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（GRU、CNN-GRU、貝葉斯優化的CNN-GRU/BO-CNN-GRU）對北半球光伏數據進行時間序列預測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 GRU模型

② CNN-GRU模型

③ BO-CNN-GRU模型

• 貝葉斯優化超參數：
  -GRU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
GRU Units	20	基礎GRU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：
   GRU→ CNN-GRU → BO-CNN-GRU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（GRU、CNN-BiLSTM、貝葉斯優化的CNN-GRU/BO-CNN-GRU）對北半球光伏數據進行時間序列預測