MATLAB实现基于双向长短期记忆网络（BiLSTM）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已成为新型电力系统、交通能源融合与城市能源精细化管理中的关键研究方向。随着电动汽车保有量持续增长，公共充电站、园区慢充桩、快充走廊以及居民私人充电设施的接入规模不断扩大，充电行为呈现出明显的随机性、时段聚集性与区域差异性。充电负荷不再只是单一用户侧的用电问题，而是直接影响配电网峰谷差、变压器容量利用率、站端排队时延、储能调度效率以及电价策略设计的重要变量。对于运营方而言，若缺乏对未来充电需求的准确预判，容易出现设备闲置与容量不足并存的矛盾，既会降低投资回报，也会增加局部过载风险；对于电网侧而言，若无法及时感知未来若干小时或若干天内的充电负荷变化，便难以开展有针对性的潮流控制、需求响应、无功补偿和削峰填谷；对于用户侧而言，预约充电、智能分配、价格引导和路径规划都依赖较稳定的需求预测结果作为基础支撑。

在实际场景中，EV充电负荷受多种因素共同驱动。时间因素是最核心的维度之一，包括小时、星期、节假日、季节、工作日与周末差异等；环境因素也会影响充电行为，例如气温、降雨、极端天气会改变出行频率与充电时段；运营因素同样不可忽视，例如充电站价格策略、停车时长限制、充电功率上限、队列长度、站点地理位置等，都可能引起负荷曲线形态变化。由于这些因素之间存在较强的非线性耦合关系，传统的线性回归、指数平滑、单一时间序列模型往往难以充分刻画复杂模式。尤其在高渗透率情形下，充电负荷常表现为突发上升、周期波动叠加、峰值尖锐、低谷持续与长短时依赖并存等特征，单纯依赖人工设定规则的方法容易失去适应性。

双向长短期记忆网络BiLSTM适合用于这类复杂序列预测任务。LSTM通过门控机制缓解了普通循环神经网络在长序列学习中的梯度消失与梯度爆炸问题，能够捕捉跨较长时间跨度的依赖关系；BiLSTM在此基础上引入正向与反向两个时间方向的记忆单元，使模型不仅能利用过去历史信息，还能在训练阶段更充分地提取序列上下文特征，从而提升对局部波动与全局趋势的表达能力。在EV充电负荷预测场景中，虽然真实应用通常是单向滚动预测，但双向结构在特征学习阶段能够更充分地挖掘历史窗口内部的时序关联，特别适合离线建模、站级负荷曲线学习、日内负荷形态识别与短期预测任务。结合MATLAB平台，可以借助其成熟的信号处理、统计分析、深度学习与可视化能力，构建从数据清洗、特征构造、样本切分、网络训练到模型评估的完整工程流程。

从工程实践角度看，EV充电负荷预测并不只是“训练一个神经网络”这么简单。真实项目通常要面对数据缺失、异常值、采样不均、节假日突变、站点迁移、设备故障、记录字段不统一等问题，且不同站点之间的业务特征差异明显，模型需要具备一定的泛化能力与可解释性。BiLSTM模型若直接用于原始数据，容易受到噪声干扰，因此通常需要先构造滑动窗口样本，完成归一化处理，再按时间顺序划分训练集、验证集与测试集，最后通过RMSE、MAE、MAPE、R2等指标评价预测效果。对于管理决策而言，预测结果还可进一步用于充电桩扩容建议、站点排班优化、储能充放电计划、动态定价、车网互动策略与需求响应控制，形成从预测到决策的闭环。也正因如此，基于BiLSTM的EV充电负荷预测项目具备较强的现实价值、研究价值与工程推广价值，适合作为智慧能源领域中的典型深度学习应用案例。

项目目标与意义

1. 提升短期充电负荷预测精度

项目的首要目标是构建一套面向EV充电负荷的短期预测模型，实现对未来若干时段负荷变化的稳定预测。相较于传统时间序列模型，BiLSTM对非线性、非平稳和多周期叠加的序列具有更强表达能力，能够将历史负荷、时间标签与外部环境共同映射到未来负荷变化规律上。准确的短期预测可帮助运营方提前识别高峰时段，减少排队拥堵与资源浪费；也可帮助电网侧更早制定功率调节计划，提升配电运行安全性。该目标的意义并不局限于数值误差下降，更体现在预测结果能够稳定支持后续调度、定价和扩容决策，形成工程可落地的应用价值。

2. 支撑充电站运营优化

第二个目标是将预测结果转化为站端运营优化能力。充电站在现实中面临设备利用率、峰时服务能力、订单排队时间和收益平衡等多重约束，若无法预知未来负荷走势，常会出现资源配置失衡。通过BiLSTM输出的负荷预测曲线，运营方可以合理安排枪口开放数量、功率分配策略、维护窗口和储能补能策略，从而提高站点吞吐量并减少用户等待时间。若结合价格机制，还可以在高峰时段通过动态引导平移部分需求，缓解峰值压力。此类应用意义在于将数据预测直接转化为业务优化工具，使模型不止停留在学术层面，而是成为运营管理中的基础设施。

3. 服务配电网安全与经济运行

第三个目标是服务配电网的安全稳定与经济运行。大规模电动汽车接入后，充电负荷往往集中于居民回家后、通勤结束后或节假日出行期间，容易叠加形成局部峰值，对变压器、馈线和站端线路形成冲击。利用预测结果，电网可提前开展潮流分析、负荷转移、无功补偿和储能调度，减少越限风险与临时抢修概率。同时，预测信息还有助于规划未来配网改造路径，避免过度投资或容量不足。该目标的意义在于将充电负荷预测纳入电力系统精细化管理体系中，使电动车从潜在冲击源转变为可调度、可管理、可协同的柔性资源。

4. 构建可复用的MATLAB工程范式

第四个目标是形成可复用、可迁移、可扩展的MATLAB工程范式。项目不只追求单次结果，而是强调数据处理、建模训练、性能评估和结果展示的一体化设计。通过规范化的MATLAB脚本流程，可以方便后续替换不同站点数据、调整窗口长度、改变网络深度或引入外部特征，快速迁移到其他新能源负荷预测任务中。该目标的意义在于提升工程效率，降低重复开发成本，同时也为教学演示、科研验证和企业原型开发提供稳定参考，使同类项目可以在统一框架下快速迭代。

项目挑战及解决方案

1. 负荷序列非平稳且波动强烈

EV充电负荷最突出的难点之一是非平稳性强。由于出行行为、季节变化、天气扰动和节假日影响，负荷曲线往往呈现明显的尖峰、平台和突变，且不同时间段统计分布差异较大。若直接使用原始序列建模，模型容易被局部噪声主导，难以学习稳定规律。对此，解决方案是引入归一化处理、滑动窗口样本构造以及时间特征编码，将原始负荷拆解为可学习的短序列片段，并将时间信息与负荷值联合输入网络。BiLSTM通过双向记忆结构可更好地刻画窗口内上下文关系，缓解仅依赖单点数值导致的预测抖动问题。此外，对于异常波峰或缺失片段，可通过中位数替换、线性插值或局部平滑进行预处理，以增强模型训练稳定性。

2. 多因素耦合导致模式复杂

EV充电负荷并非单一因素驱动，而是时间、气象、节假日、站点属性、充电策略与用户行为共同作用的结果。不同因素之间不仅存在独立影响，还会产生交互效应，例如高温天气叠加节假日出行，会使充电需求显著高于普通工作日。单一输入特征往往无法完整反映这种耦合关系。解决方案是采用多变量输入结构，将负荷历史、小时编码、星期编码、节假日标识及气象特征共同组成输入向量，并通过特征归一化确保不同量纲可比较。在模型层面，可让BiLSTM先学习时序动态，再通过全连接层完成多维特征融合，从而提高对复杂场景的适应能力。若数据条件允许，还可进一步加入站点类型、区域属性和价格信号，增强模型的场景感知能力。

3. 模型泛化与工程部署要求高

真实项目中，训练集与部署环境常常并不完全一致，例如某个站点的历史数据充足，但新站点仅有少量样本；或某一时间段的业务结构发生变化，导致历史模式失效。深度模型若过度拟合训练数据，部署后性能会快速下降。解决方案包括严格按时间顺序划分训练、验证、测试集，避免数据泄漏；采用早停策略控制训练轮次；使用Dropout抑制过拟合；通过多次随机种子实验评估稳健性；并在MATLAB中设计可参数化脚本，方便不同站点复用。对于部署阶段，可将模型输出与规则校验结合，例如对异常预测值进行上下限约束，避免业务系统出现不合理调度结果。这样既保留BiLSTM的预测能力，也提升工程可用性与稳定性。

项目模型架构

1. 数据输入层

数据输入层负责承接EV充电负荷历史序列及其相关特征。对于MATLAB实现而言，通常将原始数据整理为表格或矩阵形式，每一行对应一个时间点，每一列对应一个特征，例如负荷值、温度、小时、星期、是否节假日等。输入层的核心作用是保证数据形状与网络接口一致，并为后续滑动窗口构造提供基础。若采用序列到单值预测，输入样本通常组织为三维张量形式，维度可理解为“特征数 × 时间步 × 样本数”或网络所需的序列格式。该层的基本原理是把现实中的连续负荷变化转化为结构化时序样本，使模型能够按照时间依赖关系进行学习。对于MATLAB深度学习工具链而言，输入层的规范性直接影响后续训练速度、内存占用和预测稳定性，因此数据整理环节是整个架构中最先需要严谨处理的部分。

2. 特征归一化与时间编码层

特征归一化与时间编码层的目标是统一变量量纲并增强模型对周期规律的识别能力。负荷、温度、湿度和时间标签的取值范围差异很大，若不做缩放，模型训练会被大数值特征主导。常见方法是将特征缩放至0到1区间，或标准化到零均值单位方差。时间编码则用于表达小时、星期和月份等周期信息，例如采用数值编码、正余弦编码或类别嵌入思想。BiLSTM对连续依赖非常敏感，加入时间编码后，可以更清晰地区分凌晨低谷、早晚高峰和周末模式。基本原理在于让模型不仅看到“负荷是多少”，还看到“当前处于什么时段”，从而形成对周期性更强的内部表征。对实际项目而言，特征缩放还能提升梯度下降的收敛速度，减少训练震荡，提高最终泛化能力。

3. BiLSTM序列建模层

BiLSTM是整个模型架构的核心。LSTM单元内部包含输入门、遗忘门和输出门，通过门控机制决定哪些历史信息需要保留、哪些信息需要丢弃，从而有效捕捉长期依赖。BiLSTM在此基础上同时构建正向和反向两个LSTM链路，正向链路从过去走向未来，反向链路从序列末端回看前文，最终将两个方向的隐藏状态拼接或融合。其基本原理是利用双向上下文信息提升特征表达能力，特别适合离线建模场景中的窗口级学习。对于EV充电负荷而言，窗口内部的上升沿、下降沿、峰值持续段和低谷恢复段都可由BiLSTM捕捉。该层通常设置隐藏单元数、层数、dropout比例等参数，层数越多，表达能力越强，但也更易过拟合，因此需要结合验证集进行调参。MATLAB中可通过sequenceInputLayer、bilstmLayer与后续全连接层进行组合实现。

4. 全连接输出层与回归映射层

BiLSTM输出的是高维时序特征，最终仍需通过回归映射转化为具体负荷预测值。全连接层的作用是对隐藏特征进行线性组合与非线性投影，输出一个标量或多个未来步长值。对于单步预测任务，通常将最后一个时间点的隐状态映射为下一时刻负荷；对于多步预测任务，可通过多输出节点同时给出多个未来时刻结果。其基本原理是把复杂的时序表示压缩到目标空间，使模型输出能够直接对应真实负荷值。若使用回归问题设置，则常搭配回归损失函数，如均方误差MSE，训练过程中通过反向传播不断最小化预测值与真实值之间的差异。此层虽然结构简单，但对最终精度影响很大，尤其在负荷峰值附近，全连接映射的拟合能力直接决定高峰时段预测质量。

5. 损失函数、优化器与评估层

损失函数、优化器与评估层共同构成模型训练与验证闭环。损失函数用于衡量预测结果与真实值之间的差异，EV负荷预测中通常采用MSE或RMSE作为优化目标，因为它们对大误差更敏感，有利于约束峰值预测偏差。优化器负责根据损失反向传播更新网络参数，MATLAB中常用Adam、SGDM等方式，其中Adam在多数时序回归任务上具有较好的收敛速度与鲁棒性。评估层则在训练后对测试集进行检验，常用指标包括MAE、RMSE、MAPE和R2，其中MAE反映平均绝对偏差，RMSE更重视大误差，MAPE便于衡量相对误差，R2用于评估解释能力。该部分的基本原理是通过训练优化与独立测试形成闭环，确保模型不是仅在训练集上表现良好，而是在真实未见数据上同样具有稳定预测能力。

项目模型描述及代码示例

1. 原始数据读取与时间字段整理

T = readtable('ev_charging_load.csv'); % 读取EV充电负荷原始表格数据，便于后续按时间序列进行处理

T.Time = datetime(T.Time,'InputFormat','yyyy-MM-dd HH:mm:ss'); % 将时间字符串转换为datetime类型，确保时间运算和排序准确

T = sortrows(T,'Time'); % 按时间升序排列，保证序列连续性符合时序建模要求

loadValue = T.Load; % 提取充电负荷列作为核心预测对象

hourValue = hour(T.Time); % 提取小时信息，用于表达日内周期特征

dayValue = weekday(T.Time); % 提取星期信息，用于表达周内周期特征

holidayValue = T.IsHoliday; % 提取节假日标识，用于表达特殊日期对负荷的影响

dataMatrix = [loadValue, hourValue, dayValue, holidayValue]; % 将目标值与辅助特征组合成统一数据矩阵

2. 缺失值与异常值处理

dataMatrix = fillmissing(dataMatrix,'linear'); % 采用线性插值填补缺失值，保持负荷曲线连续性

dataMatrix(:,1) = filloutliers(dataMatrix(:,1),'linear','movmedian',15); % 对负荷主变量中的异常点进行局部平滑替换，降低尖峰噪声干扰

dataMatrix(:,2) = mod(dataMatrix(:,2),24); % 将小时限制在0到23范围内，避免时间编码越界

dataMatrix(:,3) = mod(dataMatrix(:,3)-1,7)+1; % 将星期值统一映射到1到7，保证类别编码一致

dataMatrix(:,4) = double(dataMatrix(:,4)); % 将节假日逻辑量转换为数值型，方便神经网络输入

3. 特征归一化与训练测试集划分

X = dataMatrix(:,2:end); % 取辅助特征作为输入变量

Y = dataMatrix(:,1); % 取负荷值作为输出变量

[Xn, psX] = mapminmax(X',0,1); % 对输入特征按列归一化到0到1区间，提升模型训练稳定性

[Yn, psY] = mapminmax(Y',0,1); % 对输出负荷进行归一化处理，便于网络回归学习

Xn = Xn'; % 转置回样本在行、特征在列的形式，便于后续切片

Yn = Yn'; % 转置回列向量形式，便于构造监督样本

numObs = size(Xn,1); % 统计样本总数，为后续划分训练集做准备

idxTrain = 1:floor(0.7*numObs); % 按时间顺序取前70%作为训练样本，避免未来信息泄漏

idxVal = floor(0.7*numObs)+1:floor(0.85*numObs); % 中间15%作为验证样本，用于调参与早停控制

idxTest = floor(0.85*numObs)+1:numObs; % 最后15%作为测试样本，用于独立性能评估

4. 滑动窗口样本构造

winSize = 24; % 设置滑动窗口长度为24，表示利用过去24个时刻预测未来负荷

numFeatures = size(Xn,2); % 统计输入特征数，用于组织序列样本维度

XTrain = {}; % 初始化训练输入序列容器，使用cell数组存储每个样本序列

YTrain = []; % 初始化训练输出向量，存储每个窗口对应的目标值

for i = idxTrain(1)+winSize:idxTrain(end) % 从训练起点加窗口长度开始遍历，保证每个样本都有足够历史信息

    XTrain{end+1} = Xn(i-winSize:i-1,:)'; % 将过去24步的特征转置为“特征×时间步”形式，符合序列输入要求

    YTrain(end+1,1) = Yn(i); % 取当前时刻归一化负荷作为监督标签

end % 完成训练样本构造

XVal = {}; % 初始化验证输入序列容器

YVal = []; % 初始化验证输出向量

for i = idxVal(1)+winSize:idxVal(end) % 在验证区间内逐点构造样本

    XVal{end+1} = Xn(i-winSize:i-1,:)'; % 取对应窗口的历史特征序列

    YVal(end+1,1) = Yn(i); % 取对应时刻的真实负荷值

end % 完成验证样本构造

XTest = {}; % 初始化测试输入序列容器

YTest = []; % 初始化测试输出向量

for i = idxTest(1)+winSize:idxTest(end) % 在测试区间内逐点构造样本

    XTest{end+1} = Xn(i-winSize:i-1,:)'; % 组织测试序列输入

    YTest(end+1,1) = Yn(i); % 组织测试标签输出

end % 完成测试样本构造

5. BiLSTM网络定义与训练参数配置

layers = [ % 开始定义序列回归网络结构

    sequenceInputLayer(numFeatures) % 序列输入层，接收每个时刻的多维特征

    bilstmLayer(128,'OutputMode','last') % 双向LSTM层，使用128个隐藏单元并输出最后时刻特征

    dropoutLayer(0.2) % 随机失活层，缓解过拟合并提升泛化能力

    fullyConnectedLayer(64) % 全连接层，将时序特征映射到更高层语义空间

    reluLayer % ReLU激活层，引入非线性表达能力

    fullyConnectedLayer(1) % 输出层，输出单步负荷预测值

    regressionLayer]; % 回归层，使用均方误差类目标进行训练



options = trainingOptions('adam', ... % 采用Adam优化器，兼顾收敛速度与稳定性

    'MaxEpochs',120, ... % 设置最大训练轮数，控制训练充分程度

    'MiniBatchSize',64, ... % 设置小批量大小，平衡训练速度和梯度稳定性

    'InitialLearnRate',1e-3, ... % 设置初始学习率，便于快速收敛

    'Shuffle','never', ... % 时序数据训练阶段不打乱顺序，避免破坏时间依赖

    'ValidationData',{XVal,YVal}, ... % 指定验证集用于监控泛化误差

    'ValidationFrequency',30, ... % 每30次迭代进行一次验证

    'Verbose',true, ... % 显示训练过程信息，便于观察收敛状态

    'Plots','training-progress'); % 显示训练曲线，便于检查损失变化和过拟合趋势

6. 模型训练、预测与反归一化评估

net = trainNetwork(XTrain,YTrain,layers,options); % 使用训练样本对BiLSTM网络进行拟合

YPred = predict(net,XTest,'MiniBatchSize',1); % 对测试样本执行预测，逐样本输出归一化结果

YPredReal = mapminmax('reverse',YPred',psY)'; % 将预测值反归一化回真实负荷量纲

YTestReal = mapminmax('reverse',YTest',psY)'; % 将真实标签反归一化，便于与预测值同尺度比较

rmseVal = sqrt(mean((YPredReal - YTestReal).^2)); % 计算RMSE，用于衡量整体预测误差水平

maeVal = mean(abs(YPredReal - YTestReal)); % 计算MAE，用于衡量平均绝对偏差

mapeVal = mean(abs((YPredReal - YTestReal)./max(YTestReal,eps))) * 100; % 计算MAPE，避免除零并反映相对误差

r2Val = 1 - sum((YPredReal - YTestReal).^2)/sum((YTestReal - mean(YTestReal)).^2); % 计算R2，衡量模型解释能力

plot(YTestReal,'k'); % 绘制真实负荷曲线，便于观察测试集波动形态

hold on; % 保持当前图像，叠加预测曲线

plot(YPredReal,'r'); % 绘制预测负荷曲线，直观比较拟合效果

legend('真实值','预测值'); % 添加图例，区分两条曲线

1. 原始数据读取与时间字段整理

T = readtable('ev_charging_load.csv'); % 读取EV充电负荷原始表格数据，便于后续按时间序列进行处理

T.Time = datetime(T.Time,'InputFormat','yyyy-MM-dd HH:mm:ss'); % 将时间字符串转换为datetime类型，确保时间运算和排序准确

T = sortrows(T,'Time'); % 按时间升序排列，保证序列连续性符合时序建模要求

loadValue = T.Load; % 提取充电负荷列作为核心预测对象

hourValue = hour(T.Time); % 提取小时信息，用于表达日内周期特征

dayValue = weekday(T.Time); % 提取星期信息，用于表达周内周期特征

holidayValue = T.IsHoliday; % 提取节假日标识，用于表达特殊日期对负荷的影响

dataMatrix = [loadValue, hourValue, dayValue, holidayValue]; % 将目标值与辅助特征组合成统一数据矩阵

2. 缺失值与异常值处理

dataMatrix = fillmissing(dataMatrix,'linear'); % 采用线性插值填补缺失值，保持负荷曲线连续性

dataMatrix(:,1) = filloutliers(dataMatrix(:,1),'linear','movmedian',15); % 对负荷主变量中的异常点进行局部平滑替换，降低尖峰噪声干扰

dataMatrix(:,2) = mod(dataMatrix(:,2),24); % 将小时限制在0到23范围内，避免时间编码越界

dataMatrix(:,3) = mod(dataMatrix(:,3)-1,7)+1; % 将星期值统一映射到1到7，保证类别编码一致

dataMatrix(:,4) = double(dataMatrix(:,4)); % 将节假日逻辑量转换为数值型，方便神经网络输入

3. 特征归一化与训练测试集划分

X = dataMatrix(:,2:end); % 取辅助特征作为输入变量

Y = dataMatrix(:,1); % 取负荷值作为输出变量

[Xn, psX] = mapminmax(X',0,1); % 对输入特征按列归一化到0到1区间，提升模型训练稳定性

[Yn, psY] = mapminmax(Y',0,1); % 对输出负荷进行归一化处理，便于网络回归学习

Xn = Xn'; % 转置回样本在行、特征在列的形式，便于后续切片

Yn = Yn'; % 转置回列向量形式，便于构造监督样本

numObs = size(Xn,1); % 统计样本总数，为后续划分训练集做准备

idxTrain = 1:floor(0.7*numObs); % 按时间顺序取前70%作为训练样本，避免未来信息泄漏

idxVal = floor(0.7*numObs)+1:floor(0.85*numObs); % 中间15%作为验证样本，用于调参与早停控制

idxTest = floor(0.85*numObs)+1:numObs; % 最后15%作为测试样本，用于独立性能评估

4. 滑动窗口样本构造

winSize = 24; % 设置滑动窗口长度为24，表示利用过去24个时刻预测未来负荷

numFeatures = size(Xn,2); % 统计输入特征数，用于组织序列样本维度

XTrain = {}; % 初始化训练输入序列容器，使用cell数组存储每个样本序列

YTrain = []; % 初始化训练输出向量，存储每个窗口对应的目标值

for i = idxTrain(1)+winSize:idxTrain(end) % 从训练起点加窗口长度开始遍历，保证每个样本都有足够历史信息

    XTrain{end+1} = Xn(i-winSize:i-1,:)'; % 将过去24步的特征转置为“特征×时间步”形式，符合序列输入要求

    YTrain(end+1,1) = Yn(i); % 取当前时刻归一化负荷作为监督标签

end % 完成训练样本构造

XVal = {}; % 初始化验证输入序列容器

YVal = []; % 初始化验证输出向量

for i = idxVal(1)+winSize:idxVal(end) % 在验证区间内逐点构造样本

    XVal{end+1} = Xn(i-winSize:i-1,:)'; % 取对应窗口的历史特征序列

    YVal(end+1,1) = Yn(i); % 取对应时刻的真实负荷值

end % 完成验证样本构造

XTest = {}; % 初始化测试输入序列容器

YTest = []; % 初始化测试输出向量

for i = idxTest(1)+winSize:idxTest(end) % 在测试区间内逐点构造样本

    XTest{end+1} = Xn(i-winSize:i-1,:)'; % 组织测试序列输入

    YTest(end+1,1) = Yn(i); % 组织测试标签输出

end % 完成测试样本构造

5. BiLSTM网络定义与训练参数配置

layers = [ % 开始定义序列回归网络结构

    sequenceInputLayer(numFeatures) % 序列输入层，接收每个时刻的多维特征

    bilstmLayer(128,'OutputMode','last') % 双向LSTM层，使用128个隐藏单元并输出最后时刻特征

    dropoutLayer(0.2) % 随机失活层，缓解过拟合并提升泛化能力

    fullyConnectedLayer(64) % 全连接层，将时序特征映射到更高层语义空间

    reluLayer % ReLU激活层，引入非线性表达能力

    fullyConnectedLayer(1) % 输出层，输出单步负荷预测值

    regressionLayer]; % 回归层，使用均方误差类目标进行训练

options = trainingOptions('adam', ... % 采用Adam优化器，兼顾收敛速度与稳定性

    'MaxEpochs',120, ... % 设置最大训练轮数，控制训练充分程度

    'MiniBatchSize',64, ... % 设置小批量大小，平衡训练速度和梯度稳定性

    'InitialLearnRate',1e-3, ... % 设置初始学习率，便于快速收敛

    'Shuffle','never', ... % 时序数据训练阶段不打乱顺序，避免破坏时间依赖

    'ValidationData',{XVal,YVal}, ... % 指定验证集用于监控泛化误差

    'ValidationFrequency',30, ... % 每30次迭代进行一次验证

    'Verbose',true, ... % 显示训练过程信息，便于观察收敛状态

    'Plots','training-progress'); % 显示训练曲线，便于检查损失变化和过拟合趋势

6. 模型训练、预测与反归一化评估

net = trainNetwork(XTrain,YTrain,layers,options); % 使用训练样本对BiLSTM网络进行拟合

YPred = predict(net,XTest,'MiniBatchSize',1); % 对测试样本执行预测，逐样本输出归一化结果

YPredReal = mapminmax('reverse',YPred',psY)'; % 将预测值反归一化回真实负荷量纲

YTestReal = mapminmax('reverse',YTest',psY)'; % 将真实标签反归一化，便于与预测值同尺度比较

rmseVal = sqrt(mean((YPredReal - YTestReal).^2)); % 计算RMSE，用于衡量整体预测误差水平

maeVal = mean(abs(YPredReal - YTestReal)); % 计算MAE，用于衡量平均绝对偏差

mapeVal = mean(abs((YPredReal - YTestReal)./max(YTestReal,eps))) * 100; % 计算MAPE，避免除零并反映相对误差

r2Val = 1 - sum((YPredReal - YTestReal).^2)/sum((YTestReal - mean(YTestReal)).^2); % 计算R2，衡量模型解释能力

plot(YTestReal,'k'); % 绘制真实负荷曲线，便于观察测试集波动形态

hold on; % 保持当前图像，叠加预测曲线

plot(YPredReal,'r'); % 绘制预测负荷曲线，直观比较拟合效果

legend('真实值','预测值'); % 添加图例，区分两条曲线

更多详细内容请访问

http://智慧能源基于BiLSTM的电动汽车充电负荷预测系统MATLAB实现基于双向长短期记忆网络（BiLSTM）进行电动汽车（EV）充电负荷预测的详细项目实例（含完整的程序，GUI设计和代码详解）_多变量回归预测GUI工具资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/90369645

 https://download.csdn.net/download/xiaoxingkongyuxi/90369645

http:// https://download.csdn.net/download/xiaoxingkongyuxi/90369645