代碼功能

該代碼實現了一個光伏發電量預測系統，采用三種深度學習模型（LSTM、CNN-LSTM、貝葉斯優化的CNN-LSTM）對北半球光伏數據進行時間序列預測，并通過多維度評估指標和可視化對比模型性能。

算法步驟

1. 數據預處理

• 數據導入：從Excel讀取北半球光伏數據
• 序列重構
  構建時間窗口：用前4步預測下一步
• 數據集劃分：70%訓練集，30%測試集
• 歸一化：采用mapminmax歸一化到[0,1]區間
• 數據平鋪：轉換為LSTM需要的序列格式

2. 模型構建

① LSTM模型

layers = [sequenceInputLayer(f_)lstmLayer(20)       % 20個LSTM單元reluLayerfullyConnectedLayer(1)regressionLayer];

② CNN-LSTM模型

lgraph = layerGraph();
tempLayers = [sequenceInputLayer([f_,1,1])sequenceFoldingLayer];
lgraph = addLayers(lgraph,tempLayers);tempLayers = [convolution2dLayer([3,1],16)  % 卷積核3x1, 16通道reluLayerconvolution2dLayer([3,1],32)  % 卷積核3x1, 32通道reluLayer];
lgraph = addLayers(lgraph,tempLayers);tempLayers = [sequenceUnfoldingLayerflattenLayerlstmLayer(5)                  % 5個LSTM單元fullyConnectedLayer(1)regressionLayer];

③ BO-CNN-LSTM模型

• 貝葉斯優化超參數：
  • LSTM單元數
  • 初始學習率
  • L2正則化系數

3. 模型訓練

• 通用設置：
  • 優化器：Adam
  • 最大迭代次數：500
  • 學習率策略：每400次衰減為0.1倍
  • 正則化：L2權重衰減
• 訓練過程監控：記錄訓練損失和RMSE

4. 預測與反歸一化

t_sim = predict(net, Lp_test); 
T_sim = mapminmax('reverse', t_sim, ps_output);  % 反歸一化

5. 評估與可視化

• 評估指標：RMSE、MAE、MAPE、R2、MSE
• 可視化對比：
  • 預測值 vs 真實值曲線
  • 誤差分布柱狀圖
  • 雷達圖/羅盤圖多指標對比
  • 二維散點圖（R2 vs MAPE）
  • 柱狀圖指標對比

關鍵參數設定

參數	值	說明
num_size	0.7	訓練集比例
MaxEpochs	500	最大訓練輪次
LSTM Units	20	基礎LSTM單元數
CNN Filters	[16,32]	卷積層通道數
Drop Factor	0.1	學習率衰減因子
Drop Period	400	衰減周期

運行環境要求

MATLAB版本：R2021a或更高

應用場景

1. 光伏發電預測：
   • 電網調度與能源管理
   • 電站運維決策支持
2. 時間序列預測：
   • 電力負荷預測
   • 氣象數據預測
   • 金融時間序列分析
3. 模型對比研究：
   • LSTM vs CNN-LSTM架構性能對比
   • 貝葉斯優化效果驗證

創新點總結

1. 三級模型架構：
   LSTM → CNN-LSTM → BO-CNN-LSTM漸進式優化
2. 多維度評估體系：
   • 5種量化指標（RMSE/R2/MAE/MAPE/MSE）
   • 6種可視化對比（曲線/雷達/羅盤/柱狀/散點/誤差圖）
3. 貝葉斯自動調參：
   優化神經網絡超參數組合

注：實際運行時需確保：

1. 北半球光伏數據.xlsx文件在路徑中
2. 自定義函數（fical.m, radarChart.m）已實現

完整代碼私信博主回復三種深度學習模型（LSTM、CNN-LSTM、貝葉斯優化的CNN-LSTM/BO-CNN-LSTM）對北半球光伏數據進行時間序列預測