多输入单输出LSTM模型：风电功率多步预测技术问询

研究背景 #

本人正深入研究LSTM模型，拟利用风电场历史发电功率及4小时间隔的气象变量，实现未来24小时的风电功率预测，现提出以下技术疑问：

疑问1：能否基于过去24小时的功率与气象数据，预测未来24小时的功率？ #

可以，但预测效果取决于数据质量、特征关联性以及模型设计。过去24小时的时序数据包含了功率和气象的短期波动规律（比如风速、风向的日周期性变化），只要模型能学习到这些规律与未来功率的映射关系，就能实现预测。需要注意：

• 若气象数据本身存在较强的日/周周期性，24小时窗口能覆盖基础周期，对预测有直接帮助；
• 可通过实验验证窗口长度是否合理，比如如果风电功率受更长周期的气象系统影响（如3-5天的天气变化），可能需要延长历史窗口，但24小时作为基础窗口完全可行。

疑问2：单输入（仅功率）模型可将输出功率作为新输入实现多步预测，但多输入场景下无未来气象变量（t+1、t+2…），该如何实现连续功率预测？ #

这种场景下有三种可行方案：

• 直接多步预测：修改模型输出层维度为24，让模型一次性预测未来24小时的所有功率值。训练时用历史窗口数据对应未来24小时的功率序列作为标签，全程无需依赖未来气象数据。
• 气象滚动预测+功率预测：单独训练一个气象预测模型，用历史气象数据预测未来24小时的气象变量，再将预测的气象值和历史功率/气象数据一起输入LSTM做功率预测。这种方式需要保证气象预测的精度，否则会放大功率预测误差。
• 忽略未来气象的递归预测：采用类似单输入的递归方式，仅将预测的功率作为下一步的输入，气象变量则重复使用最近时刻的已知值，或者用历史气象的趋势外推值。但这种方式的误差会随预测步长增大快速累积，适合短步长预测，24小时场景下效果可能一般。

疑问3：仅已知截至t时刻的多变量数据，如何实现单变量的多步未来预测？ #

核心是让模型学习多变量时序到未来单变量序列的映射，常用方法包括：

• 直接多步输出：调整模型输出层为对应多步长度的维度（比如24），训练时每个样本的标签是未来24小时的功率序列。这种方式避免递归误差，但对模型容量要求较高，需要模型一次性学习整个序列的映射关系。
• Seq2Seq（序列到序列）模型：采用Encoder-Decoder结构，Encoder处理截至t时刻的多变量历史数据，Decoder逐步生成未来多步的功率值。训练时可使用Teacher Forcing策略（用真实历史功率作为Decoder输入），预测时用前一步的预测值作为输入，适合长序列多步预测。
• 多模型单步预测：为每个预测步长单独训练一个LSTM模型（比如t+4、t+8…t+24各一个模型），每个模型输入历史多变量数据，输出对应步长的功率值。这种方式灵活，但训练成本较高。

疑问4：LSTM模型是否可依托输入变量间的关联，无需未来气象变量即可完成功率预测？ #

可以，但预测精度会受限于变量间的关联强度。LSTM能学习到历史功率与气象变量的时序关联（比如风速升高后功率上升的延迟关系），以及功率自身的时序规律，从而在没有未来气象数据的情况下预测未来功率。需要注意：

• 如果气象变量是影响功率的核心因素（比如风速、风向直接决定发电量），仅靠历史数据学习的关联可能无法捕捉突发气象变化（如突然的大风/无风），导致预测误差增大；
• 若风电场的功率波动主要由自身设备状态或短期周期性规律主导，这种方式的效果会更好；
• 可通过特征工程增强变量关联，比如加入气象变量的变化率、功率的滞后特征等，提升模型的预测能力。

附相关代码实现 #

数据预处理函数 #

def df_to_X_y(dataset, window_size=6):
  dataset_as_np = dataset.to_numpy()
  X = []
  y = []
  for i in range(len(dataset_as_np)-window_size):
    row = [r for r in dataset_as_np[i:i+window_size]]  # 修正原代码变量名错误
    X.append(row)
    label = dataset_as_np[i+window_size][0]
    y.append(label)
  return np.array(X), np.array(y)

数据集划分 #

X_train, y_train = X[:25000], y[:25000]
X_val, y_val = X[25000:31250], y[25000:31250]  # 修正原代码标签索引不匹配问题
X_test, y_test = X[31250:32500], y[31250:32500]
X_train.shape, y_train.shape, X_val.shape, y_val.shape, X_test.shape, y_test.shape

LSTM模型构建 #

# LSTM模型定义
model = Sequential()
model.add(InputLayer((6, 5)))
model.add(LSTM(128, activation='relu', return_sequences=True))
model.add(LSTM(64, activation='relu', return_sequences=False))
model.add(Dense(8, 'relu'))
model.add(Dense(1, 'linear'))

model.summary()

模型训练配置 #

Model_LSTM = ModelCheckpoint('Model_LSTM/', save_best_only=True)
model.compile(loss=MeanSquaredError(), 
              optimizer=Adam(learning_rate=0.0001), 
              metrics=[tf.keras.metrics.MeanAbsoluteError(),
                       tf.keras.metrics.RootMeanSquaredError(
                           name='root_mean_squared_error', dtype=None
                       )])

注：原代码存在两处小问题已修正：1. 数据预处理函数中df_as_np应为dataset_as_np；2. 验证集划分时y_val的起始索引应与X_val一致，否则会出现输入与标签不匹配的情况。

内容的提问来源于stack exchange，提问作者user20332322