LSTM与GRU并行融合的电力负荷预测MATLAB实现

简介：一份面向电力负荷预测的MATLAB深度学习项目实例，基于LSTM与GRU构建异构并行混合网络，融合LSTM的长期依赖建模和GRU的高效短时动态捕捉优势，适用于科研人员、电力系统工程师及高校研究生。资源包仅含1个docx文档，体积约66KB，已有76人学习；文档围绕项目背景、挑战与解决方案展开，从负荷非线性与多尺度特征建模、异常识别到模型架构均有系统阐述。详细拆解数据预处理与特征工程、LSTM与GRU异构融合、全连接回归层、损失函数与优化方法、RMSE/MAPE/R²等多指标评估流程，并给出MATLAB可运行的完整代码示例及GUI设计说明，支持参数配置、训练监控、结果展示与报告导出。内容还涉及智能电网调度、新能源消纳、工业生产优化等应用场景，以及多步预测、迁移学习或边缘部署的功能扩展方向，便于读者理解和工程化落地。

1. 为什么电力负荷预测要 LSTM 和 GRU 一起用？

电力负荷曲线不是一条平稳的信号，它同时包含以“天、周、季节”为周期的长期趋势，和由天气突变、节假日、工业启停带来的短期波动。传统 ARIMA 在平稳序列上表现尚可，遇到这种多尺度非线性数据，残差会明显变大。LSTM 通过遗忘门和输入门维持长期记忆，能抓住负荷的周期性底座；GRU 结构更简洁，重置门和更新门让它对近期变化更敏感，训练也更快。把两者并行融合，等于让模型同时拥有“长期计划”和“短期响应”两套机制，比单用其中一种更稳。这个项目把这套模型做成了 MATLAB 下的完整工程，包含数据预处理、网络搭建、训练评估和 GUI 交互界面。适合有 MATLAB 和机器学习基础的电力系统工程师、高校研究生和 AI 开发者，拿来改造自己的负荷预测系统。

2. 数据准备：负荷序列清洗、归一化与滑窗切分

2.1 负荷数据字段与常见质量问题

做预测前先别急着搭网络，数据侧的坑比模型侧多得多。一份典型的电力负荷 CSV 至少包含时间戳和负荷值两列，有的还带温度、湿度、节假日标志等外生变量。时间戳采样间隔可能是 15 分钟、30 分钟或 1 小时，直接影响窗口长度设置。常见质量问题有三种：同一时间戳出现多条记录、负荷字段缺失、以及因为采集设备时钟漂移导致的时间顺序错乱。处理顺序我一般固定为“排序去重 → 缺失插值 → 归一化 → 滑窗”，顺序反了会造成数据泄漏。

缺失值处理不是越复杂越好。短时间缺失用线性插值就能得到不错结果，因为负荷曲线在相邻采样点之间相对平滑；但连续缺失超过一天，插值会凭空造出假象，不如把这一段单独剔除。另外，如果数据里同时有温度等外部变量，要保证它们与负荷在时间轴上严格对齐，否则模型会学到错误的相关性。

2.2 归一化：为什么 min-max 比 z-score 更常用

LSTM 和 GRU 内部使用 tanh 和 sigmoid 激活函数，输入数值太大或太小都会让梯度进入饱和区。负荷值经常达到几十万千瓦，不做归一化直接训练，loss 会在前几步就变成 NaN。min-max 归一化把数据映射到 [0,1]，优点是边界确定、反归一化时直观；z-score 则把数据变成零均值单位方差，更适合分布近似正态的负荷数据。实际工程项目里我更倾向 min-max，因为最后要在 GUI 界面显示真实负荷值，反归一化只需要记住 xmin 和 xmax 两个变量。

这里有一个关键约束：min 和 max 必须只用训练集计算。验证集和测试集都复用同一组 xmin、xmax，不能在各自区间上重新算。否则验证集和测试集的信息会以统计量形式泄露到训练过程里，评估指标会偏乐观。

2.3 滑窗样本构造与时间顺序切分

把时间序列变成监督学习样本，需要用固定长度的窗口滑动切分。假设采样间隔是 30 分钟，windowSize=48 就代表用过去 24 小时预测未来一个点。窗口越大，模型能看到的上下文越多，但训练样本越少；窗口太小，日周期规律学不出来。对电力负荷，我一般先在 24、48、72 三个值之间做实验，用验证集 RMSE 定。

数据集切分必须按时间顺序，禁止随机打乱。训练集用于优化网络参数，验证集用于早停和学习率调度，测试集只跑一次。常见比例是 70% 训练、15% 验证、15% 测试。也可以根据业务场景把测试集固定为最近一个月，这样评价结果更贴近真实部署时的表现。

2.4 MATLAB 代码：加载、清洗、归一化与切分

% load_and_prepare.m % 假设 load_data.csv 包含 timestamp 和 load 两列 data = readtable('load_data.csv'); t = data.timestamp; x = data.load; % 1) 排序去重：同一时间戳只保留最后一条 [~, idx] = unique(t); t = t(idx); x = x(idx); % 2) 缺失值线性插值 x = fillmissing(x, 'linear'); % 3) 只用训练集统计归一化参数，避免数据泄漏 trainLen = floor(0.7 * length(x)); xmin = min(x(1:trainLen)); xmax = max(x(1:trainLen)); % 4) 归一化到 [0, 1] xNorm = (x - xmin) / (xmax - xmin); % 5) 滑窗切分，返回输入序列和单步目标 windowSize = 48; [X, Y] = makeWindows(xNorm, windowSize);

这段代码里，第一步用 unique 去重并排序，保证时间轴严格递增。第二步 fillmissing 的 'linear' 选项对短缺失段效果稳定，如果缺失比例超过 5%，建议先检查采集设备日志。第三步和第四步展示的是标准化流程，关键点是 xmin 和 xmax 只取训练部分计算，测试集在评价阶段用同一组参数反归一化。第五步构造的 X 是 [windowSize, 1, N] 的三维数组，对应 MATLAB 序列输入的格式。

function [X, Y] = makeWindows(seq, windowSize) numSamples = length(seq) - windowSize; X = zeros(windowSize, 1, numSamples); Y = zeros(numSamples, 1); for i = 1:numSamples X(:, 1, i) = seq(i:i + windowSize - 1); Y(i) = seq(i + windowSize); end end

这个函数把原始序列按窗口滑动，每个样本用连续 windowSize 个点作为输入特征，第 windowSize+1 个点作为标签。循环虽然简单，但要注意数组排列维度：第一维是时间步，第二维是特征数（这里是 1），第三维是样本数。如果后续要接入多变量特征，需要把第二维扩展为特征数量。

3. 网络设计：LSTM 层、GRU 层和异构融合的取舍

3.1 LSTM：遗忘门和输入门如何捕捉负荷周期

LSTM 单元内部有三个门：遗忘门、输入门、输出门。遗忘门决定上一时刻的记忆细胞保留多少，输入门决定当前候选值写入多少，输出门再把记忆状态映射到隐藏向量。在负荷预测场景里，一周七天的工作日效应和季节变化主要靠长期记忆路径传递，LSTM 的 cell state 相当于一个缓慢更新的缓存，能把这些长周期规律稳定地保留下来。这也是它比普通 RNN 更适合电力负荷数据的原因。

不过 LSTM 也不是没有代价。三个门意味着更多参数量，训练轮次更长，在数据量不足时容易过拟合。尤其在样本只有几个月规模的项目里，单独的 LSTM 往往把短期随机噪声也“记住”了，反而导致测试集误差变大。

3.2 GRU：更少参数，更快响应近期波动

GRU 把 LSTM 的三个门压缩成两个：重置门和更新门。它没有单独的 cell state，隐藏状态直接承载所有记忆。重置门控制过去的信息和当前输入如何组合，更新门决定多少旧信息继续保留。参数大约比 LSTM 少四分之一，训练速度快，对天气突变、节假日负荷突增这类短期扰动更敏感。

GRU 的代价是长距离依赖建模能力略弱于 LSTM。在负荷数据里，短期动态和长期趋势需要同时被刻画，单独用 GRU 可能把日周期这种规律误判为短期扰动，导致预测曲线在拐点位置滞后。

3.3 并行融合：两个分支怎么合成一个预测

项目采用的不是 LSTM 后面接 GRU 的串行堆叠，而是让两个分支并行读取同一段滑窗输入，分别输出特征向量，然后通过深度拼接合并。串行堆叠的问题在于第一层输出的信息经过第二层时会再次压缩，长期特征可能在第二层被门控机制削弱。并行结构则让 LSTM 和 GRU 各学各的，最后拼接时模型自会决定该更信任哪一侧。

拼接之后通常接一个全连接层做信息整合。全连接层神经元数量不需要太大，16 到 32 个就够，否则训练集误差能压得很低，但测试集表现快速恶化。最后的回归层输出一个标量，对应下一时刻的预测负荷。

3.4 MATLAB 代码：用 layerGraph 搭异构并行网络

% build_lstm_gru_net.m lgraph = layerGraph(); % 输入层：特征维数为 1，也就是纯负荷序列 lgraph = addLayers(lgraph, sequenceInputLayer(1, 'Name', 'input')); % LSTM 分支：64 个隐藏单元，输出最后一个时间步 lgraph = addLayers(lgraph, lstmLayer(64, 'OutputMode', 'last', 'Name', 'lstm_branch')); % GRU 分支：32 个隐藏单元，同样只输出最后时间步 lgraph = addLayers(lgraph, gruLayer(32, 'OutputMode', 'last', 'Name', 'gru_branch')); % 深度拼接：把两个分支输出拼成一个 96 维向量 lgraph = addLayers(lgraph, depthConcatenationLayer(2, 'Name', 'concat')); % 回归头 lgraph = addLayers(lgraph, fullyConnectedLayer(16, 'Name', 'fc1')); lgraph = addLayers(lgraph, reluLayer('Name', 'relu')); lgraph = addLayers(lgraph, fullyConnectedLayer(1, 'Name', 'fc_out')); lgraph = addLayers(lgraph, regressionLayer('Name', 'output')); % 连接关系：输入同时送入两个分支 lgraph = connectLayers(lgraph, 'input', 'lstm_branch'); lgraph = connectLayers(lgraph, 'input', 'gru_branch'); lgraph = connectLayers(lgraph, 'lstm_branch', 'concat/in1'); lgraph = connectLayers(lgraph, 'gru_branch', 'concat/in2'); lgraph = connectLayers(lgraph, 'concat', 'fc1'); lgraph = connectLayers(lgraph, 'fc1', 'relu'); lgraph = connectLayers(lgraph, 'relu', 'fc_out'); lgraph = connectLayers(lgraph, 'fc_out', 'output');

这段代码展示了核心结构。lstmLayer 和 gruLayer 的 OutputMode 都设为 'last'，因为我们要的是序列最终的特征表达，而不是每个时间步的输出。depthConcatenationLayer 会把 LSTM 的 64 维输出和 GRU 的 32 维输出拼接成 96 维向量，这里的 64 和 32 是经验值，可以按数据量调整。如果数据集小于 5 万条，建议把隐藏单元数降到 32 和 16，否则非常容易过拟合。

3.5 损失函数、优化器与防过拟合组合

回归问题默认用均方误差 MSE 做损失函数，它会对大误差样本施加更大惩罚，适合负荷峰值预测。优化器选 adam，它结合了动量法和自适应学习率，在大多数时序回归任务里比 sgdm 收敛更稳。初始学习率 0.005 是一个相对安全的起点，如果训练震荡明显，就降到 0.001。

防过拟合不能只靠 dropout。我在项目里会同时加三层防护：dropoutLayer(0.2) 插在全连接层之前，L2 正则化系数设 0.001，再用早停机制盯着验证集损失。早停的作用是当验证集损失连续 10 轮不下降时停止训练，保存验证集损失最低的那一轮权重，避免后期在训练集上过拟合。

4. 训练评估与 GUI 界面落地

4.1 训练配置：从 trainingOptions 到模型保存

% train_net.m options = trainingOptions('adam', ... 'InitialLearnRate', 0.005, ... 'MaxEpochs', 200, ... 'MiniBatchSize', 64, ... 'ValidationData', {XValid, YValid}, ... 'ValidationFrequency', 20, ... 'Verbose', true, ... 'Plots', 'training-progress'); net = trainNetwork(XTrain, YTrain, lgraph, options);

trainingOptions 里值得调的参数主要是 MiniBatchSize、InitialLearnRate 和 ValidationFrequency。MiniBatchSize 决定每次权重更新用多少样本，64 在显存和稳定性之间比较均衡；batch 太小会引入过多噪声，batch 太大又会拖慢单轮训练。ValidationFrequency 是每隔多少 batch 在验证集上评估一次，设 20 意味着每 20 个 batch 算一次验证损失，能用这个曲线判断是否过拟合。

4.2 多指标评估：RMSE、MAE、MAPE、R²

模型的预测结果还要做一步反归一化，把 [0,1] 区间的输出乘上 (xmax - xmin) 再加 xmin，得到真实负荷值。然后计算指标：

% evaluate.m predNorm = predict(net, XTest); predReal = predNorm * (xmax - xmin) + xmin; trueReal = YTest * (xmax - xmin) + xmin; rmse = sqrt(mean((predReal - trueReal).^2)); mae = mean(abs(predReal - trueReal)); mape = mean(abs((predReal - trueReal) ./ trueReal)) * 100; ssRes = sum((trueReal - predReal).^2); ssTot = sum((trueReal - mean(trueReal)).^2); r2 = 1 - ssRes / ssTot; maxAE = max(abs(predReal - trueReal));

评价时不要只看 RMSE。如果负荷曲线在早晚高峰有尖峰，模型的滞后会导致 RMSE 大而 MAE 小；如果低负荷段预测好但高峰段偏差大，R² 可能仍接近 0.9，但业务上高峰偏差才是真正的风险点。因此我会要求同时输出 RMSE、MAPE 和 MaxAE，三者合起来才能判断误差到底集中在哪。

4.3 误差曲线和残差分布怎么读

代码里至少给出四张图：真实值与预测值对比曲线、误差随时间分布、误差概率密度、预测值-真实值散点图。对比曲线能直观看到滞后位置，误差分布直方图能看出是否存在系统性偏移。如果误差均值明显不为零，说明模型存在偏置，需要在全连接层后加一个偏置项或检查归一化是否对称。

残差箱线图适合监控不同时段误差分布。把一天分成 24 个小时段，分别画出每个小时的残差箱线，如果午后时段的箱体明显拉长，说明模型没有学到高温天气的负荷相关性，下一步应该把温度特征加进输入。请记住：误差分布永远是模型改进的第一线索。

4.4 GUI 界面：数据加载、参数设置、训练与导出

GUI 使用 App Designer 比传统 GUIDE 更适合这个项目。整个交互逻辑分成三步：加载数据、设置参数、训练并绘图。主界面至少五个控件：数据加载按钮、窗口长度编辑框、学习率编辑框、训练按钮、结果坐标区；再加一个表格控件用于展示指标。

% App 回调方法片段 methods (Access = private) function trainButtonPushed(app, ~) win = str2double(app.WindowSizeField.Value); lr = str2double(app.LearnRateField.Value); hidden = str2double(app.HiddenUnitsField.Value); [yPred, yTrue, metrics] = app.runPipeline(app.Dataset, win, lr, hidden); plot(app.ResultAxes, yTrue, 'LineWidth', 1.2); hold(app.ResultAxes, 'on'); plot(app.ResultAxes, yPred, 'LineWidth', 1.2); hold(app.ResultAxes, 'off'); app.RMSEField.Value = metrics.rmse; app.MAPEField.Value = metrics.mape; end end

这个回调函数把整条训练流水线封装在 runPipeline 里，界面只负责读参数和绘图。这样做的好处是，未来把训练移到 GPU 或改成多步预测时，GUI 层不需要改动。参数设置区的编辑框建议做数值校验，如果窗口长度填了非法的负数，弹窗提示比静默报错友好得多。训练过程用 training-progress 图展示 loss 曲线，用户能直观看到收敛情况。

5. 调参避坑与工程落地的最后几米

5.1 验证集数据泄漏的排查

最常见的隐藏 bug 是归一化参数用了全量数据统计。假设 xmin 来自未来数据，那么测试集的信息已经在训练前被模型“看见”，评估指标会异常好，但部署到线上后立刻变差。排查办法很简单：打印训练集和测试集的最大值、最小值，如果测试集统计量比训练集还大，说明归一化参数混入未来信息。另一个泄漏点出现在滑窗构造时，如果窗口只向后滑动但填充了超前目标值，预测问题就退化成了插值问题。

5.2 学习率退火与早停的配合

训练后期 loss 曲线会进入平台期，固定学习率很难再下降。我一般会在验证损失 10 轮不降时把学习率乘以 0.5，连续两次减学习率仍无改善就停止训练。这个逻辑可以用 checkpoint 回调实现，但 MATLAB 培训选项中没有直接内置，需要手动写一个简单的验证循环。更省事的做法是把 InitialLearnRate 设低一点，比如 0.002，配合 MaxEpochs 300，让模型慢慢收敛。损失曲线在 50 轮以内快速下降是正常的，如果 20 轮就烧到 0.001，先检查数据是否归一化。

5.3 多步预测的扩展思路

上面代码是单步预测，实际调度场景常需预测未来 24 小时。常见扩展有两种：递归预测和序列到序列。递归预测是把上一步输出当作下一步输入，但误差会累积，只适合短周期；seq2seq 则是编码器读取历史窗口，解码器输出未来多步，训练时需要把标签改成 [futureStep, 1, N] 的结构。项目代码里如果只给了单步，建议先跑通单步，再迁移到 seq2seq，不要一上来就做多步。

5.4 常见问题与排查表

最后提醒一个容易忽略的细节：MATLAB 的 trainNetwork 对输入数据格式要求严格，滑窗输出如果是 double 三维数组，最好在训练前确认第一维是时间步、第二维是特征数、第三维是样本数，顺序错了会直接报维度错误。如果你在自己的数据上复现时发现测试集与训练集差距过大，优先检查滑窗函数是否卷入了未来样本，再把学习率从 0.005 降到 0.001 重新跑一轮 100 轮实验。

本文还有配套的精品资源，点击获取