简介面向电力预测场景的神经网络预测模型MATLAB实现适合电力系统从业者、相关专业学生及机器学习初学者参考。压缩包内共2个文件一个Excel数据汇总表一个MATLAB预测脚本整体仅40KB轻量易用。目前已有695人学习下载。资源聚焦神经网络在电力需求预测中的应用脚本涵盖数据预处理、网络结构搭建、反向传播训练与验证评估等关键环节可针对电力消耗、天气条件、时间序列等历史数据进行建模通过调整激活函数、损失函数与网络参数可直接运行或复用至其他时序回归预测任务。验证阶段可计算均方根误差RMSE与平均绝对误差MAE以评估模型性能。既可作为课堂教学的完整案例也可为电网规划、电力交易等实际场景提供预测思路。1. 神经网络预测模型 matlab这个资源包解决的是电力负荷预测看到“神经网络预测模型 matlab”这个资源包很多人的第一反应是解压 rar把 sjwl1wrq.m 扔进编辑器直接回车。我的建议是别急。这个包里一共三样东西——MATLAB 源码.rar、数据汇总表1.xlsx、sjwl1wrq.m对应一条完整的电力负荷预测流程读表格、归一化、建网络、训练、预测、反归一化、画误差图。电力负荷预测是神经网络预测里最典型的回归应用输入是历史负荷、温度、湿度这些特征输出是未来某个时刻的用电量电网调度和发电计划都依赖这个结果。适合谁适合刚入门神经网络、想在 MATLAB 里完整跑一次预测流程的人也适合被导师安排“用 matlab 做个电力预测模型”的在校生。下面按原理、实操、踩坑三层拆开讲。2. 神经网络预测原理为什么 BP 网络能拟合电力负荷2.1 从输入到输出BP 网络拟合电力负荷的机制电力负荷数据有个特点周期性强受温度、节假日、产业类型影响而且是非线性关系。今天上午 10 点的负荷和昨天上午 10 点高度相关但它和温度之间不是简单的直线关系——空调负荷在 28 度到 35 度之间的增速远高于 18 度到 25 度之间。神经网络能做的就是拿一堆带权重的“神经元”去逼近那个看不见的映射函数。一个典型的三层 BP 网络输入层、一个隐藏层、输出层在数学上可以逼近闭区间上的任意连续函数这就是万能逼近定理。电力负荷预测恰好属于这类连续映射问题特征向量 x 包含前一天同时段负荷、前一小时负荷、温度、湿度、星期几输出 y 是未来一小时或者未来一天的目标负荷。sjwl1wrq.m 这个脚本里核心的建模函数大概率是 fitnet 或者老版本留下的 newff两者网络结构没有本质区别只是 fitnet 的默认参数清洗过一轮更适合作回归预测。网络内部做的事情可以拆成三步。第一步输入层把特征向量原样传给隐藏层每个神经元收到的是所有输入的加权求和再加一个偏置。第二步加权和经过激活函数变成非线性输出Sigmoid 会把任意实数压到 0 到 1 之间Tanh 压到 -1 到 1ReLU 则是负数截断。第三步隐藏层的输出再经过一层加权求和由输出层给出预测值。训练过程就是不断调整这些权重让输出层的预测值和真实负荷之间的均方误差一步步降下来。% 常见做法用 fitnet 构建回归网络 hiddenLayerSize 10; net fitnet(hiddenLayerSize, trainlm); net.trainParam.showWindow true;这里 hiddenLayerSize 指的是隐藏层神经元个数10 是经验起步值。trainlm 是 Levenberg-Marquardt 训练算法对中小规模数据集收敛快是 MATLAB 神经网络工具箱里回归任务的默认选择。showWindow 设为 true 会在训练时弹出误差下降曲线窗口方便你盯着看有没有过拟合。2.2 为什么电力数据必须归一化激活函数的饱和区间问题这是资源包脚本里最容易被人跳过的一步。电力负荷数据动辄几百上千 MW温度在零下到四十度之间波动如果直接把原始数据喂给网络Sigmoid 和 Tanh 这类激活函数会立刻进入饱和区——输入加权和的绝对值一旦超过某个阈值激活函数的导数就趋近于零反向传播的梯度消失权重几乎不再更新。训练出来的模型表现就是 loss 停在某个高位不动。归一化在 MATLAB 里最常用的函数是 mapminmax。它把数据线性映射到 [-1, 1] 或者 [0, 1] 区间。脚本里一般会写成[x_norm, ps_input] mapminmax(x_train, -1, 1); [t_norm, ps_target] mapminmax(t_train, -1, 1);x_train 是训练输入矩阵每一行是一个特征每一列是一个样本。t_train 是对应的目标负荷值。mapminmax 返回的 ps_input 是一个结构体里面记录了归一化用的最大值、最小值和映射公式后面预测完要用它做反归一化这一步很多人会漏掉。归一化不是只对训练集做而是应该先只在训练集上计算 min 和 max然后用 ps_input 去归一化验证集和测试集这样才能避免测试集信息泄漏到训练过程中。2.3 训练算法选型trainlm 之外还有什么选择BP 网络本身只是给了你一个损失函数对权重求梯度的框架真正改变权重的是优化算法。MATLAB 的 train 函数支持很多种资源包脚本里最常出现的 trainlm全称 Levenberg-Marquardt。它的特点是把梯度下降和高斯-牛顿法做了结合离最优解远的时候表现得像梯度下降稳步下降离最优解近的时候切换到二阶近似快速收敛。代价是内存开销大因为要计算和存储一个近似的 Hessian 矩阵。如果数据量不大比如只有几百条日负荷记录trainlm 是首选收敛快效果好。但如果你把数据换成了 15 分钟一个采样点、连续几年的数据样本量过万trainlm 的内存占用会变得非常不友好这时候我一般会换 trainscg也就是 scaled conjugate gradient一阶方法内存小收敛速度也可以接受。% 数据集较大时换用 trainscg内存占用明显降低 net.trainFcn trainscg; net.trainParam.epochs 1000; net.trainParam.goal 1e-5;epochs 是最大迭代轮数1000 是上限保护防止训练无限跑下去。goal 是损失函数的目标值达到就提前停止。这两个参数是多数场景下比较稳的组合但实际开跑之前我建议先看一眼训练窗口里的 loss 曲线如果 500 轮还没平再加 epochs。3. 把 sjwl1wrq.m 跑通数据读取、网络搭建与参数设置实战3.1 读入数据汇总表1.xlsx表格结构和预处理先后顺序资源包里的数据汇总表1.xlsx 是电力历史数据表常见结构是每行一个时刻第一列时间戳后面几列是负荷、温度、湿度、星期几这些特征。第一步是把它读进 MATLAB然后做清洗。这里有个顺序问题先清洗后归一化而不是先归一化再清洗。否则异常值会被归一化过程“平均”掉一部分等你反归一化回来再处理就晚了。% 脚本常见的第一步读表 清洗 data readtable(数据汇总表1.xlsx); load_series data.负荷; temp_series data.温度; hum_series data.湿度; % 缺失值处理线性插值比直接删行更稳 load_series fillmissing(load_series, linear); load_series(load_series 0) NaN; load_series fillmissing(load_series, next);readtable 自动识别表头这里假设列名是“负荷”“温度”“湿度”实际文件里的列名可能不同先 whos(data) 看变量列表确认一下。fillmissing 的 linear 方式适合负荷这类平滑变化的时间序列电力负荷不会在相邻时刻出现断崖式跳变线性插值比删除整行保留的信息多。load_series 小于等于 0 的清成 NaN 再填充 next是为了处理停电检修或者计量故障导致的瞬时零值。特征矩阵的构造是下一个关键点。预测未来一小时负荷特征不能只放当前这一个时刻的负荷要拼上历史窗口。常见做法是取前三小时同时段的负荷作为特征温度湿度取当前值星期几用 one-hot 编码。构造特征矩阵和标签序列的核心代码如下% 滑窗构造输入输出对 lag 3; X []; Y []; for i lag1 : height(data) past_load load_series(i-lag : i-1); X [X; past_load, temp_series(i), hum_series(i)]; Y [Y; load_series(i)]; end这段循环的时间复杂度是 O(n²)数据量几千行没问题过万就会变慢可以改造成 toeplitz 矩阵或者用 cellfun 做向量化。里面的 lag 是滑窗长度取值 3 代表用前三小时预测下一小时。这里的每一行 X 就是一个样本的特征向量Y 是对应的目标值。注意循环是从 lag1 开始因为前三个样本没有足够的历史窗口。3.2 划分训练集验证集测试集别把时序数据随机打乱这是新手最容易犯的错误——看到数据集先来一句randperm打乱。对于电力负荷这种时间序列打乱样本会破坏时间相关性模型等于被剧透测试集里的样本可能是训练集样本的未来数据预测结果会虚高一到真实场景立刻崩。正确的做法是按时间顺序切分前 70% 做训练中间 15% 做验证最后 15% 做测试。n size(X, 1); train_end floor(n * 0.7); val_end floor(n * 0.85); x_train X(1:train_end, :); t_train Y(1:train_end); x_val X(train_end1:val_end, :); t_val Y(train_end1:val_end); x_test X(val_end1:end, :); t_test Y(val_end1:end);train_end 和 val_end 的计算只是按比例切分没有做任何随机化。这样切分的隐含前提是数据覆盖的时间范围足够长至少包含一个完整的季节周期。如果只有三个月的数据这种切分方式会导致训练集没见过夏季高温段测试集全在夏季预测误差会很大这时候需要另想办法比如换更长数据集或者做季节特征的显式编码。3.3 模型训练与预测从 net 到 result 的完整链路网络构建和数据准备好之后剩下的就是调用 train 和 sim。不少人在这一步会纠结 hiddenLayerSize 到底设多少其实没有一个通吃所有数据集的公式。常用的经验公式是hidden floor(sqrt(input_dim output_dim)) 1~10这个范围很粗糙。更可靠的方式是设一个小循环从 5 个神经元跑到 30 个每个配置训练三次取平均误差选验证集误差最小的那个这个我放到最后一部分细说。% 构建 训练 测试一条龙 net fitnet(10, trainlm); net.divideFcn divideind; % 按索引划分而不是默认的随机划分 net.divideParam.trainInd 1:train_end; net.divideParam.valInd train_end1:val_end; net.divideParam.testInd val_end1:n; [net, tr] train(net, x_train, t_train); y_pred_raw net(x_test); y_pred mapminmax(reverse, y_pred_raw, ps_target);divideFcn 默认是 dividerand也就是随机划分这里改成 divideind 按我们上面切好的索引训练、验证、测试。train 函数的输入 x_train 要转置因为 fitnet 默认样本按列排第一维度是特征数第二维度是样本数。y_pred 是反归一化之后的预测值单位是原始的 MW可以直接跟 t_test 对比。这里有个细节如果用 mapminmax 对目标值做过归一化fitnet 的输出层激活函数是 purelin它给出的结果天然就在归一化区间内所以预测结果需要手动 reverse。但如果直接用 train 传原始 t_train没有归一化输出就是真实量纲两个做法等价只是前者训练更稳定。3.4 误差评估RMSE、MAE 和拟合图的正确打开方式模型跑完之后不能只看 loss 曲线说“收敛了”要落在具体指标上。电力负荷预测最常用的两个指标是 RMSE 均方根误差和 MAE 平均绝对误差。RMSE 对大误差敏感一个偏离很大的预测值会把 RMSE 拉高很多这对电力调度场景是有意义的——调度员最怕的就是某一天预测值突然偏差百分之二三十。MAE 代表平均偏差水平更平滑。err y_pred - t_test; rmse sqrt(mean(err.^2)); mae mean(abs(err)); mape mean(abs(err) ./ t_test) * 100; fprintf(RMSE %.2f MW, MAE %.2f MW, MAPE %.2f%%\n, rmse, mae, mape);mape 分母是 t_test 的真实负荷要注意负荷低谷时段 t_test 接近零这时候 mape 会飙升。所以行业里看 mape 一般会过滤掉负荷低于某个阈值的时刻比如只统计负荷大于平均负荷 30% 的样本。RMSE 的量纲和原始数据相同MW 级别MAE 同理。这三个指标要同时看如果 RMSE 远大于 MAE说明预测误差里有一小撮极端值贡献了绝大部分误差需要回溯数据的异常时刻。可视化对比时不要只画预测曲线和真实曲线两条线最好加上误差带或者散点图能直接看出哪些时段预测失准。我一般会把误差按小时聚合画个柱状图比如早上 8 点到 10 点是居民用电爬升段模型如果总是低估问题基本是缺少“时段”这个特征。4. 神经网络预测避坑指南五个必踩的坑与排查思路4.1 训练误差逼近零预测结果却是一条直线现象训练结束后 loss 曲线漂亮得不得了训练集拟合度超过 99%但你把测试集喂进去预测值几乎是一条水平直线集中在某个常数附近。原因这是典型的过拟合加网络容量失衡。隐藏层神经元设置太多模型把训练集里的噪声当成规律全部记住了测试集上泛化能力完全丧失。还有一种更隐蔽的情况是目标值归一化出错——比如把 t_train 归一化时用的是全年数据的 min 和 max但训练集本身只覆盖了其中一小部分量纲区间预测值被压扁。解决先把隐藏层降到 5 到 10 个加正则化参数fitnet 里对应的是net.performParam.regularization 0.1。再检查归一化的 ps_target 是否只基于训练集计算。最后把测试集的真实值分布画出来如果真实值跨度远大于训练集分布这条路本身就走不通要么换数据要么把预测粒度从小时细化到半小时来增加样本量。4.2 中文注释在 MATLAB 里变成乱码脚本直接报错现象打开 sjwl1wrq.m中文注释全是乱码或者能显示但一运行就报错“Invalid text character”。原因MATLAB 在不同版本里默认编码不一致。旧版本 Windows 下默认是 GBK新版从 R2021b 之后改为 UTF-8资源包里的脚本可能是用其中一个编码保存的。你电脑上的 MATLAB 是另一个版本读取时编码对不上中文注释就变成了非法字符。解决用 MATLAB 编辑器打开文件如果乱码不要直接改用记事本或其他文本编辑器把文件另存为 UTF-8 编码再回到 MATLAB 打开。如果 MATLAB 版本是 R2023 之后默认 UTF-8 就正常。终极方案是打开预设项 - 编辑器/调试器 - 语言把文件编码统一设置为 UTF-8。顺带说一句如果你用的是 R2023a 且注释是 GBK 存出来的经常要来回改我现在的习惯是所有脚本文件统一用英文注释省得在不同机器上翻车。4.3 预测值反归一化之后完全对不上量纲现象模型训练正常y_pred_raw 在 [-1,1] 区间内也正常但 reverse 之后预测值比真实值小了一个数量级或者出现负数。原因mapminmax 的 ps 结构体用错了。如果你对训练目标 t_train 做归一化时保存的是 ps_target预测后再对 y_pred_raw 做 reverse应该用同一个 ps_target。但有些人会顺手对 y_pred_raw 再做一次 mapminmax生成了新的 ps等于做了双重归一化再还原数据量纲自然对不上。解决检查代码里 reverse 时用的 settings 变量是不是训练时保存的那个不要现场重新计算。另外注意如果训练输入是 x_train 做了 mapminmaxnet 的输入就是归一化后的数据预测时测试集 x_test 也要用训练时的 ps_input 先归一化再喂给 net不能拿原始测试数据直接输进去这同样会导致输出异常。4.4 每次运行结果都不一样论文里没法复现现象同一个脚本昨天跑出来的 RMSE 是 15.2今天变成 13.8后天又变回 14.6没有改任何代码。原因fitnet 网络初始权重和偏置是随机生成的trainlm 的训练过程也依赖初始点。每次调用 train 都会生成新的随机初始值如果不固定随机数种子同样的代码会得到不同的结果。另一个源头是我们上面说过的如果 divideFcn 没改成 divideind数据划分本身也是随机的每次训练用的数据集都不一样。解决脚本开头加一行rng(42);把随机数种子固定住。42 可以换成任意整数。dividerand 的随机性也要控制直接用 divideind 把训练验证测试的索引固定死。从工程复现的角度我建议训练脚本末尾把 net 和 ps 结构体直接保存成 .mat 文件下次加载 net 直接预测不需要重新训练。4.5 训练时报内存不足或者速度慢到无法接受现象数据量不大几千个样本但一跑 trainlm 就内存飙升甚至 MATLAB 直接卡死。数据量稍大一点转个圈要几分钟。原因trainlm 需要计算并存储近似的 Hessian 矩阵矩阵大小和权重数量相关隐藏层神经元多了之后权重数量膨胀很快。另一个原因是滑窗构造特征矩阵时用了循环叠加X 矩阵里大量冗余数据占用了内存。解决隐藏层控制在 30 个以内超出功耗比不划算。换 trainscg 或 trainbr前者内存小后者自带贝叶斯正则化对小样本的过拟合抑制更明显。数据预处理环节把所有变量用 clear 清理掉只保留 X、Y 和 ps 结构体。内存还是不够的话用 tall 数组或者直接把数据切成块做增量训练。5. 精度验证和参数调优交叉验证怎么落地才靠谱电力负荷预测和一般机器学习回归的一个本质差别是样本之间有时间相关性不能用 K 折随机交叉验证否则未来信息会泄漏到训练集里。我常用的验证方式是滚动验证也叫 walk-forward validation——固定训练窗口长度每预测完一个时间段就把这段时间的真实数据并入训练集再预测下一段。% 滚动验证框架每 24 步前移一次训练窗口 horizon 24; train_len 500; results []; for start 1 : horizon : (n - train_len - horizon) trn_ind start : start train_len - 1; tst_ind start train_len : start train_len horizon - 1; net2 fitnet(10, trainlm); net2.divideFcn divideind; net2.divideParam.trainInd 1:train_len; net2.divideParam.valInd train_len1:train_lenhorizon; net2.divideParam.testInd []; net2 train(net2, X(trn_ind,:), Y(trn_ind)); yh net2(X(tst_ind,:)); results [results; yh, Y(tst_ind)]; end这个循环每次训练一个新的网络参数除了数据窗口在变其他全部固定。horizon 是预测步长24 代表一次预测未来 24 个时刻train_len 是训练窗口长度。这样循环跑下来得到的 RMSE 比单次训练测试的结果更接近真实部署表现也更接近你能在论文里拿来和别的模型对比的指标。调参环节隐藏层神经元数我习惯用网格扫描加眼动判断15 个以内的候选值每个跑三轮取中位数画一条“神经元数-验证集 RMSE”的曲线找拐点。曲线在 10 个神经元时快速下降15 个之后趋于平缓选 12 或 15 比选 30 好得多——越大的网络越容易过拟合而且电力预测本质是个信号跟踪问题不是图像分类没那么高的复杂度需要这么大的容量。还有一个值得试的技巧是集成预测。不是搭一堆复杂的网络而是用同一个数据集训练三到五个不同初始权重的相同网络取预测结果的中位数作为最终输出。简单平均会被个别极端预测带偏中位数对离群值更稳健。实际操作里这个技巧的收益在 3% 到 5% 的 RMSE 改善不算惊艳但它几乎零成本也不用调参属于便宜又实惠的改进方式。我自己的习惯是每次拿到新的电力数据集强制把滚动验证作为第一道工序跑完用它的 RMSE 作为基线之后任何模型的改进都以超过这个基线为门槛。这样做的好处是之后换特征、调参、换激活函数每次改动都能看到真实的提升而不是在随机波动里自我感动。希望这些思路在你自己的项目里能帮你避开我已经踩过的坑。从那以后我每次做电力负荷预测都强制先跑一遍滚动验证、固定随机种子、核对反归一化的 ps 结构体这三步走完才允许自己看训练曲线。项目背景再急这三步也不会省。希望帮到你。本文还有配套的精品资源点击获取