升决策树 GBDT、随机森林 RF）挖掘气象因素与功率之间的非线性关系。在融合层面，本文实现并对比了三种融合策略：Ridge Stacking、Lasso Stacking 以及基于验证集 R² 的加权融合。系统包含数据预处理、模型训练、融合预测与结果可视化等完整功能模块，能够支持逐小时滚动预测与结果输出。
实验采用某地区全年 8760 小时光伏数据，包含太阳辐照度、温度、风速、湿度与云量等 5 个气象特征。结果表明，LSTM+RF+Lasso 的 Stacking 融合方案取得最优综合性能，在测试集上达到 R²=0.9890、RMSE=1.56 kW、MAE=1.01 kW，相比单一 LSTM 模型预测精度提升约 9%。本文系统具有预测精度高、运行稳定、易于部署等特点，可为光伏电站功率预测与电网调度提供实用支持。
系统设计
系统采用"数据预处理 → LSTM时序预测与集成学习预测并行建模 → Stacking/加权融合输出最终功率预测 → 指标评估与可视化对比"的流程，实现光伏发电功率的短期预测与方案优选。
图1 系统整体流程图
硬件配置
该系统硬件配置如上，如果您的电脑配置低于下述规格，运行速度可能会与本系统的存在差异，请注意。
表1 惠普(HP)暗影精灵10台式整机配置(系统硬件配置)
软件环境
对本实验所需的各类软件及工具的基本信息进行了清晰汇总。
表2 系统软件配置(真实运行环境)
运行展示
运行quick_start.m
图2 三种组合方案综合性能对比
对比了三种融合方案在测试集上的综合预测性能，指标包括RMSE、MAE、R²以及SMAPE。结果显示，组合二（LSTM+随机森林+Lasso Stacking）在RMSE与MAE上最优，同时R²保持最高水平，综合评分排名第一。组合三（R²加权融合）在R²表现接近组合二，但误差指标略高；组合一（Ridge Stacking）整体性能相对较弱。该图用于直观展示不同融合策略在精度与稳定性上的差异。
图3 组合一预测效果与误差分析
展示了组合一（LSTM+GBDT(LSBoost)+Ridge Stacking）在测试集上的预测结果，包括真实值与各模型预测曲线对比、预测散点分布及误差直方图。散点图显示预测值与真实值总体呈线性一致，但在高功率段存在一定离散现象。误差分布以0附近为中心，表明整体偏差较小，但尾部仍存在少量较大误差。该结果说明Ridge Stacking能够提升稳定性，但融合增益有限。
图4 组合二预测效果与误差分析
给出了组合二（LSTM+随机森林(Bagging)+Lasso Stacking）的测试集预测表现。与其他方案相比，该组合在预测曲线与真实值的贴合程度更高，散点分布更集中于理想对角线附近，说明拟合一致性更强。误差直方图呈现更尖峰的集中分布，体现出更好的误差收敛特性。综合来看，该方案在精度与泛化性之间取得了最佳平衡。
图5 组合三预测效果与误差分析
展示了组合三（LSTM+GBDT+R²加权融合）的预测效果及两模型权重分配结果。该方法依据验证集R²计算融合权重，实现无需训练元学习器的自适应集成。结果表明两模型权重接近均分，说明LSTM的时序建模能力与GBDT的非线性拟合能力均对预测贡献显著。该方案R²表现较高，但误差指标略逊于Lasso Stacking方案。
图6 光伏功率数据预处理与数据集划分结果
展示了原始光伏功率时间序列、功率分布统计以及训练/验证/测试集划分情况。可见功率数据存在大量接近0的样本（夜间无发电时段），导致分布呈现明显偏态，这也是采用SMAPE等稳健指标的原因之一。数据集按时间顺序划分为训练集、验证集与测试集，以避免信息泄露并更贴近实际预测场景。该图用于说明数据特征与实验设置的合理性。