简介：这份资源面向计算机、电子信息工程、数学等专业的大学生及算法初学者，提供CNN-GRU卷积神经网络结合门控循环单元的多变量多步预测完整实现，重点应用于光伏功率预测场景，可支撑课程设计、期末大作业与毕业设计。压缩包共7个文件，约2.46MB，包含Matlab主程序与误差计算脚本、光伏数据集、训练模型文件及预测效果图，另附指标说明文档，结构紧凑、开箱即用。代码采用参数化编程，参数修改方便，思路清晰且注释详细，运行环境为Matlab2023及以上。程序输出预测图、误差图，并计算R2、MAE、MAPE、MSE、RMSE等评价指标，便于对比模型性能；文档还提示真实功率含零值时MAPE会趋于无穷大，需谨慎参考该指标。目前已有102人学习，适合希望快速复现CNN-GRU时序预测流程、理解多变量多步建模与误差评估的读者参考。

1. 光伏功率预测为什么死磕 CNN-GRU：从标题拆出可复现的落地路径

光伏电站最头疼的不是发电效率，而是功率的间歇性波动。云层飘过、温度骤变、组件积灰，都会让输出功率在分钟级尺度上剧烈抖动。电网调度需要提前知道未来几个小时甚至一整天的功率曲线，才能安排火电、储能和旋转备用。传统物理模型依赖数值天气预报和光电转换方程，参数多、标定难，遇到局部云团和季节性天气模式变化时经常翻车。CNN-GRU 多变量多步预测方案之所以被反复提及，是因为它把两个互补的能力拼到了一起：卷积神经网络负责从历史功率、辐照度、温度、湿度、风速等多变量序列里提取局部变化模式，门控循环单元负责把这些模式在时间轴上串起来，输出未来多个时间步的功率值。Matlab 完整源码和数据意味着这套东西不是论文里的公式堆砌，而是能直接跑起来、改参数、换数据、看结果的工程化实现。适合谁？做新能源功率预测的研究生、电站运维的数据分析员、以及想用 Matlab 快速验证深度学习时序方案但不想从零搭框架的工程师。下面按“数据怎么进、网络怎么搭、训练怎么调、坑怎么避”的顺序，把这条路径拆开讲透。

2. 多变量多步预测的数据管道：从原始气象到训练张量

2.1 光伏功率预测的输入变量到底选哪几个

多变量不是越多越好。我一般会先看数据源里有哪些字段，再按物理相关性筛。核心输入分三类：第一类是历史功率本身，这是最强的自回归特征，通常取过去 24 到 72 个时间点的功率值；第二类是气象变量，包括全局辐照度、直接辐照度、环境温度、组件温度、相对湿度、风速和风向；第三类是时间编码，把小时、星期、月份做正弦余弦变换，让网络能感知昼夜和季节周期。如果数据里有降雨量或云量，也值得加进去，但要注意缺失率。常见做法是先用皮尔逊相关系数筛一遍，保留与目标功率相关性绝对值大于 0.3 的变量，再结合领域知识做最终取舍。变量太多会引入噪声，太少又抓不住天气突变，我一般控制在 6 到 10 个输入通道。

2.2 滑动窗口构造多步预测样本的 Matlab 实现

多步预测的关键是把一条长序列切成“输入窗口”和“输出窗口”成对的样本。假设采样间隔 15 分钟，用过去 96 个点（24 小时）预测未来 16 个点（4 小时），滑动步长取 1。下面这段 Matlab 代码完成归一化、窗口切分和训练集/测试集划分。

% 假设 data 是 T×F 矩阵，T 为时间点，F 为特征列，最后一列是功率 % 参数设置 inputSteps = 96; % 输入窗口长度 outputSteps = 16; % 输出预测步长 stride = 1; % 滑动步长 % 归一化到 [0,1]，用 mapminmax 或手动计算 dataNorm = mapminmax(data', 0, 1)'; % 按列归一化后转置回来 numSamples = size(dataNorm, 1) - inputSteps - outputSteps + 1; X = zeros(numSamples, inputSteps, size(dataNorm,2)-1); Y = zeros(numSamples, outputSteps); for i = 1:numSamples X(i,:,:) = dataNorm(i:i+inputSteps-1, 1:end-1); % 输入不含功率 Y(i,:) = dataNorm(i+inputSteps:i+inputSteps+outputSteps-1, end)'; % 输出为功率 end % 按 7:3 划分训练和测试，不打乱以保持时间顺序 splitIdx = round(numSamples * 0.7); XTrain = X(1:splitIdx,:,:); YTrain = Y(1:splitIdx,:); XTest = X(splitIdx+1:end,:,:); YTest = Y(splitIdx+1:end,:);

逻辑说明：mapminmax把每个特征列缩放到 [0,1]，避免辐照度（几百）和温度（几十）量纲差异导致梯度爆炸。输入张量 X 的维度是 样本数 × 时间步 × 特征数，这是 Matlab 深度学习工具箱里sequenceInputLayer和conv1dLayer能直接吃的格式。输出 Y 只取功率列，因为预测目标就是功率。划分时不能随机打乱，否则时间泄漏会让测试集精度虚高，这是时序预测里最常见的翻车点之一。

参数说明：inputSteps决定网络能看多长的历史，96 对应 24 小时，覆盖完整昼夜周期；outputSteps决定预测跨度，16 对应 4 小时，适合日内调度；stride取 1 是为了最大化样本量，如果数据量太大可以取 4 或 8 来降采样。归一化参数必须用训练集计算，再应用到测试集，否则测试集信息会渗入训练。

2.3 训练集、验证集、测试集的时间切分边界

时序数据不能随机抽 20% 当验证集。正确做法是按时间顺序切三段：前 70% 训练，中间 15% 验证，最后 15% 测试。验证集用来早停和调超参，测试集只在最后跑一次。如果电站有多年数据，最好按季节分层，确保训练集和测试集都覆盖晴天、多云、雨天三种典型天气。我见过有人把全年数据随机打乱后划分，结果模型在测试集上 MAPE 只有 3%，上线后实际误差超过 20%，就是因为随机划分让相邻时间点的样本同时出现在训练和测试里，模型记住了“答案”而不是学会了预测。

3. CNN-GRU 网络结构在 Matlab 里的搭建与参数配置

3.1 一维卷积层提取多变量局部模式的作用与核参数选择

一维卷积在时序上的直觉是：用一个滑动窗口去扫描输入序列，检测某种局部波形是否出现。对光伏功率来说，这个波形可能是“辐照度快速上升”“温度骤降”“功率尖峰”等。卷积核大小决定感受野，我一般取 3 到 5，对应 45 分钟到 75 分钟的变化片段。核数量取 32 或 64，太少提取能力不足，太多容易过拟合。下面用 Matlab 的深度学习工具箱搭建 CNN-GRU 网络。

numFeatures = size(XTrain, 3); % 输入特征数 numResponses = outputSteps; % 输出步长 layers = [ sequenceInputLayer(numFeatures, 'Name', 'input') % 一维卷积块：提取局部变化模式 conv1dLayer(3, 32, 'Padding', 'same', 'Name', 'conv1') batchNormalizationLayer('Name', 'bn1') reluLayer('Name', 'relu1') conv1dLayer(3, 64, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer('Name', 'bn2') reluLayer('Name', 'relu2') % GRU 层：建模时间依赖 gruLayer(128, 'OutputMode', 'sequence', 'Name', 'gru1') dropoutLayer(0.2, 'Name', 'drop1') % 全连接输出多步预测 fullyConnectedLayer(numResponses, 'Name', 'fc') regressionLayer('Name', 'output') ];

逻辑说明：conv1dLayer(3, 32)表示核大小 3、输出通道 32，Padding same保证输出长度与输入一致，方便后面接 GRU。两个卷积块堆叠是为了增加非线性表达能力，第一层抓短时波动，第二层组合成更复杂的模式。batchNormalizationLayer放在卷积和激活之间，能加速收敛并降低对初始化的敏感度。gruLayer(128, 'OutputMode', 'sequence')输出整个序列，让后面的全连接层能一次性映射到 16 个预测步。如果OutputMode设成last，就只能输出最后一个时间步，没法做多步预测，这是新手常犯的配置错误。

参数说明：卷积核数量从 32 到 64 递增是常见做法，让网络先宽后窄地提取特征。GRU 隐藏单元数 128 是经验值，数据量小可以降到 64，数据量大可以升到 256。dropoutLayer(0.2)在训练时随机丢弃 20% 的 GRU 输出，抑制过拟合。全连接层输出维度必须等于outputSteps，否则回归层会报维度不匹配。

3.2 GRU 门控机制为什么比 LSTM 更适合这个场景

GRU 只有更新门和重置门两个门，LSTM 有输入门、遗忘门、输出门三个门。在光伏功率预测这种样本量通常几千到几万条的任务上，GRU 参数更少，训练更快，过拟合风险更低。更新门决定多少旧信息保留到当前状态，重置门决定多少旧信息被丢弃。直观理解：当天气从晴天转多云时，重置门会打开，让网络快速忘掉之前的晴朗模式；当天气稳定时，更新门会保持历史状态，避免输出抖动。Matlab 的gruLayer默认使用 sigmoid 激活门控、tanh 激活候选状态，这些默认值一般不用改。如果数据里有大量缺失值或突变点，可以尝试把gruLayer的StateActivationFunction改成tanh，但多数情况下默认配置就够用。

3.3 训练选项：学习率、批大小与早停策略的实操设置

网络搭好后，训练选项直接决定能不能收敛到可用精度。下面是一组我常用的配置。

options = trainingOptions('adam', ... 'MaxEpochs', 200, ... 'MiniBatchSize', 64, ... 'InitialLearnRate', 1e-3, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 50, ... 'LearnRateDropFactor', 0.5, ... 'ValidationData', {XVal, YVal}, ... 'ValidationFrequency', 30, ... 'ValidationPatience', 20, ... 'Shuffle', 'never', ... 'Plots', 'training-progress', ... 'Verbose', false); net = trainNetwork(XTrain, YTrain, layers, options);

逻辑说明：adam优化器对学习率不敏感，适合大多数时序任务。MiniBatchSize取 64 是显存和梯度稳定性的折中，数据量小可以降到 32。LearnRateSchedule设为piecewise，每 50 轮把学习率乘以 0.5，让训练后期更精细地逼近最优解。ValidationPatience设为 20，验证损失连续 20 次不下降就停止，避免无效训练。Shuffle必须设为never，因为时序数据的样本顺序不能打乱，否则 GRU 的状态传递就断了。

参数说明：MaxEpochs设 200 是上限，实际训练通常几十轮就早停了。InitialLearnRate从 1e-3 开始，如果损失曲线震荡剧烈就降到 1e-4，如果下降太慢就升到 5e-3。ValidationFrequency每 30 个迭代验证一次，太频繁会拖慢训练，太稀疏会错过最佳早停点。

4. 训练完怎么验证：多步预测的评估指标与结果解读

4.1 RMSE、MAE、MAPE 在光伏功率预测里各看什么

三个指标各有侧重。RMSE 对大误差敏感，适合评估是否存在严重偏离的预测点；MAE 反映平均绝对偏差，单位与功率相同，直观易懂；MAPE 是百分比误差，方便跨电站对比，但功率接近零时（夜间）会爆炸，所以通常只在白天功率大于额定容量 5% 的时段计算。我一般三个都报，但重点看白天时段的 RMSE 和 MAPE。如果 RMSE 很大但 MAE 正常，说明存在少数极端错误预测，需要检查是不是天气突变样本太少。如果 MAPE 在夜间异常高，不用慌，那是除零问题，把夜间时段剔掉再算。

4.2 用测试集画出预测曲线与误差分布

训练结束后，用predict函数在测试集上推理，然后画对比图。

YPred = predict(net, XTest, 'MiniBatchSize', 64); % 反归一化：用训练时保存的功率列归一化参数 % 假设 ps 是 mapminmax 对功率列的结构体 YPredInv = mapminmax('reverse', YPred', ps)'; YTestInv = mapminmax('reverse', YTest', ps)'; % 取第一个测试样本画 16 步预测对比 figure; plot(YTestInv(1,:), 'b-o', 'LineWidth', 1.5); hold on; plot(YPredInv(1,:), 'r--s', 'LineWidth', 1.5); legend('实际功率', '预测功率'); xlabel('预测步（15分钟/步）'); ylabel('功率'); title('CNN-GRU 多步预测对比'); grid on; % 计算白天时段指标 dayMask = YTestInv > 0.05 * max(YTestInv(:)); rmse = sqrt(mean((YPredInv(dayMask) - YTestInv(dayMask)).^2)); mae = mean(abs(YPredInv(dayMask) - YTestInv(dayMask))); mape = mean(abs((YPredInv(dayMask) - YTestInv(dayMask)) ./ YTestInv(dayMask))) * 100; fprintf('RMSE=%.4f, MAE=%.4f, MAPE=%.2f%%\n', rmse, mae, mape);

逻辑说明：predict的输出是归一化后的值，必须用训练集的归一化参数反变换回原始量纲，否则指标没有物理意义。dayMask筛掉夜间低功率点，避免 MAPE 被除零拉爆。画图时取单个样本的 16 步预测，能直观看到模型是“跟得上”还是“滞后”。如果预测曲线整体滞后实际曲线一两个步长，说明输入窗口不够长或 GRU 隐藏单元太少。

参数说明：MiniBatchSize在推理时可以设大一些，比如 128 或 256，加快速度。dayMask的阈值 5% 是经验值，可以根据电站装机容量调整。如果 MAPE 在 10% 以内，这套模型基本可用于日内调度参考；如果超过 15%，需要回头检查数据质量或增加训练样本。

5. 避坑与排查：CNN-GRU 光伏预测最常见的五个翻车点

5.1 损失降到很低但测试集一塌糊涂

现象：训练损失曲线一路下降，验证损失也还行，但测试集 RMSE 是训练集的 3 倍以上。原因：最常见的是数据泄漏，比如归一化时用了全量数据的最大最小值，或者随机打乱划分了时序样本。解决：归一化参数只用训练集计算，划分严格按时间顺序，验证集取训练集之后、测试集之前的一段。另一个可能是模型记住了训练集的噪声，把 dropout 从 0.2 提高到 0.3 或 0.4，同时减小 GRU 隐藏单元数。

5.2 多步预测结果全部趋近于一条直线

现象：不管输入什么，网络输出的 16 个步长几乎一样，像是把平均值复制了 16 遍。原因：回归层用 MSE 损失时，如果输出步长之间没有足够的区分度，网络会倾向于输出条件均值来最小化损失。解决：在损失函数里加入对输出序列方差的惩罚，或者改用huber损失降低对均值的偏好。另一个办法是把outputSteps减小，先做 4 步预测，等模型能区分不同步长后再增加到 16 步。

5.3 训练到一半损失突然变成 NaN

现象：训练进度图里损失曲线突然跳到 NaN，之后再也降不下来。原因：学习率太大导致梯度爆炸，或者数据里有 Inf/NaN 值没清理。解决：先把InitialLearnRate降到 1e-4，并开启梯度裁剪。Matlab 的trainingOptions没有直接的梯度裁剪参数，但可以在gruLayer之前加sequenceFoldingLayer配合自定义训练循环，或者简单地把学习率降一个数量级。同时用sum(isnan(data(:)))检查原始数据，把缺失值用前后均值填充。

5.4 换一个电站数据就完全不能用

现象：在 A 电站训练好的模型，直接拿到 B 电站推理，误差大得离谱。原因：不同电站的装机容量、组件类型、朝向、采样间隔都不同，归一化后的数值分布差异很大。解决：迁移时至少要用 B 电站最近一个月的数据做微调，冻结卷积层只训练 GRU 和全连接层。如果 B 电站数据量足够，直接重新训练更稳妥。跨电站泛化是当前研究的难点，不要指望一个模型打天下。

5.5 预测曲线在天气突变时严重滞后

现象：晴天转多云时，实际功率已经掉下来了，预测曲线还在高位维持两三个步长。原因：GRU 的更新门偏向保留历史状态，对突变响应慢。解决：在输入里加入辐照度的差分特征，让网络提前感知变化率；或者把输入窗口从 96 缩短到 48，减少历史依赖；还可以在卷积层前加一个sequenceInputLayer的Normalization设为zscore，让突变点在数值上更突出。

6. 把 CNN-GRU 用出工程价值：从单点预测到滚动修正

模型训练完、指标达标，只是第一步。真正上线时，我习惯加一层滚动修正：每过 15 分钟，用最新实测功率替换输入窗口里最旧的那个点，重新推理一次未来 16 步。这样模型能持续吸收最新信息，而不是每 4 小时才更新一次。Matlab 里用一个循环就能实现。

% 滚动预测示例：每次新数据到来时更新输入窗口 persistent inputBuffer; % 维护一个 inputSteps×numFeatures 的缓冲区 if isempty(inputBuffer) inputBuffer = XTest(1,:,:); % 初始化 end % 新数据 newPoint 是 1×numFeatures inputBuffer = [inputBuffer(2:end,:,:); reshape(newPoint,1,1,[])]; % 推理 YPredRoll = predict(net, inputBuffer, 'MiniBatchSize', 1);

逻辑说明：inputBuffer保持固定长度，新点进来就把最旧的点挤出去，保证输入窗口始终是最新的 24 小时。reshape(newPoint,1,1,[])把单点数据整理成网络能接受的 1×1×特征数 格式。这样每次推理只算一个样本，延迟很低，适合嵌入式或边缘部署。

参数说明：滚动周期与采样间隔一致，15 分钟一次。如果计算资源紧张，可以每 4 个点滚动一次，即 1 小时更新一次预测。缓冲区初始化时可以用训练集最后一个窗口，避免冷启动。

另一个技巧是集成多个模型。训练 3 到 5 个不同随机种子或不同卷积核大小的 CNN-GRU，推理时取平均。单模型 MAPE 可能在 8% 到 12% 之间波动，集成后通常能降到 6% 到 9%，而且对天气突变的鲁棒性更好。代价是推理时间翻几倍，但对 15 分钟级的调度任务来说完全可接受。

我自己的习惯是：每次换数据集，先跑一遍基线，把 RMSE 和 MAPE 记在笔记本上，然后只改一个参数，看指标往哪个方向动。改完一轮再决定下一轮动什么。这套 CNN-GRU 代码我前后调了三个月，最大的教训是别迷信复杂结构，先把数据管道和归一化做对，比加层数有用得多。希望帮到你。

本文还有配套的精品资源，点击获取