MATLAB实现基于类别梯度提升模型CatBoost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是智慧交通与新型电力系统融合中的关键问题。随着电动汽车保有量快速增长公共充电站、园区慢充桩、城市快充网络以及高速服务区补能设施的规模持续扩大充电行为逐渐从“少量、分散、偶发”转向“高频、集中、波动显著”。这种变化使得电网侧、运营侧与用户侧都面临更复杂的调度压力一方面充电负荷会直接影响配电网的峰谷差、线路拥塞、台区变压器温升以及局部电压波动另一方面充电站运营者需要据此安排充电桩分配、排队策略、储能充放电计划与电价引导机制。如果缺乏准确预测充电站容易出现高峰时段排队过长、设备过载、空闲时段利用率低等问题电网也容易出现负荷尖峰叠加、局部容量不足和运行风险上升等现象。因此构建高精度、可落地、具备工程适应性的EV充电负荷预测模型已经成为能源互联网与智慧出行协同发展的核心研究方向之一。从数据特征看EV充电负荷具有明显的非线性、强时序性、季节性、突发性和多因素耦合特征。其形成机制不仅与历史负荷自身相关还与节假日、工作日类型、气温、降雨、空气湿度、昼夜时段、周末出行习惯、地区交通热度、站点地理属性、价格策略以及用户群体结构密切相关。不同充电站的规律差异也非常明显写字楼附近站点在工作日白天更活跃住宅区站点在晚间和夜间更集中商圈站点受周末和节假日影响更大高速站点则与长途出行潮汐特征强相关。这意味着简单的线性模型往往难以刻画复杂映射关系传统时间序列模型在遇到突发波动、非平稳分布和多源变量交互时也容易失效。因此需要采用能够处理类别特征、非线性关系和特征交互的机器学习方法构建更加鲁棒的预测框架。在众多方法中CatBoost 具有天然优势。CatBoost 属于类别梯度提升决策树模型能够有效处理类别型特征并通过有序提升机制与目标统计编码策略降低目标泄漏风险减少过拟合提升泛化能力。对于EV充电负荷预测而言很多输入变量本身就包含类别信息例如星期几、是否节假日、月份、季节类型、天气类型、站点类型、区域类型、充电时段类别等。CatBoost 不仅能够直接利用这些类别特征而且在处理混合型数据时通常比普通提升树和部分深度学习模型更稳定。尤其在样本规模不是极端庞大、特征结构较复杂、类别变量较多的实际项目中CatBoost 常常能在预测精度、训练速度与工程可实施性之间取得较好的平衡。从项目实施角度看MATLAB 具备完整的数据处理、建模、评估和可视化能力适合构建一体化的EV充电负荷预测原型系统。借助 MATLAB可以完成数据清洗、缺失值修复、异常点处理、特征构造、训练集与测试集划分、模型训练、参数调优、误差评估以及结果展示并能够较方便地与仿真平台、控制系统或能源管理平台对接。MATLAB R2025b 在机器学习与可视化方面继续保持较强的工程可用性但在具体实现时必须注意版本差异例如部分界面控件与机器学习接口参数存在变化绘图对象属性也有更新。因此项目设计需要严格贴合 R2025b 的可执行语法避免因版本不兼容导致的运行错误。EV充电负荷预测不仅是一个纯粹的数据建模任务更是一个面向真实场景的综合工程问题。其价值体现在多个层面在电网运行层面可以用于日前或日内负荷预警、配变容量评估、削峰填谷决策和分布式能源协同调度在运营管理层面可以用于充电桩资源配置、排队引导、动态电价制定、储能系统调度以及站点扩容规划在用户服务层面可以用于充电等待时间估计、推荐最优充电时段、优化路径补能安排以及提升充电体验在城市治理层面可以用于分析区域电动汽车发展趋势、评估基础设施覆盖水平、辅助交通与能源一体化规划。由此可见基于CatBoost的EV充电负荷预测不仅具有较高的研究价值也具有十分明确的产业落地意义。在项目实施过程中还需要面对数据质量不均、时间粒度不统一、特征维度多、类别编码复杂、数据分布漂移以及评价指标选择等现实问题。充电负荷数据可能存在缺失、重复、异常尖峰或采集延迟天气与节假日信息可能来自不同来源时间戳对齐和数据融合难度较高。若处理不当模型即使训练误差很低也可能在真实场景中失去稳定性。基于此本项目需要建立一套完整的数据预处理、特征构造、模型训练与调优评估流程并结合MATLAB中可实现的CatBoost替代方案或接口方式形成可复现、可解释、可扩展的工程化预测实例从而为后续扩展到多站点、多区域、短时滚动预测和智能调度奠定基础。项目目标与意义提升EV充电负荷预测精度项目的首要目标是提升电动汽车充电负荷预测精度使模型能够更准确地刻画历史负荷与多源外部因素之间的复杂关系。传统方法在面对充电负荷这种强非线性、强波动、强类别依赖的数据时往往存在拟合能力不足的问题特别是在节假日、极端天气、促销活动或交通高峰时段误差容易明显放大。CatBoost 通过梯度提升思想逐步优化残差并对类别特征进行高效编码可显著增强模型对复杂模式的捕捉能力。精度提升后预测结果更接近真实负荷曲线有助于减少误判和调度偏差使电网运营和充电站管理更具主动性与前瞻性。支撑电网安全稳定运行EV充电负荷的快速增长会给配电网带来更高压力尤其在配变容量接近上限、站点集中接入或高峰期负荷叠加时容易引发局部过载、电压越限和供电可靠性下降。项目的重要意义在于通过负荷预测提前识别高风险时段和高风险区域从而为网侧容量评估、线路改造、储能配置以及需求响应提供依据。预测结果越准确电网调度越能够在时间上提前干预在空间上精准定位风险点避免事后被动处理。对于新型电力系统而言这类前瞻性负荷预测已经成为保障安全运行的重要基础能力。优化充电运营与资源配置充电站运营侧需要根据负荷变化动态安排充电桩使用、排队规则、储能调度和服务人员配置。若无法提前掌握负荷走势站点容易出现高峰拥堵与低谷闲置并存的问题直接影响用户体验与资产收益。借助CatBoost预测模型可以对未来短时段或日内负荷进行估计帮助运营方合理安排设备开放数量、优化充电价格策略、引导错峰充电并提高整体利用率。通过精细化预测充电运营不再依赖经验判断而是转向数据驱动决策从而提升资源配置效率和经营稳定性。促进交通能源融合发展电动汽车不仅是交通工具也是移动式负荷单元和潜在的灵活调节资源。充电负荷预测能够为交通与能源融合提供重要数据支撑使城市管理者更清晰地了解车辆补能需求与区域能源压力之间的耦合关系。通过预测结果可以辅助制定站点布局方案、优化道路沿线补能设施、识别高需求区域并推动“车-桩-网”协同规划。该能力对建设智慧城市、低碳交通体系和高比例新能源消纳体系具有现实意义能够促进交通系统与电力系统之间的联动优化。提升模型工程化与可复用性本项目不仅关注单次预测结果还关注模型在真实工程中的部署价值。通过MATLAB R2025b实现完整的数据处理、训练、评估和展示过程可以形成一套可复用的建模流程便于后续扩展到不同站点、不同时间尺度和不同区域场景。工程化目标的意义在于使算法从研究性工具转化为可执行方案减少人工重复劳动提高模型迭代效率并为后续接入实时数据流、自动重训练机制和可视化监控界面打下基础。对于企业应用和研究验证而言这种可复用的流程化设计具有很强的实践价值。项目挑战及解决方案多源数据异构与时间对齐困难EV充电负荷预测常常涉及负荷记录、天气信息、节假日标记、站点属性、区域类型和时间属性等多源数据这些数据往往来自不同系统格式不一致、采样频率不同、字段命名不统一且存在缺失与重复记录。时间对齐成为首要难点例如负荷数据按15分钟采样而天气数据按小时更新节假日信息按日期记录若直接拼接容易造成特征错位。解决方案是建立统一时间轴对所有数据进行时间戳标准化、重采样与映射关联并在MATLAB中使用表格类型进行数据融合按日期、时段、站点编号进行主键匹配。对于缺失值可采用邻近时段插值、均值填充或基于季节分组的局部填补方式保证输入特征在时序上连续稳定。这样才能避免因数据错位导致模型学习失真。类别特征多且交互关系复杂充电负荷受星期、月份、季节、天气类型、站点类型、是否节假日等大量类别变量影响这些变量之间常常存在交互作用例如“工作日雨天商业区站点”与“周末晴天住宅区站点”的负荷模式明显不同。若采用普通数值回归或粗糙编码模型难以充分利用类别信息。解决方案是利用 CatBoost 对类别特征的原生支持能力让模型在训练过程中自动处理类别编码并通过有序目标统计减少目标泄漏。此外可以构造交叉特征如“星期几×是否节假日”“站点类型×时段类型”等以提升模型对复杂场景的表达能力。通过这种方式模型不仅能识别单个类别变量的影响还能学习到更深层次的组合规律显著提升预测能力。模型泛化能力与过拟合风险EV充电负荷数据通常具有明显的时序依赖和区域差异某些时段样本充足而极端情况样本较少模型容易对常见模式学习过深却对稀有场景泛化不足。CatBoost 虽然具备较强的抗过拟合能力但在特征过多、噪声较强或参数设置不合理时仍可能出现训练效果好而测试效果下降的问题。解决方案包括合理划分训练集、验证集和测试集采用时间顺序切分避免未来信息泄露限制树深、叶子数和学习率控制模型复杂度使用早停机制监控验证误差在评价指标上同时关注 MAE、RMSE 和 MAPE避免单一指标失真必要时采用滚动窗口验证方式检验模型稳定性。通过这些方法可以更好地平衡拟合能力与泛化能力。项目模型架构数据输入层数据输入层负责接收EV充电负荷历史记录及其相关外部特征包括时间戳、站点编号、充电功率、负荷总量、温度、湿度、降雨、风速、星期类型、节假日标记、季节标签和站点属性等。该层的核心作用是将分散在不同来源的数据统一组织为结构化表格。对于MATLAB实现而言通常使用 table 作为基础数据容器便于处理混合类型变量。时间型变量需要转换为 datetime再进一步提取小时、星期、月份、是否工作日等派生特征。类别变量保持为 categorical以便后续模型直接识别。输入层的质量决定整个系统的上限如果字段缺失、格式错误或时间错位后续建模将受到显著影响因此该层必须完成一致性校验、缺失检查和格式标准化。数据预处理层数据预处理层承担清洗、修复与转换任务是提升模型性能的重要环节。原始充电数据中可能存在异常尖峰、计量偏差、采集间隔不均、缺失片段以及重复记录。该层需要通过规则筛查、统计阈值判断或滑动窗口策略识别异常点再采用中位数修正、邻近插值或局部平滑方法处理。对于数值型变量可根据需要进行标准化或归一化但CatBoost对数值特征并不强制要求缩放因此通常保留原始尺度以增强可解释性。类别型变量则应统一编码格式并转为 categorical。预处理层的基本原理是尽可能减少噪声对梯度提升树分裂过程的干扰同时保留真实波动特征使模型更准确地学习到负荷变化规律。特征工程层特征工程层决定模型能否从原始数据中提取出更有判别力的信息。除了基础时间特征和环境特征外还可以构造滞后特征、滑动均值特征、同比或环比特征、峰谷标记特征、站点历史均值特征以及节假日前后特征。对于充电负荷预测时序上下文非常重要因此可加入前一时刻、前四个时刻、前一天同一时段的负荷作为输入以增强对短期动态变化的刻画能力。类别特征之间也可进行组合例如“时段类别天气类别”或“站点类别星期类别”帮助模型捕捉更复杂的交互关系。其基本原理是通过人为引入更具信息量的表达让模型更容易找到高质量分裂点从而提升树模型的学习效率和预测精度。CatBoost训练层CatBoost训练层是整个架构的核心基于梯度提升决策树逐步拟合残差。其基本思想是构建一组弱学习器每一棵树都在前一轮模型残差的基础上继续优化最终多个弱树加和形成强预测器。CatBoost的关键优势在于对类别特征的高效处理以及对目标泄漏的抑制。其有序提升机制使用随机排列和历史统计信息避免当前样本标签直接参与自身编码从而降低过拟合风险。对于充电负荷预测这种类别变量占比较高的数据CatBoost可以比许多传统树模型更稳健。训练层中可通过调节树深、学习率、迭代次数、L2正则强度和损失函数类型来控制模型复杂度并根据验证集表现进行早停避免过度训练。结果评估与输出层结果评估与输出层负责对预测性能进行量化分析并将结果可视化呈现。常用指标包括 MAE、RMSE、MAPE 和决定系数 R²其中 MAE 反映平均绝对偏差RMSE 对大误差更敏感MAPE 便于理解相对误差水平R²则衡量拟合程度。除数值指标外还应绘制真实值与预测值对比曲线、残差分布图、误差直方图以及不同时间段的预测效果图以观察模型是否存在系统性偏差。该层的基本原理是通过多维度评价检验模型是否真正具备工程价值而不仅仅是在训练集上表现良好。输出层还可进一步将预测结果导出为表格供电网调度、充电运营或上层优化系统调用实现数据驱动决策闭环。项目模型描述及代码示例数据生成与整理 rng(2025); % 固定随机种子保证示例结果可复现 nDays 180; % 设置样本覆盖天数模拟半年充电负荷变化 t (datetime(2025,1,1,0,0,0):hours(1):datetime(2025,1,1,0,0,0)hours(24*nDays-1)); % 生成按小时采样的时间序列 n numel(t); % 计算总样本数作为后续建模的时间点数量 Hour hour(t); % 提取小时特征用于刻画昼夜充电规律 WeekDay weekday(t); % 提取星期特征用于识别工作日与周末差异 Month month(t); % 提取月份特征用于表达季节变化影响 IsWeekend categorical(ismember(WeekDay,[1 7])); % 构造周末类别特征反映周末出行与充电习惯 IsHoliday categorical(rand(n,1) 0.08); % 构造节假日标记模拟假日负荷波动 Temp 18 10*sin(2*pi*(Hour/24)) 6*sin(2*pi*(Month/12)) randn(n,1)*1.5; % 构造气温特征体现日周期与月周期变化 Humidity 55 18*cos(2*pi*(Hour/24)) randn(n,1)*4; % 构造湿度特征模拟天气对充电行为的间接影响 WeatherType categorical(randi([1 4],n,1)); % 构造天气类别表示晴、阴、雨、雪等类型 StationType categorical(randi([1 3],n,1)); % 构造站点类型表示住宅、商业、交通枢纽等属性 LoadLag1 [NaN; zeros(n-1,1)]; % 预留一阶滞后特征的存储位置用于承接前一时刻负荷 baseLoad 120 35*sin(2*pi*(Hour/24-0.2)) 18*cos(2*pi*(WeekDay/7)) 0.9*Temp - 0.25*Humidity; % 构造基础负荷响应项模拟多因素共同作用 holidayEffect double(IsHolidaytrue) * 25; % 构造节假日附加负荷效应增强节假日峰值 weekendEffect double(IsWeekendtrue) * 12; % 构造周末附加负荷效应体现休闲出行带来的变化 weatherEffect zeros(n,1); % 初始化天气效应变量便于逐条赋值 weatherEffect(WeatherType1) 8; % 晴天对充电负荷的轻微促进效应 weatherEffect(WeatherType2) 2; % 阴天对负荷影响较弱 weatherEffect(WeatherType3) -6; % 雨天抑制部分外出充电需求 weatherEffect(WeatherType4) -10; % 雪天进一步降低部分时段出行与充电 StationEffect zeros(n,1); % 初始化站点类型效应用于不同场景负荷差异 StationEffect(StationType1) 10; % 住宅站点晚间与夜间需求更高 StationEffect(StationType2) 22; % 商业站点白天活跃度较高 StationEffect(StationType3) 16; % 交通枢纽站点呈现明显潮汐变化 noise randn(n,1)*8; % 构造随机扰动项模拟真实采集波动 Load baseLoad holidayEffect weekendEffect weatherEffect StationEffect noise; % 生成目标负荷变量形成完整预测对象 Load(Load 0) 0; % 约束负荷非负保证物理意义合理 LoadLag1(2:end) Load(1:end-1); % 构造一阶滞后负荷特征体现时序相关性 data table(t,Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1,Load); % 汇总为表格便于MATLAB统一处理 data rmmissing(data); % 删除缺失行确保训练数据完整 save(ev_charge_load_data.mat,data); % 保存为MAT文件便于后续复现实验与重复调用 特征类型转换与数据划分 load(ev_charge_load_data.mat,data); % 载入已保存的数据集继续进行建模 data.WeekDay categorical(data.WeekDay); % 将星期变量转为类别型便于CatBoost识别离散模式 data.Month categorical(data.Month); % 将月份变量转为类别型表达季节性分组 data.Hour categorical(data.Hour); % 将小时变量转为类别型避免强行线性化时段差异 idx randperm(height(data)); % 随机打乱样本索引用于构造训练与测试子集 nTrain round(0.7*height(data)); % 设定训练集比例为70%保留足够样本用于验证 trainIdx idx(1:nTrain); % 提取训练集索引 testIdx idx(nTrain1:end); % 提取测试集索引 trainTbl data(trainIdx,:); % 生成训练表 testTbl data(testIdx,:); % 生成测试表 predictorNames {Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1}; % 指定输入特征名称 responseName Load; % 指定目标变量名称 XTrain trainTbl(:,predictorNames); % 提取训练特征表 yTrain trainTbl.(responseName); % 提取训练目标向量 XTest testTbl(:,predictorNames); % 提取测试特征表 yTest testTbl.(responseName); % 提取测试目标向量 CatBoost接口建模 cb py.importlib.import_module(catboost); % 调用Python中的CatBoost库构建MATLAB与CatBoost的桥接 np py.importlib.import_module(numpy); % 调用NumPy用于数组转换与传递 pd py.importlib.import_module(pandas); % 调用Pandas用于表格化输入方便CatBoost处理类别特征 XTrainPy pd.DataFrame(); % 初始化Python训练特征表 for k 1:numel(predictorNames) % 遍历每个输入变量 name predictorNames{k}; % 读取当前变量名 col XTrain.(name); % 取出当前列数据 if iscategorical(col) % 判断是否为类别变量 XTrainPy.(name) py.list(cellstr(col)); % 将类别转为字符串列表供CatBoost识别 else % 如果是数值变量 XTrainPy.(name) py.list(num2cell(double(col))); % 将数值转为Python列表 end % 结束条件判断 end % 结束特征列循环 yTrainPy py.list(num2cell(double(yTrain))); % 将训练目标转为Python列表 XTestPy pd.DataFrame(); % 初始化测试特征表 for k 1:numel(predictorNames) % 遍历每个输入变量 name predictorNames{k}; % 读取当前变量名 col XTest.(name); % 取出当前列数据 if iscategorical(col) % 判断是否为类别变量 XTestPy.(name) py.list(cellstr(col)); % 转为字符串列表便于测试预测 else % 如果是数值变量 XTestPy.(name) py.list(num2cell(double(col))); % 转为数值列表 end % 结束条件判断 end % 结束测试列循环 params py.dict(); % 创建CatBoost参数字典 params{iterations} int32(400); % 设置树的迭代轮数 params{learning_rate} 0.05; % 设置学习率控制每轮更新幅度 params{depth} int32(6); % 设置树深控制模型复杂度 params{loss_function} RMSE; % 设置回归损失函数为均方根误差 params{verbose} false; % 关闭训练过程冗余输出提升运行简洁度 params{random_seed} int32(2025); % 设置随机种子保证结果一致性 catFeatures py.list({Hour,WeekDay,Month,IsWeekend,IsHoliday,WeatherType,StationType}); % 指定类别特征名帮助CatBoost自动处理离散变量 model cb.CatBoostRegressor(params); % 创建CatBoost回归器 model.fit(XTrainPy, py.array.array(d, yTrainPy), pyargs(cat_features, catFeatures)); % 使用训练数据拟合模型 yPredPy model.predict(XTestPy); % 对测试集进行预测 yPred double(py.array.array(d, yPredPy)); % 将Python预测结果转回MATLAB数值向量 评价指标计算 mae mean(abs(yTest - yPred)); % 计算平均绝对误差反映平均偏差大小 rmse sqrt(mean((yTest - yPred).^2)); % 计算均方根误差强调大误差影响 mape mean(abs((yTest - yPred)./max(yTest,1e-6)))*100; % 计算平均绝对百分比误差避免除零问题 r2 1 - sum((yTest - yPred).^2)/sum((yTest - mean(yTest)).^2); % 计算决定系数衡量解释能力 metrics table(mae,rmse,mape,r2); % 汇总评价指标便于结果展示 disp(metrics); % 输出指标表查看模型性能 结果可视化与误差分析 fig1 figure(Color,w,Position,[120 120 1100 500]); % 创建白底图窗用于展示预测曲线 plot(yTest,k-,LineWidth,1.5); % 绘制真实负荷曲线使用黑色实线 hold on; % 保持当前坐标轴叠加预测结果 plot(yPred,r-,LineWidth,1.5); % 绘制预测负荷曲线使用红色实线 legend(真实负荷,CatBoost预测负荷,Location,best); % 添加图例区分两条曲线 xlabel(测试样本序号); % 设置横轴名称表示样本顺序 ylabel(充电负荷); % 设置纵轴名称表示负荷大小 title(EV充电负荷真实值与预测值对比); % 设置图题说明图像内容 grid on; % 显示网格便于观察波动差异 fig2 figure(Color,w,Position,[150 150 900 420]); % 创建第二个图窗用于展示残差分布 residual yTest - yPred; % 计算残差分析预测偏差 histogram(residual,30,FaceColor,[0.2 0.6 0.8],EdgeColor,none); % 绘制残差直方图观察误差集中情况 xlabel(残差); % 设置横轴名称表示真实值减预测值 ylabel(频数); % 设置纵轴名称表示出现次数 title(CatBoost预测残差分布); % 设置图题便于判断误差是否近似对称 grid on; % 打开网格提升可读性数据生成与整理rng(2025); % 固定随机种子保证示例结果可复现nDays 180; % 设置样本覆盖天数模拟半年充电负荷变化t (datetime(2025,1,1,0,0,0):hours(1):datetime(2025,1,1,0,0,0)hours(24*nDays-1)); % 生成按小时采样的时间序列n numel(t); % 计算总样本数作为后续建模的时间点数量Hour hour(t); % 提取小时特征用于刻画昼夜充电规律WeekDay weekday(t); % 提取星期特征用于识别工作日与周末差异Month month(t); % 提取月份特征用于表达季节变化影响IsWeekend categorical(ismember(WeekDay,[1 7])); % 构造周末类别特征反映周末出行与充电习惯IsHoliday categorical(rand(n,1) 0.08); % 构造节假日标记模拟假日负荷波动Temp 18 10*sin(2*pi*(Hour/24)) 6*sin(2*pi*(Month/12)) randn(n,1)*1.5; % 构造气温特征体现日周期与月周期变化Humidity 55 18*cos(2*pi*(Hour/24)) randn(n,1)*4; % 构造湿度特征模拟天气对充电行为的间接影响WeatherType categorical(randi([1 4],n,1)); % 构造天气类别表示晴、阴、雨、雪等类型StationType categorical(randi([1 3],n,1)); % 构造站点类型表示住宅、商业、交通枢纽等属性LoadLag1 [NaN; zeros(n-1,1)]; % 预留一阶滞后特征的存储位置用于承接前一时刻负荷baseLoad 120 35*sin(2*pi*(Hour/24-0.2)) 18*cos(2*pi*(WeekDay/7)) 0.9*Temp - 0.25*Humidity; % 构造基础负荷响应项模拟多因素共同作用holidayEffect double(IsHolidaytrue) * 25; % 构造节假日附加负荷效应增强节假日峰值weekendEffect double(IsWeekendtrue) * 12; % 构造周末附加负荷效应体现休闲出行带来的变化weatherEffect zeros(n,1); % 初始化天气效应变量便于逐条赋值weatherEffect(WeatherType1) 8; % 晴天对充电负荷的轻微促进效应weatherEffect(WeatherType2) 2; % 阴天对负荷影响较弱weatherEffect(WeatherType3) -6; % 雨天抑制部分外出充电需求weatherEffect(WeatherType4) -10; % 雪天进一步降低部分时段出行与充电StationEffect zeros(n,1); % 初始化站点类型效应用于不同场景负荷差异StationEffect(StationType1) 10; % 住宅站点晚间与夜间需求更高StationEffect(StationType2) 22; % 商业站点白天活跃度较高StationEffect(StationType3) 16; % 交通枢纽站点呈现明显潮汐变化noise randn(n,1)*8; % 构造随机扰动项模拟真实采集波动Load baseLoad holidayEffect weekendEffect weatherEffect StationEffect noise; % 生成目标负荷变量形成完整预测对象Load(Load 0) 0; % 约束负荷非负保证物理意义合理LoadLag1(2:end) Load(1:end-1); % 构造一阶滞后负荷特征体现时序相关性data table(t,Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1,Load); % 汇总为表格便于MATLAB统一处理data rmmissing(data); % 删除缺失行确保训练数据完整save(ev_charge_load_data.mat,data); % 保存为MAT文件便于后续复现实验与重复调用特征类型转换与数据划分load(ev_charge_load_data.mat,data); % 载入已保存的数据集继续进行建模data.WeekDay categorical(data.WeekDay); % 将星期变量转为类别型便于CatBoost识别离散模式data.Month categorical(data.Month); % 将月份变量转为类别型表达季节性分组data.Hour categorical(data.Hour); % 将小时变量转为类别型避免强行线性化时段差异idx randperm(height(data)); % 随机打乱样本索引用于构造训练与测试子集nTrain round(0.7*height(data)); % 设定训练集比例为70%保留足够样本用于验证trainIdx idx(1:nTrain); % 提取训练集索引testIdx idx(nTrain1:end); % 提取测试集索引trainTbl data(trainIdx,:); % 生成训练表testTbl data(testIdx,:); % 生成测试表predictorNames {Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1}; % 指定输入特征名称responseName Load; % 指定目标变量名称XTrain trainTbl(:,predictorNames); % 提取训练特征表yTrain trainTbl.(responseName); % 提取训练目标向量XTest testTbl(:,predictorNames); % 提取测试特征表yTest testTbl.(responseName); % 提取测试目标向量CatBoost接口建模cb py.importlib.import_module(catboost); % 调用Python中的CatBoost库构建MATLAB与CatBoost的桥接np py.importlib.import_module(numpy); % 调用NumPy用于数组转换与传递pd py.importlib.import_module(pandas); % 调用Pandas用于表格化输入方便CatBoost处理类别特征XTrainPy pd.DataFrame(); % 初始化Python训练特征表for k 1:numel(predictorNames) % 遍历每个输入变量name predictorNames{k}; % 读取当前变量名col XTrain.(name); % 取出当前列数据if iscategorical(col) % 判断是否为类别变量XTrainPy.(name) py.list(cellstr(col)); % 将类别转为字符串列表供CatBoost识别else % 如果是数值变量XTrainPy.(name) py.list(num2cell(double(col))); % 将数值转为Python列表end % 结束条件判断end % 结束特征列循环yTrainPy py.list(num2cell(double(yTrain))); % 将训练目标转为Python列表XTestPy pd.DataFrame(); % 初始化测试特征表for k 1:numel(predictorNames) % 遍历每个输入变量name predictorNames{k}; % 读取当前变量名col XTest.(name); % 取出当前列数据if iscategorical(col) % 判断是否为类别变量XTestPy.(name) py.list(cellstr(col)); % 转为字符串列表便于测试预测else % 如果是数值变量XTestPy.(name) py.list(num2cell(double(col))); % 转为数值列表end % 结束条件判断end % 结束测试列循环params py.dict(); % 创建CatBoost参数字典params{iterations} int32(400); % 设置树的迭代轮数params{learning_rate} 0.05; % 设置学习率控制每轮更新幅度params{depth} int32(6); % 设置树深控制模型复杂度params{loss_function} RMSE; % 设置回归损失函数为均方根误差params{verbose} false; % 关闭训练过程冗余输出提升运行简洁度params{random_seed} int32(2025); % 设置随机种子保证结果一致性catFeatures py.list({Hour,WeekDay,Month,IsWeekend,IsHoliday,WeatherType,StationType}); % 指定类别特征名帮助CatBoost自动处理离散变量model cb.CatBoostRegressor(params); % 创建CatBoost回归器model.fit(XTrainPy, py.array.array(d, yTrainPy), pyargs(cat_features, catFeatures)); % 使用训练数据拟合模型yPredPy model.predict(XTestPy); % 对测试集进行预测yPred double(py.array.array(d, yPredPy)); % 将Python预测结果转回MATLAB数值向量评价指标计算mae mean(abs(yTest - yPred)); % 计算平均绝对误差反映平均偏差大小rmse sqrt(mean((yTest - yPred).^2)); % 计算均方根误差强调大误差影响mape mean(abs((yTest - yPred)./max(yTest,1e-6)))*100; % 计算平均绝对百分比误差避免除零问题r2 1 - sum((yTest - yPred).^2)/sum((yTest - mean(yTest)).^2); % 计算决定系数衡量解释能力metrics table(mae,rmse,mape,r2); % 汇总评价指标便于结果展示disp(metrics); % 输出指标表查看模型性能结果可视化与误差分析fig1 figure(Color,w,Position,[120 120 1100 500]); % 创建白底图窗用于展示预测曲线plot(yTest,k-,LineWidth,1.5); % 绘制真实负荷曲线使用黑色实线hold on; % 保持当前坐标轴叠加预测结果plot(yPred,r-,LineWidth,1.5); % 绘制预测负荷曲线使用红色实线legend(真实负荷,CatBoost预测负荷,Location,best); % 添加图例区分两条曲线xlabel(测试样本序号); % 设置横轴名称表示样本顺序ylabel(充电负荷); % 设置纵轴名称表示负荷大小title(EV充电负荷真实值与预测值对比); % 设置图题说明图像内容grid on; % 显示网格便于观察波动差异fig2 figure(Color,w,Position,[150 150 900 420]); % 创建第二个图窗用于展示残差分布residual yTest - yPred; % 计算残差分析预测偏差histogram(residual,30,FaceColor,[0.2 0.6 0.8],EdgeColor,none); % 绘制残差直方图观察误差集中情况xlabel(残差); % 设置横轴名称表示真实值减预测值ylabel(频数); % 设置纵轴名称表示出现次数title(CatBoost预测残差分布); % 设置图题便于判断误差是否近似对称grid on; % 打开网格提升可读性更多详细内容请访问http://【交通能源融合】基于CatBoost的电动汽车充电负荷预测模型MATLAB实现基于类别梯度提升模型CatBoost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_最小二乘支持向量机参数调优资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/90369733https://download.csdn.net/download/xiaoxingkongyuxi/90369733https://download.csdn.net/download/xiaoxingkongyuxi/90369733
项目介绍 MATLAB实现基于类别梯度提升模型（CatBoost）进行电动汽车（EV）充电负荷预测（含模型描述及部分示例代码）专栏近期有大量优惠 还请多多点一下关注 加油 谢谢 你的鼓励是我前行的动力
MATLAB实现基于类别梯度提升模型CatBoost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是智慧交通与新型电力系统融合中的关键问题。随着电动汽车保有量快速增长公共充电站、园区慢充桩、城市快充网络以及高速服务区补能设施的规模持续扩大充电行为逐渐从“少量、分散、偶发”转向“高频、集中、波动显著”。这种变化使得电网侧、运营侧与用户侧都面临更复杂的调度压力一方面充电负荷会直接影响配电网的峰谷差、线路拥塞、台区变压器温升以及局部电压波动另一方面充电站运营者需要据此安排充电桩分配、排队策略、储能充放电计划与电价引导机制。如果缺乏准确预测充电站容易出现高峰时段排队过长、设备过载、空闲时段利用率低等问题电网也容易出现负荷尖峰叠加、局部容量不足和运行风险上升等现象。因此构建高精度、可落地、具备工程适应性的EV充电负荷预测模型已经成为能源互联网与智慧出行协同发展的核心研究方向之一。从数据特征看EV充电负荷具有明显的非线性、强时序性、季节性、突发性和多因素耦合特征。其形成机制不仅与历史负荷自身相关还与节假日、工作日类型、气温、降雨、空气湿度、昼夜时段、周末出行习惯、地区交通热度、站点地理属性、价格策略以及用户群体结构密切相关。不同充电站的规律差异也非常明显写字楼附近站点在工作日白天更活跃住宅区站点在晚间和夜间更集中商圈站点受周末和节假日影响更大高速站点则与长途出行潮汐特征强相关。这意味着简单的线性模型往往难以刻画复杂映射关系传统时间序列模型在遇到突发波动、非平稳分布和多源变量交互时也容易失效。因此需要采用能够处理类别特征、非线性关系和特征交互的机器学习方法构建更加鲁棒的预测框架。在众多方法中CatBoost 具有天然优势。CatBoost 属于类别梯度提升决策树模型能够有效处理类别型特征并通过有序提升机制与目标统计编码策略降低目标泄漏风险减少过拟合提升泛化能力。对于EV充电负荷预测而言很多输入变量本身就包含类别信息例如星期几、是否节假日、月份、季节类型、天气类型、站点类型、区域类型、充电时段类别等。CatBoost 不仅能够直接利用这些类别特征而且在处理混合型数据时通常比普通提升树和部分深度学习模型更稳定。尤其在样本规模不是极端庞大、特征结构较复杂、类别变量较多的实际项目中CatBoost 常常能在预测精度、训练速度与工程可实施性之间取得较好的平衡。从项目实施角度看MATLAB 具备完整的数据处理、建模、评估和可视化能力适合构建一体化的EV充电负荷预测原型系统。借助 MATLAB可以完成数据清洗、缺失值修复、异常点处理、特征构造、训练集与测试集划分、模型训练、参数调优、误差评估以及结果展示并能够较方便地与仿真平台、控制系统或能源管理平台对接。MATLAB R2025b 在机器学习与可视化方面继续保持较强的工程可用性但在具体实现时必须注意版本差异例如部分界面控件与机器学习接口参数存在变化绘图对象属性也有更新。因此项目设计需要严格贴合 R2025b 的可执行语法避免因版本不兼容导致的运行错误。EV充电负荷预测不仅是一个纯粹的数据建模任务更是一个面向真实场景的综合工程问题。其价值体现在多个层面在电网运行层面可以用于日前或日内负荷预警、配变容量评估、削峰填谷决策和分布式能源协同调度在运营管理层面可以用于充电桩资源配置、排队引导、动态电价制定、储能系统调度以及站点扩容规划在用户服务层面可以用于充电等待时间估计、推荐最优充电时段、优化路径补能安排以及提升充电体验在城市治理层面可以用于分析区域电动汽车发展趋势、评估基础设施覆盖水平、辅助交通与能源一体化规划。由此可见基于CatBoost的EV充电负荷预测不仅具有较高的研究价值也具有十分明确的产业落地意义。在项目实施过程中还需要面对数据质量不均、时间粒度不统一、特征维度多、类别编码复杂、数据分布漂移以及评价指标选择等现实问题。充电负荷数据可能存在缺失、重复、异常尖峰或采集延迟天气与节假日信息可能来自不同来源时间戳对齐和数据融合难度较高。若处理不当模型即使训练误差很低也可能在真实场景中失去稳定性。基于此本项目需要建立一套完整的数据预处理、特征构造、模型训练与调优评估流程并结合MATLAB中可实现的CatBoost替代方案或接口方式形成可复现、可解释、可扩展的工程化预测实例从而为后续扩展到多站点、多区域、短时滚动预测和智能调度奠定基础。项目目标与意义提升EV充电负荷预测精度项目的首要目标是提升电动汽车充电负荷预测精度使模型能够更准确地刻画历史负荷与多源外部因素之间的复杂关系。传统方法在面对充电负荷这种强非线性、强波动、强类别依赖的数据时往往存在拟合能力不足的问题特别是在节假日、极端天气、促销活动或交通高峰时段误差容易明显放大。CatBoost 通过梯度提升思想逐步优化残差并对类别特征进行高效编码可显著增强模型对复杂模式的捕捉能力。精度提升后预测结果更接近真实负荷曲线有助于减少误判和调度偏差使电网运营和充电站管理更具主动性与前瞻性。支撑电网安全稳定运行EV充电负荷的快速增长会给配电网带来更高压力尤其在配变容量接近上限、站点集中接入或高峰期负荷叠加时容易引发局部过载、电压越限和供电可靠性下降。项目的重要意义在于通过负荷预测提前识别高风险时段和高风险区域从而为网侧容量评估、线路改造、储能配置以及需求响应提供依据。预测结果越准确电网调度越能够在时间上提前干预在空间上精准定位风险点避免事后被动处理。对于新型电力系统而言这类前瞻性负荷预测已经成为保障安全运行的重要基础能力。优化充电运营与资源配置充电站运营侧需要根据负荷变化动态安排充电桩使用、排队规则、储能调度和服务人员配置。若无法提前掌握负荷走势站点容易出现高峰拥堵与低谷闲置并存的问题直接影响用户体验与资产收益。借助CatBoost预测模型可以对未来短时段或日内负荷进行估计帮助运营方合理安排设备开放数量、优化充电价格策略、引导错峰充电并提高整体利用率。通过精细化预测充电运营不再依赖经验判断而是转向数据驱动决策从而提升资源配置效率和经营稳定性。促进交通能源融合发展电动汽车不仅是交通工具也是移动式负荷单元和潜在的灵活调节资源。充电负荷预测能够为交通与能源融合提供重要数据支撑使城市管理者更清晰地了解车辆补能需求与区域能源压力之间的耦合关系。通过预测结果可以辅助制定站点布局方案、优化道路沿线补能设施、识别高需求区域并推动“车-桩-网”协同规划。该能力对建设智慧城市、低碳交通体系和高比例新能源消纳体系具有现实意义能够促进交通系统与电力系统之间的联动优化。提升模型工程化与可复用性本项目不仅关注单次预测结果还关注模型在真实工程中的部署价值。通过MATLAB R2025b实现完整的数据处理、训练、评估和展示过程可以形成一套可复用的建模流程便于后续扩展到不同站点、不同时间尺度和不同区域场景。工程化目标的意义在于使算法从研究性工具转化为可执行方案减少人工重复劳动提高模型迭代效率并为后续接入实时数据流、自动重训练机制和可视化监控界面打下基础。对于企业应用和研究验证而言这种可复用的流程化设计具有很强的实践价值。项目挑战及解决方案多源数据异构与时间对齐困难EV充电负荷预测常常涉及负荷记录、天气信息、节假日标记、站点属性、区域类型和时间属性等多源数据这些数据往往来自不同系统格式不一致、采样频率不同、字段命名不统一且存在缺失与重复记录。时间对齐成为首要难点例如负荷数据按15分钟采样而天气数据按小时更新节假日信息按日期记录若直接拼接容易造成特征错位。解决方案是建立统一时间轴对所有数据进行时间戳标准化、重采样与映射关联并在MATLAB中使用表格类型进行数据融合按日期、时段、站点编号进行主键匹配。对于缺失值可采用邻近时段插值、均值填充或基于季节分组的局部填补方式保证输入特征在时序上连续稳定。这样才能避免因数据错位导致模型学习失真。类别特征多且交互关系复杂充电负荷受星期、月份、季节、天气类型、站点类型、是否节假日等大量类别变量影响这些变量之间常常存在交互作用例如“工作日雨天商业区站点”与“周末晴天住宅区站点”的负荷模式明显不同。若采用普通数值回归或粗糙编码模型难以充分利用类别信息。解决方案是利用 CatBoost 对类别特征的原生支持能力让模型在训练过程中自动处理类别编码并通过有序目标统计减少目标泄漏。此外可以构造交叉特征如“星期几×是否节假日”“站点类型×时段类型”等以提升模型对复杂场景的表达能力。通过这种方式模型不仅能识别单个类别变量的影响还能学习到更深层次的组合规律显著提升预测能力。模型泛化能力与过拟合风险EV充电负荷数据通常具有明显的时序依赖和区域差异某些时段样本充足而极端情况样本较少模型容易对常见模式学习过深却对稀有场景泛化不足。CatBoost 虽然具备较强的抗过拟合能力但在特征过多、噪声较强或参数设置不合理时仍可能出现训练效果好而测试效果下降的问题。解决方案包括合理划分训练集、验证集和测试集采用时间顺序切分避免未来信息泄露限制树深、叶子数和学习率控制模型复杂度使用早停机制监控验证误差在评价指标上同时关注 MAE、RMSE 和 MAPE避免单一指标失真必要时采用滚动窗口验证方式检验模型稳定性。通过这些方法可以更好地平衡拟合能力与泛化能力。项目模型架构数据输入层数据输入层负责接收EV充电负荷历史记录及其相关外部特征包括时间戳、站点编号、充电功率、负荷总量、温度、湿度、降雨、风速、星期类型、节假日标记、季节标签和站点属性等。该层的核心作用是将分散在不同来源的数据统一组织为结构化表格。对于MATLAB实现而言通常使用 table 作为基础数据容器便于处理混合类型变量。时间型变量需要转换为 datetime再进一步提取小时、星期、月份、是否工作日等派生特征。类别变量保持为 categorical以便后续模型直接识别。输入层的质量决定整个系统的上限如果字段缺失、格式错误或时间错位后续建模将受到显著影响因此该层必须完成一致性校验、缺失检查和格式标准化。数据预处理层数据预处理层承担清洗、修复与转换任务是提升模型性能的重要环节。原始充电数据中可能存在异常尖峰、计量偏差、采集间隔不均、缺失片段以及重复记录。该层需要通过规则筛查、统计阈值判断或滑动窗口策略识别异常点再采用中位数修正、邻近插值或局部平滑方法处理。对于数值型变量可根据需要进行标准化或归一化但CatBoost对数值特征并不强制要求缩放因此通常保留原始尺度以增强可解释性。类别型变量则应统一编码格式并转为 categorical。预处理层的基本原理是尽可能减少噪声对梯度提升树分裂过程的干扰同时保留真实波动特征使模型更准确地学习到负荷变化规律。特征工程层特征工程层决定模型能否从原始数据中提取出更有判别力的信息。除了基础时间特征和环境特征外还可以构造滞后特征、滑动均值特征、同比或环比特征、峰谷标记特征、站点历史均值特征以及节假日前后特征。对于充电负荷预测时序上下文非常重要因此可加入前一时刻、前四个时刻、前一天同一时段的负荷作为输入以增强对短期动态变化的刻画能力。类别特征之间也可进行组合例如“时段类别天气类别”或“站点类别星期类别”帮助模型捕捉更复杂的交互关系。其基本原理是通过人为引入更具信息量的表达让模型更容易找到高质量分裂点从而提升树模型的学习效率和预测精度。CatBoost训练层CatBoost训练层是整个架构的核心基于梯度提升决策树逐步拟合残差。其基本思想是构建一组弱学习器每一棵树都在前一轮模型残差的基础上继续优化最终多个弱树加和形成强预测器。CatBoost的关键优势在于对类别特征的高效处理以及对目标泄漏的抑制。其有序提升机制使用随机排列和历史统计信息避免当前样本标签直接参与自身编码从而降低过拟合风险。对于充电负荷预测这种类别变量占比较高的数据CatBoost可以比许多传统树模型更稳健。训练层中可通过调节树深、学习率、迭代次数、L2正则强度和损失函数类型来控制模型复杂度并根据验证集表现进行早停避免过度训练。结果评估与输出层结果评估与输出层负责对预测性能进行量化分析并将结果可视化呈现。常用指标包括 MAE、RMSE、MAPE 和决定系数 R²其中 MAE 反映平均绝对偏差RMSE 对大误差更敏感MAPE 便于理解相对误差水平R²则衡量拟合程度。除数值指标外还应绘制真实值与预测值对比曲线、残差分布图、误差直方图以及不同时间段的预测效果图以观察模型是否存在系统性偏差。该层的基本原理是通过多维度评价检验模型是否真正具备工程价值而不仅仅是在训练集上表现良好。输出层还可进一步将预测结果导出为表格供电网调度、充电运营或上层优化系统调用实现数据驱动决策闭环。项目模型描述及代码示例数据生成与整理 rng(2025); % 固定随机种子保证示例结果可复现 nDays 180; % 设置样本覆盖天数模拟半年充电负荷变化 t (datetime(2025,1,1,0,0,0):hours(1):datetime(2025,1,1,0,0,0)hours(24*nDays-1)); % 生成按小时采样的时间序列 n numel(t); % 计算总样本数作为后续建模的时间点数量 Hour hour(t); % 提取小时特征用于刻画昼夜充电规律 WeekDay weekday(t); % 提取星期特征用于识别工作日与周末差异 Month month(t); % 提取月份特征用于表达季节变化影响 IsWeekend categorical(ismember(WeekDay,[1 7])); % 构造周末类别特征反映周末出行与充电习惯 IsHoliday categorical(rand(n,1) 0.08); % 构造节假日标记模拟假日负荷波动 Temp 18 10*sin(2*pi*(Hour/24)) 6*sin(2*pi*(Month/12)) randn(n,1)*1.5; % 构造气温特征体现日周期与月周期变化 Humidity 55 18*cos(2*pi*(Hour/24)) randn(n,1)*4; % 构造湿度特征模拟天气对充电行为的间接影响 WeatherType categorical(randi([1 4],n,1)); % 构造天气类别表示晴、阴、雨、雪等类型 StationType categorical(randi([1 3],n,1)); % 构造站点类型表示住宅、商业、交通枢纽等属性 LoadLag1 [NaN; zeros(n-1,1)]; % 预留一阶滞后特征的存储位置用于承接前一时刻负荷 baseLoad 120 35*sin(2*pi*(Hour/24-0.2)) 18*cos(2*pi*(WeekDay/7)) 0.9*Temp - 0.25*Humidity; % 构造基础负荷响应项模拟多因素共同作用 holidayEffect double(IsHolidaytrue) * 25; % 构造节假日附加负荷效应增强节假日峰值 weekendEffect double(IsWeekendtrue) * 12; % 构造周末附加负荷效应体现休闲出行带来的变化 weatherEffect zeros(n,1); % 初始化天气效应变量便于逐条赋值 weatherEffect(WeatherType1) 8; % 晴天对充电负荷的轻微促进效应 weatherEffect(WeatherType2) 2; % 阴天对负荷影响较弱 weatherEffect(WeatherType3) -6; % 雨天抑制部分外出充电需求 weatherEffect(WeatherType4) -10; % 雪天进一步降低部分时段出行与充电 StationEffect zeros(n,1); % 初始化站点类型效应用于不同场景负荷差异 StationEffect(StationType1) 10; % 住宅站点晚间与夜间需求更高 StationEffect(StationType2) 22; % 商业站点白天活跃度较高 StationEffect(StationType3) 16; % 交通枢纽站点呈现明显潮汐变化 noise randn(n,1)*8; % 构造随机扰动项模拟真实采集波动 Load baseLoad holidayEffect weekendEffect weatherEffect StationEffect noise; % 生成目标负荷变量形成完整预测对象 Load(Load 0) 0; % 约束负荷非负保证物理意义合理 LoadLag1(2:end) Load(1:end-1); % 构造一阶滞后负荷特征体现时序相关性 data table(t,Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1,Load); % 汇总为表格便于MATLAB统一处理 data rmmissing(data); % 删除缺失行确保训练数据完整 save(ev_charge_load_data.mat,data); % 保存为MAT文件便于后续复现实验与重复调用 特征类型转换与数据划分 load(ev_charge_load_data.mat,data); % 载入已保存的数据集继续进行建模 data.WeekDay categorical(data.WeekDay); % 将星期变量转为类别型便于CatBoost识别离散模式 data.Month categorical(data.Month); % 将月份变量转为类别型表达季节性分组 data.Hour categorical(data.Hour); % 将小时变量转为类别型避免强行线性化时段差异 idx randperm(height(data)); % 随机打乱样本索引用于构造训练与测试子集 nTrain round(0.7*height(data)); % 设定训练集比例为70%保留足够样本用于验证 trainIdx idx(1:nTrain); % 提取训练集索引 testIdx idx(nTrain1:end); % 提取测试集索引 trainTbl data(trainIdx,:); % 生成训练表 testTbl data(testIdx,:); % 生成测试表 predictorNames {Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1}; % 指定输入特征名称 responseName Load; % 指定目标变量名称 XTrain trainTbl(:,predictorNames); % 提取训练特征表 yTrain trainTbl.(responseName); % 提取训练目标向量 XTest testTbl(:,predictorNames); % 提取测试特征表 yTest testTbl.(responseName); % 提取测试目标向量 CatBoost接口建模 cb py.importlib.import_module(catboost); % 调用Python中的CatBoost库构建MATLAB与CatBoost的桥接 np py.importlib.import_module(numpy); % 调用NumPy用于数组转换与传递 pd py.importlib.import_module(pandas); % 调用Pandas用于表格化输入方便CatBoost处理类别特征 XTrainPy pd.DataFrame(); % 初始化Python训练特征表 for k 1:numel(predictorNames) % 遍历每个输入变量 name predictorNames{k}; % 读取当前变量名 col XTrain.(name); % 取出当前列数据 if iscategorical(col) % 判断是否为类别变量 XTrainPy.(name) py.list(cellstr(col)); % 将类别转为字符串列表供CatBoost识别 else % 如果是数值变量 XTrainPy.(name) py.list(num2cell(double(col))); % 将数值转为Python列表 end % 结束条件判断 end % 结束特征列循环 yTrainPy py.list(num2cell(double(yTrain))); % 将训练目标转为Python列表 XTestPy pd.DataFrame(); % 初始化测试特征表 for k 1:numel(predictorNames) % 遍历每个输入变量 name predictorNames{k}; % 读取当前变量名 col XTest.(name); % 取出当前列数据 if iscategorical(col) % 判断是否为类别变量 XTestPy.(name) py.list(cellstr(col)); % 转为字符串列表便于测试预测 else % 如果是数值变量 XTestPy.(name) py.list(num2cell(double(col))); % 转为数值列表 end % 结束条件判断 end % 结束测试列循环 params py.dict(); % 创建CatBoost参数字典 params{iterations} int32(400); % 设置树的迭代轮数 params{learning_rate} 0.05; % 设置学习率控制每轮更新幅度 params{depth} int32(6); % 设置树深控制模型复杂度 params{loss_function} RMSE; % 设置回归损失函数为均方根误差 params{verbose} false; % 关闭训练过程冗余输出提升运行简洁度 params{random_seed} int32(2025); % 设置随机种子保证结果一致性 catFeatures py.list({Hour,WeekDay,Month,IsWeekend,IsHoliday,WeatherType,StationType}); % 指定类别特征名帮助CatBoost自动处理离散变量 model cb.CatBoostRegressor(params); % 创建CatBoost回归器 model.fit(XTrainPy, py.array.array(d, yTrainPy), pyargs(cat_features, catFeatures)); % 使用训练数据拟合模型 yPredPy model.predict(XTestPy); % 对测试集进行预测 yPred double(py.array.array(d, yPredPy)); % 将Python预测结果转回MATLAB数值向量 评价指标计算 mae mean(abs(yTest - yPred)); % 计算平均绝对误差反映平均偏差大小 rmse sqrt(mean((yTest - yPred).^2)); % 计算均方根误差强调大误差影响 mape mean(abs((yTest - yPred)./max(yTest,1e-6)))*100; % 计算平均绝对百分比误差避免除零问题 r2 1 - sum((yTest - yPred).^2)/sum((yTest - mean(yTest)).^2); % 计算决定系数衡量解释能力 metrics table(mae,rmse,mape,r2); % 汇总评价指标便于结果展示 disp(metrics); % 输出指标表查看模型性能 结果可视化与误差分析 fig1 figure(Color,w,Position,[120 120 1100 500]); % 创建白底图窗用于展示预测曲线 plot(yTest,k-,LineWidth,1.5); % 绘制真实负荷曲线使用黑色实线 hold on; % 保持当前坐标轴叠加预测结果 plot(yPred,r-,LineWidth,1.5); % 绘制预测负荷曲线使用红色实线 legend(真实负荷,CatBoost预测负荷,Location,best); % 添加图例区分两条曲线 xlabel(测试样本序号); % 设置横轴名称表示样本顺序 ylabel(充电负荷); % 设置纵轴名称表示负荷大小 title(EV充电负荷真实值与预测值对比); % 设置图题说明图像内容 grid on; % 显示网格便于观察波动差异 fig2 figure(Color,w,Position,[150 150 900 420]); % 创建第二个图窗用于展示残差分布 residual yTest - yPred; % 计算残差分析预测偏差 histogram(residual,30,FaceColor,[0.2 0.6 0.8],EdgeColor,none); % 绘制残差直方图观察误差集中情况 xlabel(残差); % 设置横轴名称表示真实值减预测值 ylabel(频数); % 设置纵轴名称表示出现次数 title(CatBoost预测残差分布); % 设置图题便于判断误差是否近似对称 grid on; % 打开网格提升可读性数据生成与整理rng(2025); % 固定随机种子保证示例结果可复现nDays 180; % 设置样本覆盖天数模拟半年充电负荷变化t (datetime(2025,1,1,0,0,0):hours(1):datetime(2025,1,1,0,0,0)hours(24*nDays-1)); % 生成按小时采样的时间序列n numel(t); % 计算总样本数作为后续建模的时间点数量Hour hour(t); % 提取小时特征用于刻画昼夜充电规律WeekDay weekday(t); % 提取星期特征用于识别工作日与周末差异Month month(t); % 提取月份特征用于表达季节变化影响IsWeekend categorical(ismember(WeekDay,[1 7])); % 构造周末类别特征反映周末出行与充电习惯IsHoliday categorical(rand(n,1) 0.08); % 构造节假日标记模拟假日负荷波动Temp 18 10*sin(2*pi*(Hour/24)) 6*sin(2*pi*(Month/12)) randn(n,1)*1.5; % 构造气温特征体现日周期与月周期变化Humidity 55 18*cos(2*pi*(Hour/24)) randn(n,1)*4; % 构造湿度特征模拟天气对充电行为的间接影响WeatherType categorical(randi([1 4],n,1)); % 构造天气类别表示晴、阴、雨、雪等类型StationType categorical(randi([1 3],n,1)); % 构造站点类型表示住宅、商业、交通枢纽等属性LoadLag1 [NaN; zeros(n-1,1)]; % 预留一阶滞后特征的存储位置用于承接前一时刻负荷baseLoad 120 35*sin(2*pi*(Hour/24-0.2)) 18*cos(2*pi*(WeekDay/7)) 0.9*Temp - 0.25*Humidity; % 构造基础负荷响应项模拟多因素共同作用holidayEffect double(IsHolidaytrue) * 25; % 构造节假日附加负荷效应增强节假日峰值weekendEffect double(IsWeekendtrue) * 12; % 构造周末附加负荷效应体现休闲出行带来的变化weatherEffect zeros(n,1); % 初始化天气效应变量便于逐条赋值weatherEffect(WeatherType1) 8; % 晴天对充电负荷的轻微促进效应weatherEffect(WeatherType2) 2; % 阴天对负荷影响较弱weatherEffect(WeatherType3) -6; % 雨天抑制部分外出充电需求weatherEffect(WeatherType4) -10; % 雪天进一步降低部分时段出行与充电StationEffect zeros(n,1); % 初始化站点类型效应用于不同场景负荷差异StationEffect(StationType1) 10; % 住宅站点晚间与夜间需求更高StationEffect(StationType2) 22; % 商业站点白天活跃度较高StationEffect(StationType3) 16; % 交通枢纽站点呈现明显潮汐变化noise randn(n,1)*8; % 构造随机扰动项模拟真实采集波动Load baseLoad holidayEffect weekendEffect weatherEffect StationEffect noise; % 生成目标负荷变量形成完整预测对象Load(Load 0) 0; % 约束负荷非负保证物理意义合理LoadLag1(2:end) Load(1:end-1); % 构造一阶滞后负荷特征体现时序相关性data table(t,Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1,Load); % 汇总为表格便于MATLAB统一处理data rmmissing(data); % 删除缺失行确保训练数据完整save(ev_charge_load_data.mat,data); % 保存为MAT文件便于后续复现实验与重复调用特征类型转换与数据划分load(ev_charge_load_data.mat,data); % 载入已保存的数据集继续进行建模data.WeekDay categorical(data.WeekDay); % 将星期变量转为类别型便于CatBoost识别离散模式data.Month categorical(data.Month); % 将月份变量转为类别型表达季节性分组data.Hour categorical(data.Hour); % 将小时变量转为类别型避免强行线性化时段差异idx randperm(height(data)); % 随机打乱样本索引用于构造训练与测试子集nTrain round(0.7*height(data)); % 设定训练集比例为70%保留足够样本用于验证trainIdx idx(1:nTrain); % 提取训练集索引testIdx idx(nTrain1:end); % 提取测试集索引trainTbl data(trainIdx,:); % 生成训练表testTbl data(testIdx,:); % 生成测试表predictorNames {Hour,WeekDay,Month,IsWeekend,IsHoliday,Temp,Humidity,WeatherType,StationType,LoadLag1}; % 指定输入特征名称responseName Load; % 指定目标变量名称XTrain trainTbl(:,predictorNames); % 提取训练特征表yTrain trainTbl.(responseName); % 提取训练目标向量XTest testTbl(:,predictorNames); % 提取测试特征表yTest testTbl.(responseName); % 提取测试目标向量CatBoost接口建模cb py.importlib.import_module(catboost); % 调用Python中的CatBoost库构建MATLAB与CatBoost的桥接np py.importlib.import_module(numpy); % 调用NumPy用于数组转换与传递pd py.importlib.import_module(pandas); % 调用Pandas用于表格化输入方便CatBoost处理类别特征XTrainPy pd.DataFrame(); % 初始化Python训练特征表for k 1:numel(predictorNames) % 遍历每个输入变量name predictorNames{k}; % 读取当前变量名col XTrain.(name); % 取出当前列数据if iscategorical(col) % 判断是否为类别变量XTrainPy.(name) py.list(cellstr(col)); % 将类别转为字符串列表供CatBoost识别else % 如果是数值变量XTrainPy.(name) py.list(num2cell(double(col))); % 将数值转为Python列表end % 结束条件判断end % 结束特征列循环yTrainPy py.list(num2cell(double(yTrain))); % 将训练目标转为Python列表XTestPy pd.DataFrame(); % 初始化测试特征表for k 1:numel(predictorNames) % 遍历每个输入变量name predictorNames{k}; % 读取当前变量名col XTest.(name); % 取出当前列数据if iscategorical(col) % 判断是否为类别变量XTestPy.(name) py.list(cellstr(col)); % 转为字符串列表便于测试预测else % 如果是数值变量XTestPy.(name) py.list(num2cell(double(col))); % 转为数值列表end % 结束条件判断end % 结束测试列循环params py.dict(); % 创建CatBoost参数字典params{iterations} int32(400); % 设置树的迭代轮数params{learning_rate} 0.05; % 设置学习率控制每轮更新幅度params{depth} int32(6); % 设置树深控制模型复杂度params{loss_function} RMSE; % 设置回归损失函数为均方根误差params{verbose} false; % 关闭训练过程冗余输出提升运行简洁度params{random_seed} int32(2025); % 设置随机种子保证结果一致性catFeatures py.list({Hour,WeekDay,Month,IsWeekend,IsHoliday,WeatherType,StationType}); % 指定类别特征名帮助CatBoost自动处理离散变量model cb.CatBoostRegressor(params); % 创建CatBoost回归器model.fit(XTrainPy, py.array.array(d, yTrainPy), pyargs(cat_features, catFeatures)); % 使用训练数据拟合模型yPredPy model.predict(XTestPy); % 对测试集进行预测yPred double(py.array.array(d, yPredPy)); % 将Python预测结果转回MATLAB数值向量评价指标计算mae mean(abs(yTest - yPred)); % 计算平均绝对误差反映平均偏差大小rmse sqrt(mean((yTest - yPred).^2)); % 计算均方根误差强调大误差影响mape mean(abs((yTest - yPred)./max(yTest,1e-6)))*100; % 计算平均绝对百分比误差避免除零问题r2 1 - sum((yTest - yPred).^2)/sum((yTest - mean(yTest)).^2); % 计算决定系数衡量解释能力metrics table(mae,rmse,mape,r2); % 汇总评价指标便于结果展示disp(metrics); % 输出指标表查看模型性能结果可视化与误差分析fig1 figure(Color,w,Position,[120 120 1100 500]); % 创建白底图窗用于展示预测曲线plot(yTest,k-,LineWidth,1.5); % 绘制真实负荷曲线使用黑色实线hold on; % 保持当前坐标轴叠加预测结果plot(yPred,r-,LineWidth,1.5); % 绘制预测负荷曲线使用红色实线legend(真实负荷,CatBoost预测负荷,Location,best); % 添加图例区分两条曲线xlabel(测试样本序号); % 设置横轴名称表示样本顺序ylabel(充电负荷); % 设置纵轴名称表示负荷大小title(EV充电负荷真实值与预测值对比); % 设置图题说明图像内容grid on; % 显示网格便于观察波动差异fig2 figure(Color,w,Position,[150 150 900 420]); % 创建第二个图窗用于展示残差分布residual yTest - yPred; % 计算残差分析预测偏差histogram(residual,30,FaceColor,[0.2 0.6 0.8],EdgeColor,none); % 绘制残差直方图观察误差集中情况xlabel(残差); % 设置横轴名称表示真实值减预测值ylabel(频数); % 设置纵轴名称表示出现次数title(CatBoost预测残差分布); % 设置图题便于判断误差是否近似对称grid on; % 打开网格提升可读性更多详细内容请访问http://【交通能源融合】基于CatBoost的电动汽车充电负荷预测模型MATLAB实现基于类别梯度提升模型CatBoost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_最小二乘支持向量机参数调优资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/90369733https://download.csdn.net/download/xiaoxingkongyuxi/90369733https://download.csdn.net/download/xiaoxingkongyuxi/90369733
