MATLAB实现基于类别梯度提升模型（CatBoost）进行电动汽车（EV）充电负荷预测的详细项目实例
项目背景介绍
电动汽车充电负荷预测是智慧交通与新型电力系统融合中的关键问题。随着电动汽车保有量快速增长，公共充电站、园区慢充桩、城市快充网络以及高速服务区补能设施的规模持续扩大，充电行为逐渐从“少量、分散、偶发”转向“高频、集中、波动显著”。这种变化使得电网侧、运营侧与用户侧都面临更复杂的调度压力：一方面，充电负荷会直接影响配电网的峰谷差、线路拥塞、台区变压器温升以及局部电压波动；另一方面，充电站运营者需要据此安排充电桩分配、排队策略、储能充放电计划与电价引导机制。如果缺乏准确预测，充电站容易出现高峰时段排队过长、设备过载、空闲时段利用率低等问题，电网也容易出现负荷尖峰叠加、局部容量不足和运行风险上升等现象。因此，构建高精度、可落地、具备工程适应性的EV充电负荷预测模型，已经成为能源互联网与智慧出行协同发展的核心研究方向之一。
从数据特征看，EV充电负荷具有明显的非线性、强时序性、季节性、突发性和多因素耦合特征。其形成机制不仅与历史负荷自身相关，还与节假日、工作日类型、气温、降雨、空气湿度、昼夜时段、周末出行习惯、地区交通热度、站点地理属性、价格策略以及用户群体结构密切相关。不同充电站的规律差异也非常明显：写字楼附近站点在工作日白天更活跃，住宅区站点在晚间和夜间更集中，商圈站点受周末和节假日影响更大，高速站点则与长途出行潮汐特征强相关。这意味着简单的线性模型往往难以刻画复杂映射关系，传统时间序列模型在遇到突发波动、非平稳分布和多源变量交互时也容易失效。因此，需要采用能够处理类别特征、非线性关系和特征交互的机器学习方法，构建更加鲁棒的预测框架。
在众多方法中，CatBoost 具有天然优势。CatBoost 属于类别梯度提升决策树模型，能够有效处理类别型特征，并通过有序提升机制与目标统计编码策略降低目标泄漏风险，减少过拟合，提升泛化能力。对于EV充电负荷预测而言，很多输入变量本身就包含类别信息，例如星期几、是否节假日、月份、季节类型、天气类型、站点类型、区域类型、充电时段类别等。CatBoost 不仅能够直接利用这些类别特征，而且在处理混合型数据时通常比普通提升树和部分深度学习模型更稳定。尤其在样本规模不是极端庞大、特征结构较复杂、类别变量较多的实际项目中，CatBoost 常常能在预测精度、训练速度与工程可实施性之间取得较好的平衡。
从项目实施角度看，MATLAB 具备完整的数据处理、建模、评估和可视化能力，适合构建一体化的EV充电负荷预测原型系统。借助 MATLAB，可以完成数据清洗、缺失值修复、异常点处理、特征构造、训练集与测试集划分、模型训练、参数调优、误差评估以及结果展示，并能够较方便地与仿真平台、控制系统或能源管理平台对接。MATLAB R2025b 在机器学习与可视化方面继续保持较强的工程可用性，但在具体实现时必须注意版本差异，例如部分界面控件与机器学习接口参数存在变化，绘图对象属性也有更新。因此，项目设计需要严格贴合 R2025b 的可执行语法，避免因版本不兼容导致的运行错误。
EV充电负荷预测不仅是一个纯粹的数据建模任务，更是一个面向真实场景的综合工程问题。其价值体现在多个层面：在电网运行层面，可以用于日前或日内负荷预警、配变容量评估、削峰填谷决策和分布式能源协同调度；在运营管理层面，可以用于充电桩资源配置、排队引导、动态电价制定、储能系统调度以及站点扩容规划；在用户服务层面，可以用于充电等待时间估计、推荐最优充电时段、优化路径补能安排以及提升充电体验；在城市治理层面，可以用于分析区域电动汽车发展趋势、评估基础设施覆盖水平、辅助交通与能源一体化规划。由此可见，基于CatBoost的EV充电负荷预测不仅具有较高的研究价值，也具有十分明确的产业落地意义。
在项目实施过程中，还需要面对数据质量不均、时间粒度不统一、特征维度多、类别编码复杂、数据分布漂移以及评价指标选择等现实问题。充电负荷数据可能存在缺失、重复、异常尖峰或采集延迟，天气与节假日信息可能来自不同来源，时间戳对齐和数据融合难度较高。若处理不当，模型即使训练误差很低，也可能在真实场景中失去稳定性。基于此，本项目需要建立一套完整的数据预处理、特征构造、模型训练与调优评估流程，并结合MATLAB中可实现的CatBoost替代方案或接口方式，形成可复现、可解释、可扩展的工程化预测实例，从而为后续扩展到多站点、多区域、短时滚动预测和智能调度奠定基础。
项目目标与意义
提升EV充电负荷预测精度
项目的首要目标是提升电动汽车充电负荷预测精度，使模型能够更准确地刻画历史负荷与多源外部因素之间的复杂关系。传统方法在面对充电负荷这种强非线性、强波动、强类别依赖的数据时，往往存在拟合能力不足的问题，特别是在节假日、极端天气、促销活动或交通高峰时段，误差容易明显放大。CatBoost 通过梯度提升思想逐步优化残差，并对类别特征进行高效编码，可显著增强模型对复杂模式的捕捉能力。精度提升后，预测结果更接近真实负荷曲线，有助于减少误判和调度偏差，使电网运营和充电站管理更具主动性与前瞻性。
支撑电网安全稳定运行
EV充电负荷的快速增长会给配电网带来更高压力，尤其在配变容量接近上限、站点集中接入或高峰期负荷叠加时，容易引发局部过载、电压越限和供电可靠性下降。项目的重要意义在于通过负荷预测提前识别高风险时段和高风险区域，从而为网侧容量评估、线路改造、储能配置以及需求响应提供依据。预测结果越准确，电网调度越能够在时间上提前干预，在空间上精准定位风险点，避免事后被动处理。对于新型电力系统而言，这类前瞻性负荷预测已经成为保障安全运行的重要基础能力。
优化充电运营与资源配置
充电站运营侧需要根据负荷变化动态安排充电桩使用、排队规则、储能调度和服务人员配置。若无法提前掌握负荷走势，站点容易出现高峰拥堵与低谷闲置并存的问题，直接影响用户体验与资产收益。借助CatBoost预测模型，可以对未来短时段或日内负荷进行估计，帮助运营方合理安排设备开放数量、优化充电价格策略、引导错峰充电并提高整体利用率。通过精细化预测，充电运营不再依赖经验判断，而是转向数据驱动决策，从而提升资源配置效率和经营稳定性。
促进交通能源融合发展
电动汽车不仅是交通工具，也是移动式负荷单元和潜在的灵活调节资源。充电负荷预测能够为交通与能源融合提供重要数据支撑，使城市管理者更清晰地了解车辆补能需求与区域能源压力之间的耦合关系。通过预测结果，可以辅助制定站点布局方案、优化道路沿线补能设施、识别高需求区域并推动“车-桩-网”协同规划。该能力对建设智慧城市、低碳交通体系和高比例新能源消纳体系具有现实意义，能够促进交通系统与电力系统之间的联动优化。
提升模型工程化与可复用性
本项目不仅关注单次预测结果，还关注模型在真实工程中的部署价值。通过MATLAB R2025b实现完整的数据处理、训练、评估和展示过程，可以形成一套可复用的建模流程，便于后续扩展到不同站点、不同时间尺度和不同区域场景。工程化目标的意义在于：使算法从研究性工具转化为可执行方案，减少人工重复劳动，提高模型迭代效率，并为后续接入实时数据流、自动重训练机制和可视化监控界面打下基础。对于企业应用和研究验证而言，这种可复用的流程化设计具有很强的实践价值。
项目挑战及解决方案
多源数据异构与时间对齐困难
EV充电负荷预测常常涉及负荷记录、天气信息、节假日标记、站点属性、区域类型和时间属性等多源数据，这些数据往往来自不同系统，格式不一致、采样频率不同、字段命名不统一，且存在缺失与重复记录。时间对齐成为首要难点，例如负荷数据按15分钟采样，而天气数据按小时更新，节假日信息按日期记录，若直接拼接容易造成特征错位。解决方案是建立统一时间轴，对所有数据进行时间戳标准化、重采样与映射关联，并在MATLAB中使用表格类型进行数据融合，按日期、时段、站点编号进行主键匹配。对于缺失值，可采用邻近时段插值、均值填充或基于季节分组的局部填补方式，保证输入特征在时序上连续稳定。这样才能避免因数据错位导致模型学习失真。
类别特征多且交互关系复杂
充电负荷受星期、月份、季节、天气类型、站点类型、是否节假日等大量类别变量影响，这些变量之间常常存在交互作用，例如“工作日+雨天+商业区站点”与“周末+晴天+住宅区站点”的负荷模式明显不同。若采用普通数值回归或粗糙编码，模型难以充分利用类别信息。解决方案是利用 CatBoost 对类别特征的原生支持能力，让模型在训练过程中自动处理类别编码，并通过有序目标统计减少目标泄漏。此外，可以构造交叉特征，如“星期几×是否节假日”“站点类型×时段类型”等，以提升模型对复杂场景的表达能力。通过这种方式，模型不仅能识别单个类别变量的影响，还能学习到更深层次的组合规律，显著提升预测能力。
模型泛化能力与过拟合风险
EV充电负荷数据通常具有明显的时序依赖和区域差异，某些时段样本充足，而极端情况样本较少，模型容易对常见模式学习过深，却对稀有场景泛化不足。CatBoost 虽然具备较强的抗过拟合能力，但在特征过多、噪声较强或参数设置不合理时，仍可能出现训练效果好而测试效果下降的问题。解决方案包括：合理划分训练集、验证集和测试集，采用时间顺序切分避免未来信息泄露；限制树深、叶子数和学习率，控制模型复杂度；使用早停机制监控验证误差；在评价指标上同时关注 MAE、RMSE 和 MAPE，避免单一指标失真；必要时采用滚动窗口验证方式检验模型稳定性。通过这些方法，可以更好地平衡拟合能力与泛化能力。
项目模型架构
数据输入层
数据输入层负责接收EV充电负荷历史记录及其相关外部特征，包括时间戳、站点编号、充电功率、负荷总量、温度、湿度、降雨、风速、星期类型、节假日标记、季节标签和站点属性等。该层的核心作用是将分散在不同来源的数据统一组织为结构化表格。对于MATLAB实现而言，通常使用 table 作为基础数据容器，便于处理混合类型变量。时间型变量需要转换为 datetime，再进一步提取小时、星期、月份、是否工作日等派生特征。类别变量保持为 categorical，以便后续模型直接识别。输入层的质量决定整个系统的上限，如果字段缺失、格式错误或时间错位，后续建模将受到显著影响，因此该层必须完成一致性校验、缺失检查和格式标准化。
数据预处理层
数据预处理层承担清洗、修复与转换任务，是提升模型性能的重要环节。原始充电数据中可能存在异常尖峰、计量偏差、采集间隔不均、缺失片段以及重复记录。该层需要通过规则筛查、统计阈值判断或滑动窗口策略识别异常点，再采用中位数修正、邻近插值或局部平滑方法处理。对于数值型变量，可根据需要进行标准化或归一化，但CatBoost对数值特征并不强制要求缩放，因此通常保留原始尺度以增强可解释性。类别型变量则应统一编码格式并转为 categorical。预处理层的基本原理是尽可能减少噪声对梯度提升树分裂过程的干扰，同时保留真实波动特征，使模型更准确地学习到负荷变化规律。
特征工程层
特征工程层决定模型能否从原始数据中提取出更有判别力的信息。除了基础时间特征和环境特征外，还可以构造滞后特征、滑动均值特征、同比或环比特征、峰谷标记特征、站点历史均值特征以及节假日前后特征。对于充电负荷预测，时序上下文非常重要，因此可加入前一时刻、前四个时刻、前一天同一时段的负荷作为输入，以增强对短期动态变化的刻画能力。类别特征之间也可进行组合，例如“时段类别+天气类别”或“站点类别+星期类别”，帮助模型捕捉更复杂的交互关系。其基本原理是通过人为引入更具信息量的表达，让模型更容易找到高质量分裂点，从而提升树模型的学习效率和预测精度。
CatBoost训练层
CatBoost训练层是整个架构的核心，基于梯度提升决策树逐步拟合残差。其基本思想是构建一组弱学习器，每一棵树都在前一轮模型残差的基础上继续优化，最终多个弱树加和形成强预测器。CatBoost的关键优势在于对类别特征的高效处理，以及对目标泄漏的抑制。其有序提升机制使用随机排列和历史统计信息，避免当前样本标签直接参与自身编码，从而降低过拟合风险。对于充电负荷预测这种类别变量占比较高的数据，CatBoost可以比许多传统树模型更稳健。训练层中可通过调节树深、学习率、迭代次数、L2正则强度和损失函数类型来控制模型复杂度，并根据验证集表现进行早停，避免过度训练。
结果评估与输出层
结果评估与输出层负责对预测性能进行量化分析，并将结果可视化呈现。常用指标包括 MAE、RMSE、MAPE 和决定系数 R²，其中 MAE 反映平均绝对偏差，RMSE 对大误差更敏感，MAPE 便于理解相对误差水平，R²则衡量拟合程度。除数值指标外，还应绘制真实值与预测值对比曲线、残差分布图、误差直方图以及不同时间段的预测效果图，以观察模型是否存在系统性偏差。该层的基本原理是通过多维度评价检验模型是否真正具备工程价值，而不仅仅是在训练集上表现良好。输出层还可进一步将预测结果导出为表格，供电网调度、充电运营或上层优化系统调用，实现数据驱动决策闭环。
项目模型描述及代码示例
数据生成与整理 rng(2025); % 固定随机种子，保证示例结果可复现 nDays = 180; % 设置样本覆盖天数，模拟半年充电负荷变化 t = (datetime(2025,1,1,0,0,0):hours(1):datetime(2025,1,1,0,0,0)+hours(24*nDays-1))'; % 生成按小时采样的时间序列 n = numel(t); % 计算总样本数，作为后续建模的时间点数量 Hour = hour(t); % 提取小时特征，用于刻画昼夜充电规律 WeekDay = weekday(t); % 提取星期特征，用于识别工作日与周末差异 Month = month(t); % 提取月份特征，用于表达季节变化影响 IsWeekend = categorical(ismember(WeekDay,[1 7])); % 构造周末类别特征，反映周末出行与充电习惯 IsHoliday = categorical(rand(n,1) < 0.08); % 构造节假日标记，模拟假日负荷波动 Temp = 18 + 10*sin(2*pi*(Hour/24)) + 6*sin(2*pi*(Month/12)) + randn(n,1)*1.5; % 构造气温特征，体现日周期与月周期变化 Humidity = 55 + 18*cos(2*pi*(Hour/24)) + randn(n,1)*4; % 构造湿度特征，模拟天气对充电行为的间接影响 WeatherType = categorical(randi([1 4],n,1)); % 构造天气类别，表示晴、阴、雨、雪等类型 StationType = categorical(randi([1 3],n,1)); % 构造站点类型，表示住宅、商业、交通枢纽等属性 LoadLag1 = [NaN; zeros(n-1,1)]; % 预留一阶滞后特征的存储位置，用于承接前一时刻负荷 baseLoad = 120 + 35*sin(2*pi*(Hour/24-0.2)) + 18*cos(2*pi*(WeekDay/7)) + 0.9*Temp - 0.25*Humidity; % 构造基础负荷响应项，模拟多因素共同作用 holidayEffect = double(IsHoliday=='true') * 25; % 构造节假日附加负荷效应，增强节假日峰值 weekendEffect = double(IsWeekend=='true') * 12; % 构造周末附加负荷效应，体现休闲出行带来的变化 weatherEffect = zeros(n,1); % 初始化天气效应变量，便于逐条赋值 weatherEffect(WeatherType=='1') = 8; % 晴天对充电负荷的轻微促进效应 weatherEffect(WeatherType=='2') = 2; % 阴天对负荷影响较弱 weatherEffect(WeatherType=='3') = -6; % 雨天抑制部分外出充电需求 weatherEffect(WeatherType=='4') = -10; % 雪天进一步降低部分时段出行与充电 StationEffect = zeros(n,1); % 初始化站点类型效应，用于不同场景负荷差异 StationEffect(StationType=='1') = 10; % 住宅站点晚间与夜间需求更高 StationEffect(StationType=='2') = 22; % 商业站点白天活跃度较高 StationEffect(StationType=='3') = 16; % 交通枢纽站点呈现明显潮汐变化 noise = randn(n,1)*8; % 构造随机扰动项，模拟真实采集波动 Load = baseLoad + holidayEffect + weekendEffect + weatherEffect + StationEffect + noise; % 生成目标负荷变量，形成完整预测对象 Load(Load < 0) = 0; % 约束负荷非负，保证物理意义合理 LoadLag1(2:end) = Load(1:end-1); % 构造一阶滞后负荷特征，体现时序相关性 data = table(t,Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1,Load); % 汇总为表格，便于MATLAB统一处理 data = rmmissing(data); % 删除缺失行，确保训练数据完整 save('ev_charge_load_data.mat','data'); % 保存为MAT文件，便于后续复现实验与重复调用 特征类型转换与数据划分 load('ev_charge_load_data.mat','data'); % 载入已保存的数据集，继续进行建模 data.WeekDay = categorical(data.WeekDay); % 将星期变量转为类别型，便于CatBoost识别离散模式 data.Month = categorical(data.Month); % 将月份变量转为类别型，表达季节性分组 data.Hour = categorical(data.Hour); % 将小时变量转为类别型，避免强行线性化时段差异 idx = randperm(height(data)); % 随机打乱样本索引，用于构造训练与测试子集 nTrain = round(0.7*height(data)); % 设定训练集比例为70%，保留足够样本用于验证 trainIdx = idx(1:nTrain); % 提取训练集索引 testIdx = idx(nTrain+1:end); % 提取测试集索引 trainTbl = data(trainIdx,:); % 生成训练表 testTbl = data(testIdx,:); % 生成测试表 predictorNames = {'Hour','WeekDay','Month','IsWeekend','IsHoliday','Temp','Humidity','WeatherType','StationType','LoadLag1'}; % 指定输入特征名称 responseName = 'Load'; % 指定目标变量名称 XTrain = trainTbl(:,predictorNames); % 提取训练特征表 yTrain = trainTbl.(responseName); % 提取训练目标向量 XTest = testTbl(:,predictorNames); % 提取测试特征表 yTest = testTbl.(responseName); % 提取测试目标向量 CatBoost接口建模 cb = py.importlib.import_module('catboost'); % 调用Python中的CatBoost库，构建MATLAB与CatBoost的桥接 np = py.importlib.import_module('numpy'); % 调用NumPy用于数组转换与传递 pd = py.importlib.import_module('pandas'); % 调用Pandas用于表格化输入，方便CatBoost处理类别特征 XTrainPy = pd.DataFrame(); % 初始化Python训练特征表 for k = 1:numel(predictorNames) % 遍历每个输入变量 name = predictorNames{k}; % 读取当前变量名 col = XTrain.(name); % 取出当前列数据 if iscategorical(col) % 判断是否为类别变量 XTrainPy.(name) = py.list(cellstr(col)); % 将类别转为字符串列表，供CatBoost识别 else % 如果是数值变量 XTrainPy.(name) = py.list(num2cell(double(col))); % 将数值转为Python列表 end % 结束条件判断 end % 结束特征列循环 yTrainPy = py.list(num2cell(double(yTrain))); % 将训练目标转为Python列表 XTestPy = pd.DataFrame(); % 初始化测试特征表 for k = 1:numel(predictorNames) % 遍历每个输入变量 name = predictorNames{k}; % 读取当前变量名 col = XTest.(name); % 取出当前列数据 if iscategorical(col) % 判断是否为类别变量 XTestPy.(name) = py.list(cellstr(col)); % 转为字符串列表，便于测试预测 else % 如果是数值变量 XTestPy.(name) = py.list(num2cell(double(col))); % 转为数值列表 end % 结束条件判断 end % 结束测试列循环 params = py.dict(); % 创建CatBoost参数字典 params{'iterations'} = int32(400); % 设置树的迭代轮数 params{'learning_rate'} = 0.05; % 设置学习率，控制每轮更新幅度 params{'depth'} = int32(6); % 设置树深，控制模型复杂度 params{'loss_function'} = 'RMSE'; % 设置回归损失函数为均方根误差 params{'verbose'} = false; % 关闭训练过程冗余输出，提升运行简洁度 params{'random_seed'} = int32(2025); % 设置随机种子，保证结果一致性 catFeatures = py.list({'Hour','WeekDay','Month','IsWeekend','IsHoliday','WeatherType','StationType'}); % 指定类别特征名，帮助CatBoost自动处理离散变量 model = cb.CatBoostRegressor(params); % 创建CatBoost回归器 model.fit(XTrainPy, py.array.array('d', yTrainPy), pyargs('cat_features', catFeatures)); % 使用训练数据拟合模型 yPredPy = model.predict(XTestPy); % 对测试集进行预测 yPred = double(py.array.array('d', yPredPy)); % 将Python预测结果转回MATLAB数值向量 评价指标计算 mae = mean(abs(yTest - yPred)); % 计算平均绝对误差，反映平均偏差大小 rmse = sqrt(mean((yTest - yPred).^2)); % 计算均方根误差，强调大误差影响 mape = mean(abs((yTest - yPred)./max(yTest,1e-6)))*100; % 计算平均绝对百分比误差，避免除零问题 r2 = 1 - sum((yTest - yPred).^2)/sum((yTest - mean(yTest)).^2); % 计算决定系数，衡量解释能力 metrics = table(mae,rmse,mape,r2); % 汇总评价指标，便于结果展示 disp(metrics); % 输出指标表，查看模型性能 结果可视化与误差分析 fig1 = figure('Color','w','Position',[120 120 1100 500]); % 创建白底图窗，用于展示预测曲线 plot(yTest,'k-','LineWidth',1.5); % 绘制真实负荷曲线，使用黑色实线 hold on; % 保持当前坐标轴，叠加预测结果 plot(yPred,'r-','LineWidth',1.5); % 绘制预测负荷曲线，使用红色实线 legend('真实负荷','CatBoost预测负荷','Location','best'); % 添加图例，区分两条曲线 xlabel('测试样本序号'); % 设置横轴名称，表示样本顺序 ylabel('充电负荷'); % 设置纵轴名称，表示负荷大小 title('EV充电负荷真实值与预测值对比'); % 设置图题，说明图像内容 grid on; % 显示网格，便于观察波动差异 fig2 = figure('Color','w','Position',[150 150 900 420]); % 创建第二个图窗，用于展示残差分布 residual = yTest - yPred; % 计算残差，分析预测偏差 histogram(residual,30,'FaceColor',[0.2 0.6 0.8],'EdgeColor','none'); % 绘制残差直方图，观察误差集中情况 xlabel('残差'); % 设置横轴名称，表示真实值减预测值 ylabel('频数'); % 设置纵轴名称，表示出现次数 title('CatBoost预测残差分布'); % 设置图题，便于判断误差是否近似对称 grid on; % 打开网格，提升可读性数据生成与整理
rng(2025); % 固定随机种子，保证示例结果可复现
nDays = 180; % 设置样本覆盖天数，模拟半年充电负荷变化
t = (datetime(2025,1,1,0,0,0):hours(1):datetime(2025,1,1,0,0,0)+hours(24*nDays-1))'; % 生成按小时采样的时间序列
n = numel(t); % 计算总样本数，作为后续建模的时间点数量
Hour = hour(t); % 提取小时特征，用于刻画昼夜充电规律
WeekDay = weekday(t); % 提取星期特征，用于识别工作日与周末差异
Month = month(t); % 提取月份特征，用于表达季节变化影响
IsWeekend = categorical(ismember(WeekDay,[1 7])); % 构造周末类别特征，反映周末出行与充电习惯
IsHoliday = categorical(rand(n,1) < 0.08); % 构造节假日标记，模拟假日负荷波动
Temp = 18 + 10*sin(2*pi*(Hour/24)) + 6*sin(2*pi*(Month/12)) + randn(n,1)*1.5; % 构造气温特征，体现日周期与月周期变化
Humidity = 55 + 18*cos(2*pi*(Hour/24)) + randn(n,1)*4; % 构造湿度特征，模拟天气对充电行为的间接影响
WeatherType = categorical(randi([1 4],n,1)); % 构造天气类别，表示晴、阴、雨、雪等类型
StationType = categorical(randi([1 3],n,1)); % 构造站点类型，表示住宅、商业、交通枢纽等属性
LoadLag1 = [NaN; zeros(n-1,1)]; % 预留一阶滞后特征的存储位置，用于承接前一时刻负荷
baseLoad = 120 + 35*sin(2*pi*(Hour/24-0.2)) + 18*cos(2*pi*(WeekDay/7)) + 0.9*Temp - 0.25*Humidity; % 构造基础负荷响应项，模拟多因素共同作用
holidayEffect = double(IsHoliday=='true') * 25; % 构造节假日附加负荷效应，增强节假日峰值
weekendEffect = double(IsWeekend=='true') * 12; % 构造周末附加负荷效应，体现休闲出行带来的变化
weatherEffect = zeros(n,1); % 初始化天气效应变量，便于逐条赋值
weatherEffect(WeatherType=='1') = 8; % 晴天对充电负荷的轻微促进效应
weatherEffect(WeatherType=='2') = 2; % 阴天对负荷影响较弱
weatherEffect(WeatherType=='3') = -6; % 雨天抑制部分外出充电需求
weatherEffect(WeatherType=='4') = -10; % 雪天进一步降低部分时段出行与充电
StationEffect = zeros(n,1); % 初始化站点类型效应，用于不同场景负荷差异
StationEffect(StationType=='1') = 10; % 住宅站点晚间与夜间需求更高
StationEffect(StationType=='2') = 22; % 商业站点白天活跃度较高
StationEffect(StationType=='3') = 16; % 交通枢纽站点呈现明显潮汐变化
noise = randn(n,1)*8; % 构造随机扰动项，模拟真实采集波动
Load = baseLoad + holidayEffect + weekendEffect + weatherEffect + StationEffect + noise; % 生成目标负荷变量，形成完整预测对象
Load(Load < 0) = 0; % 约束负荷非负，保证物理意义合理
LoadLag1(2:end) = Load(1:end-1); % 构造一阶滞后负荷特征，体现时序相关性
data = table(t,Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1,Load); % 汇总为表格，便于MATLAB统一处理
data = rmmissing(data); % 删除缺失行，确保训练数据完整
save('ev_charge_load_data.mat','data'); % 保存为MAT文件，便于后续复现实验与重复调用
特征类型转换与数据划分
load('ev_charge_load_data.mat','data'); % 载入已保存的数据集，继续进行建模
data.WeekDay = categorical(data.WeekDay); % 将星期变量转为类别型，便于CatBoost识别离散模式
data.Month = categorical(data.Month); % 将月份变量转为类别型，表达季节性分组
data.Hour = categorical(data.Hour); % 将小时变量转为类别型，避免强行线性化时段差异
idx = randperm(height(data)); % 随机打乱样本索引，用于构造训练与测试子集
nTrain = round(0.7*height(data)); % 设定训练集比例为70%，保留足够样本用于验证
trainIdx = idx(1:nTrain); % 提取训练集索引
testIdx = idx(nTrain+1:end); % 提取测试集索引
trainTbl = data(trainIdx,:); % 生成训练表
testTbl = data(testIdx,:); % 生成测试表
predictorNames = {'Hour','WeekDay','Month','IsWeekend','IsHoliday','Temp','Humidity','WeatherType','StationType','LoadLag1'}; % 指定输入特征名称
responseName = 'Load'; % 指定目标变量名称
XTrain = trainTbl(:,predictorNames); % 提取训练特征表
yTrain = trainTbl.(responseName); % 提取训练目标向量
XTest = testTbl(:,predictorNames); % 提取测试特征表
yTest = testTbl.(responseName); % 提取测试目标向量
CatBoost接口建模
cb = py.importlib.import_module('catboost'); % 调用Python中的CatBoost库，构建MATLAB与CatBoost的桥接
np = py.importlib.import_module('numpy'); % 调用NumPy用于数组转换与传递
pd = py.importlib.import_module('pandas'); % 调用Pandas用于表格化输入，方便CatBoost处理类别特征
XTrainPy = pd.DataFrame(); % 初始化Python训练特征表
for k = 1:numel(predictorNames) % 遍历每个输入变量
name = predictorNames{k}; % 读取当前变量名
col = XTrain.(name); % 取出当前列数据
if iscategorical(col) % 判断是否为类别变量
XTrainPy.(name) = py.list(cellstr(col)); % 将类别转为字符串列表，供CatBoost识别
else % 如果是数值变量
XTrainPy.(name) = py.list(num2cell(double(col))); % 将数值转为Python列表
end % 结束条件判断
end % 结束特征列循环
yTrainPy = py.list(num2cell(double(yTrain))); % 将训练目标转为Python列表
XTestPy = pd.DataFrame(); % 初始化测试特征表
for k = 1:numel(predictorNames) % 遍历每个输入变量
name = predictorNames{k}; % 读取当前变量名
col = XTest.(name); % 取出当前列数据
if iscategorical(col) % 判断是否为类别变量
XTestPy.(name) = py.list(cellstr(col)); % 转为字符串列表，便于测试预测
else % 如果是数值变量
XTestPy.(name) = py.list(num2cell(double(col))); % 转为数值列表
end % 结束条件判断
end % 结束测试列循环
params = py.dict(); % 创建CatBoost参数字典
params{'iterations'} = int32(400); % 设置树的迭代轮数
params{'learning_rate'} = 0.05; % 设置学习率，控制每轮更新幅度
params{'depth'} = int32(6); % 设置树深，控制模型复杂度
params{'loss_function'} = 'RMSE'; % 设置回归损失函数为均方根误差
params{'verbose'} = false; % 关闭训练过程冗余输出，提升运行简洁度
params{'random_seed'} = int32(2025); % 设置随机种子，保证结果一致性
catFeatures = py.list({'Hour','WeekDay','Month','IsWeekend','IsHoliday','WeatherType','StationType'}); % 指定类别特征名，帮助CatBoost自动处理离散变量
model = cb.CatBoostRegressor(params); % 创建CatBoost回归器
model.fit(XTrainPy, py.array.array('d', yTrainPy), pyargs('cat_features', catFeatures)); % 使用训练数据拟合模型
yPredPy = model.predict(XTestPy); % 对测试集进行预测
yPred = double(py.array.array('d', yPredPy)); % 将Python预测结果转回MATLAB数值向量
评价指标计算
mae = mean(abs(yTest - yPred)); % 计算平均绝对误差，反映平均偏差大小
rmse = sqrt(mean((yTest - yPred).^2)); % 计算均方根误差，强调大误差影响
mape = mean(abs((yTest - yPred)./max(yTest,1e-6)))*100; % 计算平均绝对百分比误差，避免除零问题
r2 = 1 - sum((yTest - yPred).^2)/sum((yTest - mean(yTest)).^2); % 计算决定系数，衡量解释能力
metrics = table(mae,rmse,mape,r2); % 汇总评价指标，便于结果展示
disp(metrics); % 输出指标表，查看模型性能
结果可视化与误差分析
fig1 = figure('Color','w','Position',[120 120 1100 500]); % 创建白底图窗，用于展示预测曲线
plot(yTest,'k-','LineWidth',1.5); % 绘制真实负荷曲线，使用黑色实线
hold on; % 保持当前坐标轴，叠加预测结果
plot(yPred,'r-','LineWidth',1.5); % 绘制预测负荷曲线，使用红色实线
legend('真实负荷','CatBoost预测负荷','Location','best'); % 添加图例，区分两条曲线
xlabel('测试样本序号'); % 设置横轴名称，表示样本顺序
ylabel('充电负荷'); % 设置纵轴名称，表示负荷大小
title('EV充电负荷真实值与预测值对比'); % 设置图题，说明图像内容
grid on; % 显示网格，便于观察波动差异
fig2 = figure('Color','w','Position',[150 150 900 420]); % 创建第二个图窗，用于展示残差分布
residual = yTest - yPred; % 计算残差，分析预测偏差
histogram(residual,30,'FaceColor',[0.2 0.6 0.8],'EdgeColor','none'); % 绘制残差直方图，观察误差集中情况
xlabel('残差'); % 设置横轴名称，表示真实值减预测值
ylabel('频数'); % 设置纵轴名称，表示出现次数
title('CatBoost预测残差分布'); % 设置图题，便于判断误差是否近似对称
grid on; % 打开网格，提升可读性
