简介这份基于BP神经网络的用电量预测MATLAB资料包面向电力系统规划、负荷管理及机器学习初学者解决利用历史用电量与温度、节假日等影响因素进行短期负荷预测的问题。压缩包共包含3个文件训练好的网络权重文件.mat、可直接运行的模型训练与预测脚本.m以及完整操作演示录像.avi整体大小约514KB轻量易用。目前已有503人学习下载。脚本基于MATLAB神经网络工具箱实现涵盖数据归一化、网络构建、参数迭代与结果评估等核心环节配套录屏可帮助用户直观理解从数据准备到预测输出的完整流程。对于希望快速复现BP预测模型、或在此基础上尝试改进算法如RPROP、LM优化、结合其他机器学习方法的读者这份资料提供了清晰的起点和可扩展的实验模板。1. 电力负荷预测的难题为什么偏偏是 BP 神经网络先跑通做能耗管理或电网规划的人都会碰到同一个问题用电量数据既不是纯粹线性也不是严格周期空调负荷、生产排班、节假日、气温突变都往里叠加。用 ARIMA 这类时间序列模型残差里总带着明显的非线性结构用随机森林预测曲线又不够平滑滞后明显。这时候 BP 神经网络反而成了最务实的起点——它不需要你人为指定非线性函数形式只要把历史负荷、温度、日期特征作为输入输出未来时刻的用电量就可以靠反向传播把误差一步步压下去。哪怕是现在深度网络满天飞的阶段BP 在中小样本、频繁重训练的负荷预测场景里依然因为收敛稳定、可解释性好而被当作基线模型。这篇文章就围绕“BP 神经网络结构如何设计、PyTorch 怎么实现回归预测、参数怎么调不翻车”来讲透一条可以直接落地的路径顺带用 SHAP 分析把黑箱变成可量化的特征贡献适合刚接触负荷预测的工程师也适合想系统性重写旧预测脚本的团队参考。2. BP 神经网络的核心机制与用电预测的输入输出设计2.1 反向传播到底在做什么从误差梯度说起BP 神经网络常被画成“输入层—隐藏层—输出层”的三层结构图但真正决定它能不能拟合用电数据的是反向传播过程。前向传播时输入向量经过加权求和与激活函数得到输出我们把预测值和真实值之间的损失算出来反向传播做的事情是把损失对每一层权重的偏导逐层回传用梯度下降法更新权值。可以理解为每一轮训练都在“问”每个权重你让误差变大了还是变小了然后朝让误差减小的方向移动一小步。在用电量预测里网络的输入绝不只是一个历史用电量。常见的做法是用滑动窗口构造样本比如说预测明天上午 9 点的负荷就把过去 7 天同一时刻的负荷、当天最高气温、最低气温、星期几、是否节假日输进去。这里要避免两个误区一是输入维度太少导致欠拟合二是把日期拼成 0/1 编码后让网络误以为周一是“更大”的数值而引入虚假顺序。我的经验是星期几用独热编码节假日直接作为布尔特征。2.2 激活函数与网络深度怎么选不是越大越好用电量回归任务的输出层通常不加激活函数或者用纯线性输出因为预测值是连续实数。隐藏层激活函数最常用 ReLU但在数据量少且噪声大的负荷数据集上ReLU 偶尔会出现神经元死亡即梯度恒为零。可以退而用 LeakyReLU 或 tanh代价是训练速度慢一点点。结构上根据“万能近似定理”一个隐藏层的 BP 网络理论上就能拟合任意连续函数所以先从单隐藏层起步节点数设为输入维度到输出维度之间的某个值比如输入 8 个特征隐藏层设 16 或 32。多隐藏层适合样本量大、非线性强的场景但对用电数据而言两层已经能覆盖绝大多数情况再深反而容易把噪声也学进去。2.2.1 训练数据切分不能随机打乱的时序逻辑分类问题里随手train_test_split是习惯时序预测里这是大坑。用电数据是有序的用未来的数据训练、用过去的数据验证等于考试偷看答案。正确的切分是比如一年 8760 个小时的数据前 7000 小时训练后 1000 小时验证再留 760 小时做最终测试。如果要走 K 折交叉验证也得用时间序列的滚动窗口式切分例如每次切片保持时序顺序。数据角色时间段样本数训练集1 月至 9 月约 6000验证集10 月至 11 月约 1400测试集12 月约 700下面是构造训练样本的伪代码流程先不做模型只保证喂给网络的数据是“过去预测未来”的形态import numpy as np import pandas as pd df pd.read_csv(electricity.csv, parse_dates[date]) df[temp] df[temp].interpolate() # 缺失温度线性插值 features [load_lag_1h, temp, is_weekend] X, y [], [] for i in range(24, len(df) - 24): # 用过去一天的数据特征预测未来第24小时负荷 X.append(df[features].iloc[i-24:i].values.reshape(-1)) y.append(df[load].iloc[i24]) X np.array(X) y np.array(y)参数说明load_lag_1h是滞后一小时的负荷值这是带外生变量的自回归思想reshape(-1)把 24 点特征压平也可以改成二维矩阵让网络用卷积处理但 BP 暂时不用考虑空间结构。窗口大小24代表时间步长实际项目中要根据数据的自相关性来选可以画自相关函数ACF看显著滞后期数。3. 用 PyTorch 实现 BP 神经网络回归预测的最小可运行方案3.1 数据标准化用电量预测第一刀先砍量纲用电负荷往往在几百到几千兆瓦之间波动而温度是 040星期一是 0/1。如果不归一化BP 网络的梯度更新会被大数值特征主导网络会学成“只看负荷忽略温度”。常用的手段是 Z-score 标准化让每个特征列均值接近 0、标准差接近 1训练稳定得多。注意标准化参数必须只在训练集上计算再用同一组均值和标准差去转换验证集、测试集否则会渗漏未来信息。from sklearn.preprocessing import StandardScaler scaler_x StandardScaler() scaler_y StandardScaler() X_train scaler_x.fit_transform(X_train) X_val scaler_x.transform(X_val) # y 单独标准化预测后要逆变换还原真实值 y_train scaler_y.fit_transform(y_train.reshape(-1, 1)).ravel() y_val scaler_y.transform(y_val.reshape(-1, 1)).ravel()逻辑说明fit_transform在训练集上计算均值和方差transform是用同一统计量映射新数据。标准化后再喂给网络损失函数不会因某个特征尺度过大而震荡。最后输出预测值时用scaler_y.inverse_transform恢复兆瓦单位。3.2 定义网络结构从零手写一个两层 BP 类这里不直接调用nn.Sequential糊一个简单网络而是用nn.Module显式写出参数方便调试权重。网络采用单隐藏层隐藏层节点数量用hidden_size变量控制方便后续网格搜索。import torch import torch.nn as nn import torch.optim as optim class BPNNRegressor(nn.Module): def __init__(self, input_size, hidden_size, output_size1): super(BPNNRegressor, self).__init__() self.fc1 nn.Linear(input_size, hidden_size) self.relu nn.ReLU() self.fc2 nn.Linear(hidden_size, output_size) # 回归任务输出层不加激活函数 def forward(self, x): out self.fc1(x) out self.relu(out) out self.fc2(out) return out model BPNNRegressor(input_sizeX_train.shape[1], hidden_size32) criterion nn.MSELoss() # 均方误差适合连续回归 optimizer optim.Adam(model.parameters(), lr0.001, weight_decay1e-4)参数说明input_size是构造样本时压平后的维度比如 24 个特征hidden_size32是隐藏层神经元数32 在中等数据量下是合理起点。weight_decay是 L2 正则项抑制过大权重防止模型记忆噪声。优化器用 Adam 而不是普通 SGD因为 Adam 自适应调整学习率在负荷数据这种非凸损失面上更容易收敛如果你追求更好的泛化能力可以在训练后期换回 SGD 做微调。3.3 训练循环与早停机制训练不是越久越好循环把训练数据做成批次每批算一次损失、清空梯度、反向传播、更新权重。同时验证集上的损失每轮记录一次如果连续patience轮没有下降就停止训练并恢复最优参数。这就是早停法是防止过拟合最廉价的手段。from torch.utils.data import TensorDataset, DataLoader train_dataset TensorDataset(torch.FloatTensor(X_train), torch.FloatTensor(y_train)) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) val_dataset TensorDataset(torch.FloatTensor(X_val), torch.FloatTensor(y_val)) val_loader DataLoader(val_dataset, batch_size256, shuffleFalse) epochs 200 patience 15 best_val_loss float(inf) best_model_state None wait 0 for epoch in range(epochs): model.train() total_loss 0.0 for X_batch, y_batch in train_loader: optimizer.zero_grad() pred model(X_batch).squeeze() loss criterion(pred, y_batch) loss.backward() optimizer.step() total_loss loss.item() * X_batch.size(0) # 验证阶段 model.eval() val_loss 0.0 with torch.no_grad(): for X_val_batch, y_val_batch in val_loader: pred_val model(X_val_batch).squeeze() val_loss criterion(pred_val, y_val_batch).item() * X_val_batch.size(0) val_loss / len(val_dataset) if val_loss best_val_loss: best_val_loss val_loss best_model_state model.state_dict().copy() wait 0 else: wait 1 if wait patience: break model.load_state_dict(best_model_state)逻辑说明shuffleTrue会打乱训练样本顺序这对 BP 是需要的避免模型学到样本的时间排序造成误差反向传播偏差验证集不打乱。model.eval()切到推理模式关闭 Dropout 或 BatchNorm 的统计更新。早停的patience15意味着连续 15 轮验证损失没有刷新就终止。注意这里没有把验证集直接拼回训练集重训如果要追求最终精度可以在早停结束后用最优 epoch 数重新在全量数据上训练一次。4. 训练曲线诊断与 BP 网络必调的 4 个参数4.1 损失曲线里暴露的欠拟合与过拟合训练时把每个 epoch 的训练损失和验证损失打印出来画成曲线是判断模型状态的直接依据。如果两条损失都居高不下说明网络容量不够或者特征不行这时候增加隐藏层节点数、加长时间步窗口比调学习率更有效。如果训练损失持续下降但验证损失先降后升说明在某个 epoch 之后模型开始背诵训练数据早停通常能截住这个点。如果训练损失下降非常慢振荡剧烈学习率可能偏大或者特征没有标准化干净。对于用电负荷这种带明显日周期和季节周期的数据如果训练损失已经很低预测值却整体延迟一拍常见原因是输入窗口过短。比如只用过去 1 小时负荷预测下 1 小时网络会倾向于输出接近上一时刻的值因为数值上这样最省误差。解决办法是增加更长周期的滞后特征比如同时加入昨天同一时刻、上周同一时刻的负荷。4.1.1 查特征重要性的快速方法单变量烧蚀在跑完整 SHAP 分析之前先做一次简单的特征烧蚀ablation每次去掉一个特征看验证集 RMSE 的变化。去掉某特征后误差明显升高说明该特征是强预测因子误差反而降低说明这个特征是噪声。这个方法虽然粗糙但在没有额外工具的情况下能快速定位冗余特征比如日期中的年份编号通常毫无用处。4.2 隐藏层节点数从 2^n 到网格搜索隐藏层节点数是 BP 神经网络结构图里最显眼的数字。节点太少模型欠拟合节点太多不仅计算慢还容易在数据量小的训练集上过拟合。经验上可以从输入维度的一半开始然后按倍数扩展16、32、64。用网格搜一把比靠感觉可靠。下表是我在类似项目上常用的参数范围可以直接作为起点参数名推荐范围说明隐藏层节点数16128单层网络用 32/64 起步两层网络第二层减半学习率0.0005 ~ 0.01Adam 下 0.001 大概率没问题SGD 需要 0.01Batch Size32128用电样本往往上万个样本64 是平衡选择训练轮数50300配合早停使用不要固定轮次L2 正则系数01e-3特征多、样本少时要加4.3 学习率与优化器的配合Adam 的坑也不止一个Adam 虽然自带自适应学习率但初始学习率设置过大照样发散。表现为 loss 变成 NaN或者在前几个 epoch 猛降后突然弹高。遇到这种情况优先把学习率除以 10 再训练。另一个常被忽略的问题是 Adam 默认的eps1e-8在数据归一到接近标准差 1 时没事但如果有个别极端气温值没处理干净会导致梯度计算不稳定。可以把eps调到1e-4训练会更稳。用普通 SGD 时要配合学习率衰减策略比如每隔 20 个 epoch 将学习率乘以 0.5。用 Adam 反而可以用固定的weight_decay做正则大多数情况下不需要动态调学习率。需要说明的是weight_decay不等于 dropout它作用在权重上和 Dropout 可以同时使用但对小规模 BP 网络而言加 Dropout 的效果不如直接加正则并早停因为数据量有限。4.4 预测结果评估指标别只看 R²还要看峰值偏差回归预测常规指标是 RMSE、MAE、MAPE。用电负荷的特殊性在于我们既关心整体平均误差更关心峰值时段比如盛夏傍晚的预测偏差因为峰值决定了配电网的容量规划。因此我会把测试集按真实负荷从大到小排序分别计算排名前 10% 的峰值样本和剩余样本的 MRE。下面是一个简单的评估脚本from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np y_test scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel() pred_test scaler_y.inverse_transform(pred_test.numpy().reshape(-1, 1)).ravel() rmse np.sqrt(mean_squared_error(y_test, pred_test)) mae mean_absolute_error(y_test, pred_test) print(fRMSE: {rmse:.2f} MW, MAE: {mae:.2f} MW) # 峰值误差单独计算 threshold np.percentile(y_test, 90) peak_mask y_test threshold peak_mape np.mean(np.abs((y_test[peak_mask] - pred_test[peak_mask]) / y_test[peak_mask])) print(f峰值段( {threshold:.0f} MW) MAPE: {peak_mape*100:.2f}%)参数说明inverse_transform把预测值从标准化空间还原成真实功率单位percentile取第 90 分位作为峰值阈值。如果峰值段 MAPE 明显高于整体 MAPE说明模型在极端负荷段拟合不足下一步应重点增加极端日的样本权重而不是盲目加深网络。5. 用 SHAP 解释 BP 黑箱并把它送上生产环境的软着陆法5.1 SHAP 值如何计算以预测点为基准的特征贡献分解SHAPSHapley Additive exPlanations将每个特征的贡献值解释为对预测值的边际贡献。对单条预测样本SHAP 值之和等于模型预测值减去所有样本的基值平均预测值。正 SHAP 值表示该特征把预测值往上推负值表示往下压。这个解释方式天然适合给 BP 网络的输出做归因尤其在调度员问“为什么今天预测负荷这么高”时你可以用一张 SHAP 力图告诉他主要是最高气温贡献了 50 MW昨天同一时刻负荷贡献了 30 MW。import shap # 取测试集前 100 个样本计算解释 explainer shap.Explainer(model, X_train) shap_values explainer(X_test[:100]) shap.summary_plot(shap_values, X_test[:100], feature_namesfeature_names)逻辑说明shap.Explainer在这里传入的是 PyTorch 模型对象它会自动适配前向传播如果模型是sklearn里的包装器写法也相同。summary_plot是经典的蜜蜂图每行代表一个特征点位置表示 SHAP 值颜色是特征值高低。对于 BP 网络回归任务输出只有一个值所以 SHAP 值是一维向量。5.2 从 SHAP 全局排序反向精简特征集在用电量预测项目里SHAP 的全局排序通常会给出三个分层强特征组近期负荷、温度、弱特征组湿度、风速、接近零的特征组节假日编号、年份。把接近零贡献的几个特征删掉重新训练通常能降低约 5% 的验证误差同时训练时间减少。但要注意特征相关性会掩盖真实贡献比如温度和前一天负荷高度相关SHAP 可能把贡献大部分分给后者。所以删特征前先看相关性矩阵两两相关系数超过 0.8 的只保留一种。5.3 滚动预测与模型重训练的衔接生产环境中的预测不是一次性训练完就永远使用。常见做法是每天或每周重跑一次训练因为用户用电行为会季节性漂移。落地时我通常封装一个类内部保存标准化器、模型权重和特征列名列表。每次训练新数据后先用新数据的滚动窗口构建样本重训同一结构的网络再导出为一个.pt文件供业务侧调用。这里给一个关键的重训练触发逻辑def should_retrain(model_version, current_date, retrain_freq_days7): last_train model_version.get(train_date) return (current_date - last_train).days retrain_freq_days参数说明retrain_freq_days7表示每周重新训练一次如果遇到节假日或极端天气后误差突增可以把这个值临时调为 1。重训练时需要把历史数据窗口长度固定避免隐式扩大训练集导致预测口径不一致。同时建议保存每一次的验证集 RMSE 快照一旦新模型的 RMSE 比旧模型高出 10%触发告警检查特征数据是否发生了断档或埋点变更。5.4 一种可行的灰度验证手段影子预测在正式替换预测模型前让新旧两个模型并行跑一周。旧模型继续出预测结果新模型只记录预测值和 SHAP 解释不对外发布。然后用真实负荷数据评估两者在同一时段的表现。这个做法成本极低却能把数据漂移、接口延迟等问题暴露在影子阶段。另外将 SHAP 分析结论沉淀为文字报告放在模型版本库里这样每次调参或换特征时团队都有据可查不会出现“换了温度源之后预测突变”却没人能解释的情况。最后补一个实用小技巧把 SHAP 输出的全局特征重要度保存为 CSV每次重训练后自动比对排序变化特征排名剧烈翻转时大概率是上游数据源出了问题这比光看误差指标更灵敏。本文还有配套的精品资源点击获取 BP神经网络在电力负荷预测中的应用：从原理到PyTorch实战
简介这份基于BP神经网络的用电量预测MATLAB资料包面向电力系统规划、负荷管理及机器学习初学者解决利用历史用电量与温度、节假日等影响因素进行短期负荷预测的问题。压缩包共包含3个文件训练好的网络权重文件.mat、可直接运行的模型训练与预测脚本.m以及完整操作演示录像.avi整体大小约514KB轻量易用。目前已有503人学习下载。脚本基于MATLAB神经网络工具箱实现涵盖数据归一化、网络构建、参数迭代与结果评估等核心环节配套录屏可帮助用户直观理解从数据准备到预测输出的完整流程。对于希望快速复现BP预测模型、或在此基础上尝试改进算法如RPROP、LM优化、结合其他机器学习方法的读者这份资料提供了清晰的起点和可扩展的实验模板。1. 电力负荷预测的难题为什么偏偏是 BP 神经网络先跑通做能耗管理或电网规划的人都会碰到同一个问题用电量数据既不是纯粹线性也不是严格周期空调负荷、生产排班、节假日、气温突变都往里叠加。用 ARIMA 这类时间序列模型残差里总带着明显的非线性结构用随机森林预测曲线又不够平滑滞后明显。这时候 BP 神经网络反而成了最务实的起点——它不需要你人为指定非线性函数形式只要把历史负荷、温度、日期特征作为输入输出未来时刻的用电量就可以靠反向传播把误差一步步压下去。哪怕是现在深度网络满天飞的阶段BP 在中小样本、频繁重训练的负荷预测场景里依然因为收敛稳定、可解释性好而被当作基线模型。这篇文章就围绕“BP 神经网络结构如何设计、PyTorch 怎么实现回归预测、参数怎么调不翻车”来讲透一条可以直接落地的路径顺带用 SHAP 分析把黑箱变成可量化的特征贡献适合刚接触负荷预测的工程师也适合想系统性重写旧预测脚本的团队参考。2. BP 神经网络的核心机制与用电预测的输入输出设计2.1 反向传播到底在做什么从误差梯度说起BP 神经网络常被画成“输入层—隐藏层—输出层”的三层结构图但真正决定它能不能拟合用电数据的是反向传播过程。前向传播时输入向量经过加权求和与激活函数得到输出我们把预测值和真实值之间的损失算出来反向传播做的事情是把损失对每一层权重的偏导逐层回传用梯度下降法更新权值。可以理解为每一轮训练都在“问”每个权重你让误差变大了还是变小了然后朝让误差减小的方向移动一小步。在用电量预测里网络的输入绝不只是一个历史用电量。常见的做法是用滑动窗口构造样本比如说预测明天上午 9 点的负荷就把过去 7 天同一时刻的负荷、当天最高气温、最低气温、星期几、是否节假日输进去。这里要避免两个误区一是输入维度太少导致欠拟合二是把日期拼成 0/1 编码后让网络误以为周一是“更大”的数值而引入虚假顺序。我的经验是星期几用独热编码节假日直接作为布尔特征。2.2 激活函数与网络深度怎么选不是越大越好用电量回归任务的输出层通常不加激活函数或者用纯线性输出因为预测值是连续实数。隐藏层激活函数最常用 ReLU但在数据量少且噪声大的负荷数据集上ReLU 偶尔会出现神经元死亡即梯度恒为零。可以退而用 LeakyReLU 或 tanh代价是训练速度慢一点点。结构上根据“万能近似定理”一个隐藏层的 BP 网络理论上就能拟合任意连续函数所以先从单隐藏层起步节点数设为输入维度到输出维度之间的某个值比如输入 8 个特征隐藏层设 16 或 32。多隐藏层适合样本量大、非线性强的场景但对用电数据而言两层已经能覆盖绝大多数情况再深反而容易把噪声也学进去。2.2.1 训练数据切分不能随机打乱的时序逻辑分类问题里随手train_test_split是习惯时序预测里这是大坑。用电数据是有序的用未来的数据训练、用过去的数据验证等于考试偷看答案。正确的切分是比如一年 8760 个小时的数据前 7000 小时训练后 1000 小时验证再留 760 小时做最终测试。如果要走 K 折交叉验证也得用时间序列的滚动窗口式切分例如每次切片保持时序顺序。数据角色时间段样本数训练集1 月至 9 月约 6000验证集10 月至 11 月约 1400测试集12 月约 700下面是构造训练样本的伪代码流程先不做模型只保证喂给网络的数据是“过去预测未来”的形态import numpy as np import pandas as pd df pd.read_csv(electricity.csv, parse_dates[date]) df[temp] df[temp].interpolate() # 缺失温度线性插值 features [load_lag_1h, temp, is_weekend] X, y [], [] for i in range(24, len(df) - 24): # 用过去一天的数据特征预测未来第24小时负荷 X.append(df[features].iloc[i-24:i].values.reshape(-1)) y.append(df[load].iloc[i24]) X np.array(X) y np.array(y)参数说明load_lag_1h是滞后一小时的负荷值这是带外生变量的自回归思想reshape(-1)把 24 点特征压平也可以改成二维矩阵让网络用卷积处理但 BP 暂时不用考虑空间结构。窗口大小24代表时间步长实际项目中要根据数据的自相关性来选可以画自相关函数ACF看显著滞后期数。3. 用 PyTorch 实现 BP 神经网络回归预测的最小可运行方案3.1 数据标准化用电量预测第一刀先砍量纲用电负荷往往在几百到几千兆瓦之间波动而温度是 040星期一是 0/1。如果不归一化BP 网络的梯度更新会被大数值特征主导网络会学成“只看负荷忽略温度”。常用的手段是 Z-score 标准化让每个特征列均值接近 0、标准差接近 1训练稳定得多。注意标准化参数必须只在训练集上计算再用同一组均值和标准差去转换验证集、测试集否则会渗漏未来信息。from sklearn.preprocessing import StandardScaler scaler_x StandardScaler() scaler_y StandardScaler() X_train scaler_x.fit_transform(X_train) X_val scaler_x.transform(X_val) # y 单独标准化预测后要逆变换还原真实值 y_train scaler_y.fit_transform(y_train.reshape(-1, 1)).ravel() y_val scaler_y.transform(y_val.reshape(-1, 1)).ravel()逻辑说明fit_transform在训练集上计算均值和方差transform是用同一统计量映射新数据。标准化后再喂给网络损失函数不会因某个特征尺度过大而震荡。最后输出预测值时用scaler_y.inverse_transform恢复兆瓦单位。3.2 定义网络结构从零手写一个两层 BP 类这里不直接调用nn.Sequential糊一个简单网络而是用nn.Module显式写出参数方便调试权重。网络采用单隐藏层隐藏层节点数量用hidden_size变量控制方便后续网格搜索。import torch import torch.nn as nn import torch.optim as optim class BPNNRegressor(nn.Module): def __init__(self, input_size, hidden_size, output_size1): super(BPNNRegressor, self).__init__() self.fc1 nn.Linear(input_size, hidden_size) self.relu nn.ReLU() self.fc2 nn.Linear(hidden_size, output_size) # 回归任务输出层不加激活函数 def forward(self, x): out self.fc1(x) out self.relu(out) out self.fc2(out) return out model BPNNRegressor(input_sizeX_train.shape[1], hidden_size32) criterion nn.MSELoss() # 均方误差适合连续回归 optimizer optim.Adam(model.parameters(), lr0.001, weight_decay1e-4)参数说明input_size是构造样本时压平后的维度比如 24 个特征hidden_size32是隐藏层神经元数32 在中等数据量下是合理起点。weight_decay是 L2 正则项抑制过大权重防止模型记忆噪声。优化器用 Adam 而不是普通 SGD因为 Adam 自适应调整学习率在负荷数据这种非凸损失面上更容易收敛如果你追求更好的泛化能力可以在训练后期换回 SGD 做微调。3.3 训练循环与早停机制训练不是越久越好循环把训练数据做成批次每批算一次损失、清空梯度、反向传播、更新权重。同时验证集上的损失每轮记录一次如果连续patience轮没有下降就停止训练并恢复最优参数。这就是早停法是防止过拟合最廉价的手段。from torch.utils.data import TensorDataset, DataLoader train_dataset TensorDataset(torch.FloatTensor(X_train), torch.FloatTensor(y_train)) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) val_dataset TensorDataset(torch.FloatTensor(X_val), torch.FloatTensor(y_val)) val_loader DataLoader(val_dataset, batch_size256, shuffleFalse) epochs 200 patience 15 best_val_loss float(inf) best_model_state None wait 0 for epoch in range(epochs): model.train() total_loss 0.0 for X_batch, y_batch in train_loader: optimizer.zero_grad() pred model(X_batch).squeeze() loss criterion(pred, y_batch) loss.backward() optimizer.step() total_loss loss.item() * X_batch.size(0) # 验证阶段 model.eval() val_loss 0.0 with torch.no_grad(): for X_val_batch, y_val_batch in val_loader: pred_val model(X_val_batch).squeeze() val_loss criterion(pred_val, y_val_batch).item() * X_val_batch.size(0) val_loss / len(val_dataset) if val_loss best_val_loss: best_val_loss val_loss best_model_state model.state_dict().copy() wait 0 else: wait 1 if wait patience: break model.load_state_dict(best_model_state)逻辑说明shuffleTrue会打乱训练样本顺序这对 BP 是需要的避免模型学到样本的时间排序造成误差反向传播偏差验证集不打乱。model.eval()切到推理模式关闭 Dropout 或 BatchNorm 的统计更新。早停的patience15意味着连续 15 轮验证损失没有刷新就终止。注意这里没有把验证集直接拼回训练集重训如果要追求最终精度可以在早停结束后用最优 epoch 数重新在全量数据上训练一次。4. 训练曲线诊断与 BP 网络必调的 4 个参数4.1 损失曲线里暴露的欠拟合与过拟合训练时把每个 epoch 的训练损失和验证损失打印出来画成曲线是判断模型状态的直接依据。如果两条损失都居高不下说明网络容量不够或者特征不行这时候增加隐藏层节点数、加长时间步窗口比调学习率更有效。如果训练损失持续下降但验证损失先降后升说明在某个 epoch 之后模型开始背诵训练数据早停通常能截住这个点。如果训练损失下降非常慢振荡剧烈学习率可能偏大或者特征没有标准化干净。对于用电负荷这种带明显日周期和季节周期的数据如果训练损失已经很低预测值却整体延迟一拍常见原因是输入窗口过短。比如只用过去 1 小时负荷预测下 1 小时网络会倾向于输出接近上一时刻的值因为数值上这样最省误差。解决办法是增加更长周期的滞后特征比如同时加入昨天同一时刻、上周同一时刻的负荷。4.1.1 查特征重要性的快速方法单变量烧蚀在跑完整 SHAP 分析之前先做一次简单的特征烧蚀ablation每次去掉一个特征看验证集 RMSE 的变化。去掉某特征后误差明显升高说明该特征是强预测因子误差反而降低说明这个特征是噪声。这个方法虽然粗糙但在没有额外工具的情况下能快速定位冗余特征比如日期中的年份编号通常毫无用处。4.2 隐藏层节点数从 2^n 到网格搜索隐藏层节点数是 BP 神经网络结构图里最显眼的数字。节点太少模型欠拟合节点太多不仅计算慢还容易在数据量小的训练集上过拟合。经验上可以从输入维度的一半开始然后按倍数扩展16、32、64。用网格搜一把比靠感觉可靠。下表是我在类似项目上常用的参数范围可以直接作为起点参数名推荐范围说明隐藏层节点数16128单层网络用 32/64 起步两层网络第二层减半学习率0.0005 ~ 0.01Adam 下 0.001 大概率没问题SGD 需要 0.01Batch Size32128用电样本往往上万个样本64 是平衡选择训练轮数50300配合早停使用不要固定轮次L2 正则系数01e-3特征多、样本少时要加4.3 学习率与优化器的配合Adam 的坑也不止一个Adam 虽然自带自适应学习率但初始学习率设置过大照样发散。表现为 loss 变成 NaN或者在前几个 epoch 猛降后突然弹高。遇到这种情况优先把学习率除以 10 再训练。另一个常被忽略的问题是 Adam 默认的eps1e-8在数据归一到接近标准差 1 时没事但如果有个别极端气温值没处理干净会导致梯度计算不稳定。可以把eps调到1e-4训练会更稳。用普通 SGD 时要配合学习率衰减策略比如每隔 20 个 epoch 将学习率乘以 0.5。用 Adam 反而可以用固定的weight_decay做正则大多数情况下不需要动态调学习率。需要说明的是weight_decay不等于 dropout它作用在权重上和 Dropout 可以同时使用但对小规模 BP 网络而言加 Dropout 的效果不如直接加正则并早停因为数据量有限。4.4 预测结果评估指标别只看 R²还要看峰值偏差回归预测常规指标是 RMSE、MAE、MAPE。用电负荷的特殊性在于我们既关心整体平均误差更关心峰值时段比如盛夏傍晚的预测偏差因为峰值决定了配电网的容量规划。因此我会把测试集按真实负荷从大到小排序分别计算排名前 10% 的峰值样本和剩余样本的 MRE。下面是一个简单的评估脚本from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np y_test scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel() pred_test scaler_y.inverse_transform(pred_test.numpy().reshape(-1, 1)).ravel() rmse np.sqrt(mean_squared_error(y_test, pred_test)) mae mean_absolute_error(y_test, pred_test) print(fRMSE: {rmse:.2f} MW, MAE: {mae:.2f} MW) # 峰值误差单独计算 threshold np.percentile(y_test, 90) peak_mask y_test threshold peak_mape np.mean(np.abs((y_test[peak_mask] - pred_test[peak_mask]) / y_test[peak_mask])) print(f峰值段( {threshold:.0f} MW) MAPE: {peak_mape*100:.2f}%)参数说明inverse_transform把预测值从标准化空间还原成真实功率单位percentile取第 90 分位作为峰值阈值。如果峰值段 MAPE 明显高于整体 MAPE说明模型在极端负荷段拟合不足下一步应重点增加极端日的样本权重而不是盲目加深网络。5. 用 SHAP 解释 BP 黑箱并把它送上生产环境的软着陆法5.1 SHAP 值如何计算以预测点为基准的特征贡献分解SHAPSHapley Additive exPlanations将每个特征的贡献值解释为对预测值的边际贡献。对单条预测样本SHAP 值之和等于模型预测值减去所有样本的基值平均预测值。正 SHAP 值表示该特征把预测值往上推负值表示往下压。这个解释方式天然适合给 BP 网络的输出做归因尤其在调度员问“为什么今天预测负荷这么高”时你可以用一张 SHAP 力图告诉他主要是最高气温贡献了 50 MW昨天同一时刻负荷贡献了 30 MW。import shap # 取测试集前 100 个样本计算解释 explainer shap.Explainer(model, X_train) shap_values explainer(X_test[:100]) shap.summary_plot(shap_values, X_test[:100], feature_namesfeature_names)逻辑说明shap.Explainer在这里传入的是 PyTorch 模型对象它会自动适配前向传播如果模型是sklearn里的包装器写法也相同。summary_plot是经典的蜜蜂图每行代表一个特征点位置表示 SHAP 值颜色是特征值高低。对于 BP 网络回归任务输出只有一个值所以 SHAP 值是一维向量。5.2 从 SHAP 全局排序反向精简特征集在用电量预测项目里SHAP 的全局排序通常会给出三个分层强特征组近期负荷、温度、弱特征组湿度、风速、接近零的特征组节假日编号、年份。把接近零贡献的几个特征删掉重新训练通常能降低约 5% 的验证误差同时训练时间减少。但要注意特征相关性会掩盖真实贡献比如温度和前一天负荷高度相关SHAP 可能把贡献大部分分给后者。所以删特征前先看相关性矩阵两两相关系数超过 0.8 的只保留一种。5.3 滚动预测与模型重训练的衔接生产环境中的预测不是一次性训练完就永远使用。常见做法是每天或每周重跑一次训练因为用户用电行为会季节性漂移。落地时我通常封装一个类内部保存标准化器、模型权重和特征列名列表。每次训练新数据后先用新数据的滚动窗口构建样本重训同一结构的网络再导出为一个.pt文件供业务侧调用。这里给一个关键的重训练触发逻辑def should_retrain(model_version, current_date, retrain_freq_days7): last_train model_version.get(train_date) return (current_date - last_train).days retrain_freq_days参数说明retrain_freq_days7表示每周重新训练一次如果遇到节假日或极端天气后误差突增可以把这个值临时调为 1。重训练时需要把历史数据窗口长度固定避免隐式扩大训练集导致预测口径不一致。同时建议保存每一次的验证集 RMSE 快照一旦新模型的 RMSE 比旧模型高出 10%触发告警检查特征数据是否发生了断档或埋点变更。5.4 一种可行的灰度验证手段影子预测在正式替换预测模型前让新旧两个模型并行跑一周。旧模型继续出预测结果新模型只记录预测值和 SHAP 解释不对外发布。然后用真实负荷数据评估两者在同一时段的表现。这个做法成本极低却能把数据漂移、接口延迟等问题暴露在影子阶段。另外将 SHAP 分析结论沉淀为文字报告放在模型版本库里这样每次调参或换特征时团队都有据可查不会出现“换了温度源之后预测突变”却没人能解释的情况。最后补一个实用小技巧把 SHAP 输出的全局特征重要度保存为 CSV每次重训练后自动比对排序变化特征排名剧烈翻转时大概率是上游数据源出了问题这比光看误差指标更灵敏。本文还有配套的精品资源点击获取