光伏功率预测LSTM毕业设计：从数据清洗到多步预测的完整实战

简介：这是一份面向计算机相关专业毕业设计学生与项目实战学习者的LSTM光伏预测完整项目包，选题聚焦短期光伏功率预测这一新能源与深度学习交叉方向，难度适中，适合作为毕设选题或算法练习案例。资源共28个文件，压缩包约3.38MB，包含1个Python主程序与1个Jupyter Notebook用于模型搭建与训练，1份光伏小时级数据集csv供直接读取实验，另有22张png训练曲线与预测对比图、requirements依赖清单、README说明文档等，便于快速复现与结果展示。项目源码经本地编译调试，确保可运行，并配有导师认可、评审98分的背景说明。目前已有125人学习下载。读者可据此掌握LSTM时序建模流程、数据预处理与预测评估方法，并借助现成图表与目录结构完成论文实验章节撰写与答辩演示。

1. 光伏功率预测为什么总在午后翻车：从 LSTM 毕业设计选题说起

做过光伏电站运维的人多半有过这种体验：早上功率曲线跟得挺准，一到中午云层飘过来，预测值直接飙到天上，实际功率却掉了一半。这不是模型不行，是选错了建模思路。传统时序方法把功率当成一条平滑曲线去拟合，可光伏出力本质上是「辐照度、温度、云量、历史功率」多变量耦合的结果，突变才是常态。LSTM 之所以在超短期光伏功率预测里被反复提起，是因为它的门控结构能选择性记住几小时前的辐照变化趋势，又能在云层遮挡时快速遗忘失效信息。这个毕业设计选题的价值不在于「用了 LSTM」这个标签，而在于它逼你把数据清洗、特征构造、滑动窗口、多步预测这一整条链路走通。适合谁做？有一定 Python 基础、想拿一个能写进简历的完整时序项目、又不希望选题太偏门导致找不到参考资料的人。下面我按自己带学生做这类项目的实际路径，把源码结构、数据集处理、参数设置和踩坑点拆开讲。

2. 把光伏数据喂给 LSTM 之前：数据集结构与特征工程怎么做

2.1 光伏预测数据集通常长什么样

公开的光伏功率数据集一般来自电站 SCADA 系统导出，常见字段包括时间戳、有功功率、辐照度、组件温度、环境温度、风速、风向。时间分辨率从 1 分钟到 15 分钟不等，毕业设计里用得最多的是 15 分钟粒度，一天 96 个点。原始数据几乎不可能直接拿来训练，因为存在三类问题：夜间功率为零导致的无效样本、传感器故障导致的缺失值、限电或检修导致的异常低值。

我一般会先做一张数据质量概览表，把每个字段的缺失率、零值率、最大值最小值列出来，再决定清洗策略。下面这段代码是读取和初筛的常用写法：

import pandas as pd import numpy as np # 读取原始数据，时间列解析为索引 df = pd.read_csv('pv_data.csv', parse_dates=['timestamp'], index_col='timestamp') df = df.sort_index() # 统计每个字段的缺失率和零值率 quality = pd.DataFrame({ 'missing_rate': df.isna().mean(), 'zero_rate': (df == 0).mean(), 'min': df.min(), 'max': df.max() }) print(quality) # 只保留白天时段（辐照度大于 10 W/m2）用于功率建模 day_mask = df['irradiance'] > 10 df_day = df[day_mask].copy()

逻辑说明：先按时间排序保证后续滑动窗口不会乱序；缺失率和零值率分开统计是因为夜间零值不是缺失，不能一起删。参数说明：辐照度阈值 10 W/m2 是经验值，低于这个值光伏出力基本可以忽略，设太高会丢清晨和傍晚的有效样本，设太低会引入大量噪声。

2.2 缺失值填补与异常值处理

缺失值处理没有万能方法。连续缺失少于 3 个点，线性插值够用；连续缺失超过 6 个点，插值会引入虚假趋势，我一般直接标记为无效样本并在训练时跳过。异常值用箱线图或 3σ 原则识别，但要注意光伏功率的「异常低值」可能是真实的云遮挡，不能一刀切。

# 线性插值，限制最大连续填补长度 df_day['power'] = df_day['power'].interpolate(method='linear', limit=3) # 用滚动中位数识别异常值，窗口取 5 个点（约 75 分钟） rolling_med = df_day['power'].rolling(window=5, center=True).median() residual = np.abs(df_day['power'] - rolling_med) threshold = 3 * residual.std() df_day['power'] = np.where(residual > threshold, rolling_med, df_day['power'])

逻辑说明：插值限制 limit=3 是防止长段缺失被填成直线；滚动中位数比全局均值更能适应光伏功率的日内变化。参数说明：窗口 5 对应 15 分钟粒度下的 75 分钟，太小会把云遮挡当异常，太大则平滑掉真实波动。阈值系数 3 是常规选择，如果数据噪声大可以放宽到 4。

2.3 特征构造：辐照度、温度和历史功率的滑动窗口

LSTM 的输入是三维张量（样本数、时间步长、特征数）。时间步长决定模型能「回看」多久，特征数决定每个时刻喂进去多少信息。光伏预测里最有效的特征组合是：当前辐照度、组件温度、环境温度、历史功率，再加上时间编码（小时的正弦余弦）。

# 构造时间编码特征 df_day['hour_sin'] = np.sin(2 * np.pi * df_day.index.hour / 24) df_day['hour_cos'] = np.cos(2 * np.pi * df_day.index.hour / 24) # 滑动窗口构造，lookback=8 表示回看 2 小时（15分钟粒度） def create_sequences(data, target_col, lookback=8, horizon=1): X, y = [], [] feature_cols = ['irradiance', 'module_temp', 'ambient_temp', 'power', 'hour_sin', 'hour_cos'] for i in range(len(data) - lookback - horizon + 1): X.append(data[feature_cols].iloc[i:i+lookback].values) y.append(data[target_col].iloc[i+lookback:i+lookback+horizon].values) return np.array(X), np.array(y) X, y = create_sequences(df_day, 'power', lookback=8, horizon=1) print(X.shape, y.shape) # 例如 (8000, 8, 6) (8000, 1)

逻辑说明：时间编码用正弦余弦而不是直接填小时数，是因为 23 点和 0 点在数值上差距大但在物理上连续，编码后能保留周期性。参数说明：lookback=8 是超短期预测的常见起点，对应 2 小时回看窗口；horizon=1 表示预测下一个 15 分钟点，如果要做多步预测可以改成 4 或 8，但误差会累积。特征列里保留历史功率是关键，消融实验里去掉它 MAE 通常上升 20% 以上。

提示：划分训练集和测试集时不要随机打乱，必须按时间顺序切分，否则会出现「用未来数据预测过去」的泄漏问题，这是毕业设计里最容易被答辩老师抓住的硬伤。

3. LSTM 模型搭起来：PyTorch 实现与关键参数设置

3.1 网络结构选型：单层还是堆叠，隐藏单元取多少

光伏功率预测不需要太深的网络。我试过 1 层、2 层、3 层 LSTM，在 15 分钟粒度、几千条样本的量级下，2 层比 1 层 MAE 降约 5%，3 层反而过拟合。隐藏单元数从 32 到 256 都跑过，64 或 128 是性价比最高的区间。下面是一个可直接用的 PyTorch 实现：

import torch import torch.nn as nn class PVLSTM(nn.Module): def __init__(self, input_size=6, hidden_size=64, num_layers=2, output_size=1, dropout=0.2): super(PVLSTM, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout if num_layers > 1 else 0 ) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): # x: (batch, seq_len, input_size) h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device) c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device) out, _ = self.lstm(x, (h0, c0)) # 取最后一个时间步的输出 out = self.fc(out[:, -1, :]) return out

逻辑说明：batch_first=True 让输入维度变成（batch, seq, feature），跟前面构造的 X 对齐；dropout 只在多层时生效，单层加 dropout 位置不对反而影响收敛。参数说明：input_size 必须等于特征列数，改了特征就要同步改；hidden_size=64 是起点，数据量超过 5 万条可以试 128；num_layers=2 配合 dropout=0.2 是常规组合。

3.2 训练循环与损失函数选择

光伏功率预测的损失函数用 MSE 还是 MAE，取决于你更在意什么。MSE 对大误差惩罚重，适合避免午间高峰预测偏离太多；MAE 对整体平均误差更稳。我一般先用 MSE 训练，再用 MAE 做验证指标，这样答辩时两个数都能报。

from torch.utils.data import DataLoader, TensorDataset # 按时间顺序切分，前 80% 训练，后 20% 测试 split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] train_ds = TensorDataset(torch.FloatTensor(X_train), torch.FloatTensor(y_train)) train_loader = DataLoader(train_ds, batch_size=64, shuffle=False) model = PVLSTM(input_size=6, hidden_size=64, num_layers=2) criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) for epoch in range(100): model.train() for xb, yb in train_loader: pred = model(xb) loss = criterion(pred, yb) optimizer.zero_grad() loss.backward() optimizer.step()

逻辑说明：shuffle=False 是时序数据必须遵守的，打乱会破坏时间连续性；batch_size=64 在几千条样本下比较稳，太小梯度震荡，太大收敛慢。参数说明：lr=1e-3 是 Adam 的常用起点，如果 loss 震荡可以降到 5e-4；epoch=100 配合早停策略，实际有效轮次通常在第 30 到 60 之间。

3.3 归一化：别让辐照度和温度的量纲打架

辐照度范围 0 到 1200，温度范围 -10 到 45，功率范围 0 到 100。如果不归一化，LSTM 的梯度会被大数值特征主导，小数值特征几乎不起作用。我一般对每个特征单独做 Min-Max 归一化，预测后再反归一化回功率量纲。

from sklearn.preprocessing import MinMaxScaler # 对特征和标签分别归一化 feature_scaler = MinMaxScaler() target_scaler = MinMaxScaler() X_flat = X.reshape(-1, X.shape[-1]) X_scaled = feature_scaler.fit_transform(X_flat).reshape(X.shape) y_scaled = target_scaler.fit_transform(y.reshape(-1, 1)).reshape(y.shape)

逻辑说明：fit_transform 只能在训练集上做，测试集要用训练集的 scaler 做 transform，否则信息泄漏。参数说明：MinMaxScaler 默认缩放到 [0,1]，如果数据有极端离群值可以改用 RobustScaler，但光伏数据清洗后一般不需要。

注意：归一化后的预测值必须用 target_scaler.inverse_transform 还原，直接拿归一化值算 MAE 会得到看起来很小但毫无意义的数字，这是答辩时经常被追问的点。

4. 训练完就完事了？评估、调参与多步预测的坑

4.1 评估指标：MAE、RMSE、MAPE 各自说明什么

光伏预测的评估不能只看一个数。MAE 告诉你平均偏离多少 kW，RMSE 对大误差更敏感，MAPE 是百分比误差但夜间功率接近零时会爆炸。我一般三个都算，但 MAPE 只在白天时段计算。

from sklearn.metrics import mean_absolute_error, mean_squared_error model.eval() with torch.no_grad(): pred_scaled = model(torch.FloatTensor(X_test)).numpy() pred = target_scaler.inverse_transform(pred_scaled) true = target_scaler.inverse_transform(y_test.reshape(-1, 1)) mae = mean_absolute_error(true, pred) rmse = np.sqrt(mean_squared_error(true, pred)) # 只对真实功率大于 5 kW 的样本算 MAPE mask = true.flatten() > 5 mape = np.mean(np.abs((true.flatten()[mask] - pred.flatten()[mask]) / true.flatten()[mask])) * 100 print(f'MAE: {mae:.2f} kW, RMSE: {rmse:.2f} kW, MAPE: {mape:.2f}%')

逻辑说明：MAPE 加掩码是避免夜间零功率导致的除零和虚高误差。参数说明：5 kW 阈值根据电站装机容量调整，小电站可以降到 1 kW。正常情况下，15 分钟粒度超短期预测的 MAPE 能压到 10% 以内算不错，低于 5% 要检查是不是数据泄漏。

4.2 调参顺序：先窗口，再层数，最后学习率

很多人一上来就调学习率，其实影响最大的是 lookback 窗口。窗口太短模型看不到趋势，太长会引入无关信息。我的调参顺序是：lookback 从 4 试到 16，步长 4；然后 num_layers 试 1 和 2；最后 lr 在 1e-3 和 5e-4 之间选。每次只动一个参数，记录验证集 MAE。

4.3 多步预测：误差累积怎么缓解

如果要做未来 1 小时（4 个点）的预测，有两种策略：直接多输出和滚动单步。直接多输出是一次性预测 4 个值，误差不累积但模型难训练；滚动单步是预测一个点后把预测值当输入继续预测，误差会滚雪球。我一般用直接多输出，horizon 设 4，输出层改成 Linear(hidden_size, 4)。

# 多步预测的输出层改动 self.fc = nn.Linear(hidden_size, 4) # 预测未来 4 个 15 分钟点 # 对应的 y 构造时 horizon=4 X, y = create_sequences(df_day, 'power', lookback=8, horizon=4)

逻辑说明：直接多输出的损失函数对所有步一视同仁，如果更在意第一步可以给损失加权。参数说明：horizon=4 对应 1 小时，再往上误差会明显增大，毕业设计做到 4 步足够展示能力。

5. 那些年踩过的坑：数据泄漏、过拟合与部署翻车记录

5.1 现象：验证集 MAE 低到离谱，测试集一塌糊涂

原因：归一化时用了全量数据 fit，或者划分数据集时随机打乱。解决：scaler 只在训练集 fit，测试集 transform；切分必须按时间顺序，前 80% 训练后 20% 测试，中间不要交叉。

5.2 现象：训练 loss 一直降，验证 loss 从第 10 轮开始涨

原因：模型记住了训练集的噪声，典型过拟合。解决：加 dropout 到 0.2 或 0.3，减少 hidden_size，或者加早停——验证 loss 连续 10 轮不降就停。

5.3 现象：预测曲线整体偏低，午间高峰总是差一截

原因：MSE 损失下模型偏向预测均值，高峰和低谷都被拉向中间。解决：改用 MAE 损失，或者对高峰样本加权；也可以对功率做对数变换后再训练。

5.4 现象：换了一台机器跑，结果完全不一样

原因：随机种子没固定，PyTorch 的初始化、DataLoader 的 shuffle（虽然时序不用）都会引入随机性。解决：在代码开头固定 torch.manual_seed(42)、np.random.seed(42)，需要完全复现还要设 torch.use_deterministic_algorithms(True)。

5.5 现象：模型在测试集上表现好，但实际部署后预测延迟高

原因：每次预测都重新加载模型或重复计算归一化参数。解决：模型只加载一次，scaler 参数保存成 pickle 文件，预测时直接读取；输入窗口用队列维护，避免每次从头构造。

提示：毕业设计答辩时，老师最常问的三个问题是「数据怎么清洗的」「为什么选 LSTM 不选 Transformer」「有没有做消融实验」。提前把这三个问题的答案写在文档里，比多跑几个模型管用。

6. 让毕业设计多拿十分：消融实验与结果可视化的具体做法

走到这里，模型能跑、指标能看，但离「高分项目」还差一步：你得证明每个设计选择都是有理由的。我一般会做一组消融实验，把特征逐个去掉，看 MAE 怎么变。比如去掉历史功率、去掉时间编码、把 LSTM 换成普通 RNN，各跑一次，结果做成表格。这样答辩时你能说清楚「为什么是 LSTM 而不是 RNN」「为什么保留历史功率」，而不是只会说「我用了 LSTM」。

# 消融实验：去掉历史功率特征 feature_sets = { 'full': ['irradiance', 'module_temp', 'ambient_temp', 'power', 'hour_sin', 'hour_cos'], 'no_power': ['irradiance', 'module_temp', 'ambient_temp', 'hour_sin', 'hour_cos'], 'no_time': ['irradiance', 'module_temp', 'ambient_temp', 'power'], } for name, cols in feature_sets.items(): X_abl, y_abl = create_sequences(df_day, 'power', lookback=8, horizon=1, feature_cols=cols) # 重新训练并记录 MAE # ...（训练代码同上，此处省略） print(f'{name}: MAE={mae:.2f}')

逻辑说明：消融实验的关键是每次只改一个变量，其他超参数保持一致。参数说明：feature_cols 需要作为参数传入 create_sequences，所以前面的函数要稍微改一下签名。实际跑下来，去掉历史功率 MAE 通常上升 15% 到 25%，去掉时间编码上升 5% 左右，这两个数写进论文就是实打实的贡献。

可视化方面，我习惯画三张图：预测值与真实值的时序对比、散点图（预测 vs 真实）、误差随预测步长的变化。时序对比图最能说明问题，但要注意截取有代表性的几天，比如晴天、多云、阴天各一天，而不是随机截一段。

import matplotlib.pyplot as plt plt.figure(figsize=(12, 4)) plt.plot(true[:96], label='Actual', linewidth=1.5) plt.plot(pred[:96], label='Predicted', linewidth=1.5, linestyle='--') plt.xlabel('Time Step (15 min)') plt.ylabel('Power (kW)') plt.legend() plt.title('Day-ahead PV Power Forecast') plt.tight_layout() plt.savefig('forecast_comparison.png', dpi=150)

逻辑说明：取前 96 个点正好是一天，方便观察日内变化。参数说明：dpi=150 保证论文插图清晰，linewidth 区分真实和预测曲线。如果预测曲线在云遮挡时段明显滞后，说明 lookback 窗口可能偏长，模型反应不够快，可以试着降到 4 或 6。

最后说一个我自己的习惯：每次跑完实验，不管结果好坏，都在一个 markdown 文件里记三行——改了什么、指标怎么变、下一步试什么。这个习惯让我在带学生做毕业设计时少走了很多弯路，因为翻车的原因往往不是模型本身，而是某个参数忘了同步改。希望帮到你。

本文还有配套的精品资源，点击获取