基于LSTM的短期光伏预测Python源码与数据集实战指南

简介：本资源为基于LSTM的短期光伏预测算法Python实现包，面向计算机、人工智能、通信工程、自动化等专业的在校学生、教师及企业技术人员，可用于毕业设计、课程设计、项目立项演示或算法进阶学习。包内共11个文件，以6个ipynb交互式笔记本为核心，配合1个py脚本、1个xlsx数据表、1个txt使用说明及png、jpg图示，压缩包约3.89MB，结构轻量便于快速上手。内容围绕园区光伏与负荷数据展开，涵盖单变量与多变量预测流程、规则集与储能框架探索、模拟程序及数据清洗脚本，可帮助读者理解LSTM在时间序列预测中的建模思路、特征构造与结果评估方法。已有248人学习下载，适合希望掌握短期光伏功率预测完整实现路径、并在此基础上修改扩展功能的读者参考。

1. 从一份 LSTM 光伏预测源码包说起：它到底能解决什么问题

光伏电站最头疼的不是发电，而是「发多少」说不准。云层飘过来三分钟，功率能从满载掉到三成，调度侧要备用容量，交易侧要报次日曲线，偏差一大就是真金白银的罚款。短期光伏预测要干的事，就是拿历史功率、辐照度、温度、风速这些时序数据，把未来 1 到 24 小时的出力曲线提前算出来。这份「基于 LSTM 的短期光伏预测算法 python 源码 + 数据集」压缩包，本质是一套能跑通的最小闭环：数据读取、归一化、滑窗构造、LSTM 建模、训练、评估、画图，一条龙。它适合两类人——刚入门时间序列预测、想找一个能跑通全流程的 python 项目练手的新手；以及手上真有电站数据、想快速验证 LSTM 到底比持久化模型强多少的运维或算法工程师。别指望它直接上线，但拿它当基线、当脚手架，性价比很高。

2. LSTM 做光伏预测的原理与选型：为什么不是 ARIMA 也不是 XGBoost

2.1 光伏功率序列的三个特性决定了模型选型

光伏功率序列有三个绕不开的特性。第一是强日周期性，晴天曲线几乎是标准正弦，早上爬坡、正午封顶、傍晚回落。第二是天气突变带来的非平稳性，一片云就能让功率在分钟级抖出 40% 的波动，这种突变没有明显的前兆规律。第三是多变量耦合，功率不只跟自身历史有关，还跟辐照度、组件温度、环境温度强相关。

传统 ARIMA 类模型假设序列线性、平稳，遇到云遮这种非线性突变基本抓瞎，差分阶数调半天也压不住误差。树模型如 XGBoost 对特征工程依赖极重，你得手工构造滞后项、滑动均值、辐照度交互项，特征没做好效果就上不去，而且它天然不擅长处理长序列的时序依赖。LSTM 的门控结构（遗忘门、输入门、输出门）恰好能选择性地记住「昨天同一时刻的功率水平」这种长周期信息，又能对短时突变做出响应，输入多变量也天然支持。这就是为什么短期光伏预测里 LSTM 及其变体（BiLSTM、CNN-LSTM、Attention-LSTM）是主流基线。

提示：LSTM 不是万能的。如果只有功率单变量、且预测步长只有 15 分钟，持久化模型（拿上一时刻值当预测）往往就很难打败，先跑通持久化基线再上 LSTM，才知道模型到底有没有价值。

2.2 从零把环境搭起来：python 与 pytorch 的版本选择

拿到源码包第一件事不是急着跑，而是把环境对齐。LSTM 实现主流用 PyTorch 或 TensorFlow/Keras，这份源码包大概率是 PyTorch 路线（pytorch lstm 源码是热搜高频词）。python 安装建议 3.9 到 3.11，太新的版本某些科学计算库轮子还没跟上，太老的又缺特性。用 conda 建独立环境，避免污染系统 python。

# 创建独立环境，python 版本锁在 3.10 conda create -n pv_lstm python=3.10 -y conda activate pv_lstm # 安装核心依赖，pytorch 按自己显卡的 CUDA 版本去官网选对应命令 # 这里给的是 CPU 版示例，有 GPU 的换成 cu118 对应命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install numpy pandas matplotlib scikit-learn openpyxl

这段命令的逻辑是：先隔离环境，再装框架和数据处理三件套。参数上，python=3.10是稳妥选择；--index-url指定 pytorch 官方源，避免装到不匹配的版本；openpyxl是为了读 Excel 格式的数据集，很多电站导出就是 xlsx。装完用python -c "import torch; print(torch.__version__)"验证，能打印版本号就说明环境通了。vscode python 环境配置的话，记得在右下角把解释器切到刚建的pv_lstm，否则跑起来还是系统 python，报「找不到 torch」的玄学错误多半出在这。

2.3 数据集长什么样：字段、粒度与清洗要点

光伏数据集通常包含时间戳、有功功率、辐照度、组件温度、环境温度、风速、风向这几列。粒度常见 15 分钟或 1 小时一条，一天 96 点或 24 点。拿到数据先做三件事：时间戳解析、缺失值处理、异常值剔除。

import pandas as pd import numpy as np # 读取数据，parse_dates 直接把时间列解析成 datetime df = pd.read_excel("pv_data.xlsx", parse_dates=["timestamp"]) df = df.sort_values("timestamp").reset_index(drop=True) # 缺失值：功率列用线性插值，气象列用前向填充 df["power"] = df["power"].interpolate(method="linear", limit=4) df["irradiance"] = df["irradiance"].ffill() # 异常值：夜间功率应为 0，出现负值或白天超装机容量的直接置 NaN 再插值 df.loc[df["power"] < 0, "power"] = np.nan df.loc[df["power"] > df["capacity"], "power"] = np.nan df["power"] = df["power"].interpolate(method="linear") # 加时间特征，小时和分钟能帮模型捕捉日周期 df["hour"] = df["timestamp"].dt.hour df["minute"] = df["timestamp"].dt.minute

逻辑说明：interpolate的limit=4表示连续缺失超过 4 个点就不插了，避免用假数据填出一大段；异常值先置 NaN 再插值，比直接删行保留更多样本。参数上，capacity是电站装机容量，得从数据说明里拿，没有就问现场。清洗完打印df.isna().sum()确认没有残留空值，否则后面归一化会报错。

3. 把 LSTM 模型跑起来：滑窗构造、网络定义与训练循环

3.1 滑窗构造：把时序问题变成监督学习问题

LSTM 吃的是序列，但训练时需要「输入序列 + 对应标签」的样本对。滑窗就是拿过去 N 个时刻的多变量特征，预测未来 M 个时刻的功率。N 是回看窗口，M 是预测步长。

from sklearn.preprocessing import MinMaxScaler features = ["power", "irradiance", "temperature", "hour"] data = df[features].values # 归一化，LSTM 对量纲敏感，不归一化收敛极慢 scaler = MinMaxScaler() data_scaled = scaler.fit_transform(data) def make_windows(data, lookback=24, horizon=4): X, y = [], [] for i in range(len(data) - lookback - horizon + 1): X.append(data[i:i + lookback]) # 过去 24 个点 y.append(data[i + lookback:i + lookback + horizon, 0]) # 未来 4 个点的功率 return np.array(X), np.array(y) X, y = make_windows(data_scaled, lookback=24, horizon=4) print(X.shape, y.shape) # (样本数, 24, 4) (样本数, 4)

逻辑说明：lookback=24对应 15 分钟粒度就是过去 6 小时，horizon=4是预测未来 1 小时。y只取第 0 列（功率），因为预测目标就是功率。参数怎么定：回看窗口太短抓不到日周期，太长引入噪声且训练慢，24 到 96 是常见区间；预测步长按业务需求，日前调度要 96 步，实时调度 4 步就够。注意归一化必须用训练集 fit，再 transform 测试集，否则数据泄漏，评估结果虚高，这是血泪经验。

3.2 LSTM 网络定义：层数、隐藏单元与 dropout 的取舍

网络结构不用堆太深，光伏预测这种任务两层 LSTM 足够，堆到四五层反而过拟合。

import torch import torch.nn as nn class PVLSTM(nn.Module): def __init__(self, input_size=4, hidden_size=64, num_layers=2, output_size=4): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=0.2, # 两层以上才生效 ) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): out, _ = self.lstm(x) # out: (batch, seq, hidden) out = out[:, -1, :] # 取最后一个时间步 return self.fc(out) model = PVLSTM() print(sum(p.numel() for p in model.parameters()), "个参数")

逻辑说明：batch_first=True让输入维度是 (batch, seq, hidden)，符合直觉；out[:, -1, :]取最后一个时间步的隐藏状态，因为它聚合了整段序列的信息；dropout=0.2是防过拟合的常规值，注意单层 LSTM 时 dropout 不生效。参数上，hidden_size=64是起点，数据量大可以加到 128，数据少就降到 32；num_layers=2够用，再深收益递减。参数量打印出来心里有数，几万到几十万级别都正常。

3.3 训练循环与早停：损失曲线怎么看

训练用 MSE 损失、Adam 优化器，加早停防止过拟合。

from torch.utils.data import TensorDataset, DataLoader X_t = torch.tensor(X, dtype=torch.float32) y_t = torch.tensor(y, dtype=torch.float32) loader = DataLoader(TensorDataset(X_t, y_t), batch_size=64, shuffle=True) model = PVLSTM() criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) best_loss, patience, wait = float("inf"), 10, 0 for epoch in range(200): model.train() for xb, yb in loader: optimizer.zero_grad() loss = criterion(model(xb), yb) loss.backward() optimizer.step() # 简单起见用训练损失做早停，正式项目应看验证集 if loss.item() < best_loss: best_loss, wait = loss.item(), 0 torch.save(model.state_dict(), "best_lstm.pt") else: wait += 1 if wait >= patience: print(f"早停于 epoch {epoch}") break if epoch % 20 == 0: print(f"epoch {epoch}, loss {loss.item():.6f}")

逻辑说明：batch_size=64是显存和收敛稳定性的折中；lr=1e-3是 Adam 的默认甜点值，loss 震荡就降到 5e-4；patience=10表示连续 10 轮没进步就停。看损失曲线：正常是快速下降后趋平，如果训练 loss 一直不降，检查归一化和学习率；如果训练 loss 降但验证 loss 涨，就是过拟合，加 dropout 或减层数。正式项目一定要切验证集，这里为了代码简洁用训练 loss 演示，别照搬到生产。

4. 评估与调参：MAPE、RMSE 怎么算，超参数怎么搜

4.1 反归一化与评估指标：别在归一化空间里算误差

预测出来的值还在 0 到 1 之间，必须反归一化回真实功率量纲再算误差，否则 MAPE 毫无意义。

from sklearn.metrics import mean_absolute_error, mean_squared_error model.eval() with torch.no_grad(): pred = model(X_t).numpy() # 反归一化：功率是第 0 列，用 scaler 的 min/max 还原 p_min, p_max = scaler.data_min_[0], scaler.data_max_[0] pred_real = pred * (p_max - p_min) + p_min y_real = y * (p_max - p_min) + p_min mae = mean_absolute_error(y_real.flatten(), pred_real.flatten()) rmse = np.sqrt(mean_squared_error(y_real.flatten(), pred_real.flatten())) # MAPE 要避开夜间 0 功率，否则除零爆炸 mask = y_real.flatten() > 0.05 * p_max mape = np.mean(np.abs((y_real.flatten()[mask] - pred_real.flatten()[mask]) / y_real.flatten()[mask])) * 100 print(f"MAE {mae:.2f}, RMSE {rmse:.2f}, MAPE {mape:.2f}%")

逻辑说明：反归一化用data_min_和data_max_，这是 MinMaxScaler 记录的训练集极值。MAPE 的坑在于夜间功率接近 0，分母极小导致百分比爆炸，所以用mask只统计功率大于装机 5% 的白天点。指标参考：短期光伏预测 MAPE 做到 10% 以内算不错，晴天能到 5%，阴雨天 15% 到 20% 也正常，别拿晴天指标去要求阴天。

4.2 超参数搜索：回看窗口、隐藏单元、学习率三件套

调参优先动这三个，其他先固定。

搜索策略上，网格搜索太慢，用随机搜索或 Optuna 贝叶斯优化，20 到 30 组就能找到不错的组合。别一上来就搜，先把默认参数跑通看基线，再针对性调。

4.3 对比基线：持久化模型和 LSTM 到底差多少

不上基线就不知道 LSTM 值不值。持久化模型最简单：拿当前时刻功率当未来所有时刻的预测。

# 持久化基线：用回看窗口最后一个点的功率，重复 horizon 次 persist = np.repeat(X[:, -1, 0:1], y.shape[1], axis=1) persist_real = persist * (p_max - p_min) + p_min persist_mape = np.mean(np.abs((y_real[mask] - persist_real.flatten()[mask]) / y_real.flatten()[mask])) * 100 print(f"持久化 MAPE {persist_mape:.2f}% vs LSTM MAPE {mape:.2f}%")

逻辑说明：X[:, -1, 0]取每个样本回看窗口最后一刻的功率，np.repeat复制成 horizon 长度。如果 LSTM 的 MAPE 只比持久化低一两个点，说明模型没学到东西，得回去查特征和结构；低五个点以上才算有价值。这个对比是判断项目成败的硬标准，别跳过。

5. 避坑与排查：光伏 LSTM 训练里最常见的五个翻车现场

5.1 损失不下降，一直卡在高位

现象：训练几十轮 loss 几乎不动，或者只在小数点后第三位晃。原因通常是归一化没做或做错，或者学习率太小。解决：确认所有输入特征都归一化到 0 到 1，检查scaler.fit是不是只在训练集上做的；学习率从 1e-3 试到 1e-2，还不行就换优化器。

5.2 预测曲线整体平移，形状对但数值偏

现象：预测曲线跟真实曲线形状很像，但整体高了一截或低了一截。原因是反归一化用错了极值，或者训练集和测试集分布差异大。解决：反归一化必须用训练集的data_min_和data_max_，不能用测试集的；如果测试集是不同季节的数据，考虑重新训练或加季节特征。

5.3 夜间预测出非零功率

现象：明明太阳落山了，模型还预测出几百瓦。原因是夜间样本在训练集里占比大且功率为 0，模型没学好这个边界，或者归一化后 0 值被映射到非零。解决：在特征里显式加「是否白天」的 0/1 标志，或者后处理时把夜间时段强制置 0。

5.4 验证集 loss 上升但训练 loss 下降

现象：典型的过拟合。原因是模型太复杂或数据太少。解决：减层数、减隐藏单元、加 dropout、加 L2 正则，或者做数据增强（对训练样本加小幅噪声）。数据少于 5000 条时，LSTM 很容易过拟合，考虑先用简单模型。

5.5 换了数据集就报维度错误

现象：RuntimeError: input size mismatch。原因是新数据集的列数和顺序跟源码里写死的input_size=4不一致。解决：把特征列名和顺序固定下来，input_size改成len(features)，别硬编码。每次换数据先打印X.shape确认维度。

6. 让预测再准一点的三个进阶技巧

第一个技巧是加注意力机制。标准 LSTM 把整段序列压成一个隐藏状态，信息有损。在 LSTM 输出上加一层注意力，让模型自己决定回看窗口里哪些时刻更重要——比如突变前那几个点权重更高。实现上就是在out上过一个线性层算权重再加权求和，代码量不大，MAPE 通常能再降一到两个点。

第二个技巧是误差修正。LSTM 对晴天拟合很好，阴雨天误差大。可以训练一个副模型专门预测残差，或者按天气类型分模型训练。我一般会先按辐照度把样本分成晴、多云、阴三类，分别训 LSTM，推理时按预报天气选模型，阴天场景提升明显。

第三个技巧是滚动预测。别一次性预测未来 24 小时，而是预测 1 步、把预测值喂回输入、再预测下一步。这样能利用最新信息，但误差会累积，适合短期几步。实现时注意每次喂回的值要归一化，别把真实值混进去造成泄漏。

验证方法上，别只看一个测试集。用滚动窗口做交叉验证：前 70% 训练、接下来 15% 验证调参、最后 15% 测试，再整体前移重跑几次，看指标稳定性。指标波动大说明模型不稳，别急着上线。

我自己踩过最深的坑是拿测试集调参，调到最后指标漂亮得不像话，一上真实数据就崩。后来养成习惯：测试集只在最后碰一次，调参全在验证集上做。这个习惯比任何调参技巧都值钱。希望帮到你。

本文还有配套的精品资源，点击获取