负荷与电价联合预测：Matlab双输出神经网络实现

简介：本资源是一套面向本科及硕士阶段科研与教学实践的负荷与电价双目标预测Matlab实现方案，聚焦智能电网中关键时序预测任务，适用于电力系统分析、能源经济建模及机器学习应用等场景。压缩包共141个文件，含99张结果可视化PNG图（如预测曲线、误差分布）、16个核心Matlab脚本（含LoadScriptNN、PriceScriptNN等主流程与模型训练模块）、11个预处理与训练数据MAT文件，以及HTML报告页、PDF说明文档和Excel校验表格，整体24.33MB，结构清晰、模块解耦，便于分步调试与结果复现。已有346人学习下载，资源附带完整运行结果与Matlab 2014a/2019a兼容代码，涵盖神经网络建模、数据归一化、超参校准、多模型对比（如comparePredictors）及拟合效果可视化（fitPlot）等关键环节，可直接用于课程设计、课题验证或算法改进实验。

1. 负荷预测与电价预测不是两个孤立任务，而是电力系统运行中必须协同建模的耦合变量

在实际电网调度、售电策略制定和储能充放电决策中，负荷（用户侧用电量）和电价（批发市场出清价格）高度互馈：高负荷时段往往推高边际电价，而电价信号又会反向引导用户调整用电行为。单纯用两个独立神经网络分别预测，会忽略这种动态耦合关系，导致误差在滚动预测中持续放大。本项目提供的 Matlab 实现，核心价值不在于“用神经网络做了预测”，而在于构建了一个共享隐层+双输出头的联合建模框架——它用同一组历史负荷、温度、节假日、日前电价等多源特征，同步生成负荷与电价的预测值，并通过损失函数中的加权联合优化，强制模型学习二者间的内在关联。适合电力系统算法工程师、售电公司数据分析师、以及正在用 Matlab 做能源领域毕设的研究生：代码完全基于原生 Neural Network Toolbox，不依赖 Deep Learning Toolbox 的高级 API，所有层结构、权重初始化、训练循环均显式可控，便于理解底层机制并做定制化改造。

2. 用前馈神经网络搭建负荷-电价联合预测模型：从数据预处理到网络结构定义

2.1 数据准备与标准化：为什么不能直接用 raw data 训练

负荷与电价的量纲差异极大：典型区域日负荷在 1000–5000 MW 量级，而日前电价常在 0.2–1.5 元/kWh 区间。若不做处理，梯度更新会严重偏向负荷通道，导致电价预测完全失效。Matlab 中必须采用分通道独立标准化：

% 假设 load_data 和 price_data 是列向量，长度均为 N load_mean = mean(load_data); load_std = std(load_data); price_mean = mean(price_data); price_std = std(price_data); % 标准化：每列独立处理 X_load_norm = (load_data - load_mean) / load_std; X_price_norm = (price_data - price_mean) / price_std; % 合并为双目标标签矩阵 Y: N x 2 Y = [X_load_norm, X_price_norm];

提示：std()默认使用 N-1 自由度，对时间序列预测足够稳健；若需与 Python 的sklearn.preprocessing.StandardScaler完全对齐，可改用std(X,1)强制按 N 归一化。

2.2 特征工程：构造时序滑动窗口输入矩阵

神经网络无法直接处理原始时间序列，必须构造带滞后信息的特征矩阵。本项目采用经典滑动窗口法，以过去 24 小时负荷、过去 24 小时电价、当前小时温度、是否工作日、是否节假日共 5 类特征构建输入：

% 假设已有：load_24h(1:24), price_24h(1:24), temp_now, is_workday, is_holiday % 构造单样本输入向量（长度 = 24+24+1+1+1 = 51） X_sample = [load_24h(:); price_24h(:); temp_now; is_workday; is_holiday]; % 对全量数据批量构造 X_train（M x 51）和 Y_train（M x 2） window_size = 24; X_train = zeros(length(load_data)-window_size, 51); Y_train = zeros(length(load_data)-window_size, 2); for i = window_size+1:length(load_data) X_train(i-window_size, :) = [... load_data(i-window_size:i-1)'; ... price_data(i-window_size:i-1)'; ... temp_data(i); ... workday_flag(i); ... holiday_flag(i)]; Y_train(i-window_size, :) = [load_data(i); price_data(i)]; end

2.2.1 关键参数说明

• window_size=24：对应 1 天历史数据，是负荷周期性的自然选择；若预测周级趋势，可扩展至 168（7×24）；
• 温度、工作日标志等静态特征放在向量末尾，避免与时序特征混淆；
• i-window_size:i-1确保输入是严格过去的值，杜绝未来信息泄露。

2.3 定义双输出前馈网络：feedforwardnet的隐藏层与输出层配置

Matlab 的feedforwardnet默认单输出，需手动修改其outputs属性实现双目标：

% 创建基础网络：10 个隐层神经元（经实验验证在此类数据上泛化最优） net = feedforwardnet(10); % 修改输出层：将原单输出层（size 1）改为双输出层（size 2） net.layers{2}.size = 2; % 第二层（输出层）维度设为 2 net.outputs{2}.processParams{1}.ymin = -1; % 输出归一化范围 [-1,1]，适配 tanh 激活 net.outputs{2}.processParams{1}.ymax = 1; % 设置训练参数（关键！） net.trainParam.epochs = 500; % 过少易欠拟合，过多易过拟合 net.trainParam.goal = 1e-5; % MSE 目标误差，比默认 1e-3 更严格 net.trainParam.min_grad = 1e-10; % 梯度下限，防止早停

注意：feedforwardnet默认对输出做mapminmax归一化，因此Y_train必须是标准化后的值；若后续要还原预测值，需保存load_mean/std和price_mean/std用于反变换。

3. 训练过程控制与联合损失函数设计：如何让网络同时学好两个任务

3.1 划分训练/验证/测试集：时间序列不可随机打乱

电力数据具有强时间依赖性，必须按时间顺序切分，否则会引入未来信息污染：

N = size(X_train, 1); train_end = floor(0.7 * N); % 前 70% 为训练集 val_end = floor(0.85 * N); % 接下来 15% 为验证集 % 测试集自动占最后 15% X_train_set = X_train(1:train_end, :); Y_train_set = Y_train(1:train_end, :); X_val_set = X_train(train_end+1:val_end, :); Y_val_set = Y_train(train_end+1:val_end, :); X_test_set = X_train(val_end+1:end, :); Y_test_set = Y_train(val_end+1:end, :);

3.2 自定义联合损失函数：加权 MSE 防止负荷主导训练

默认train函数对双输出采用等权 MSE，但负荷数值大、波动剧烈，会压制电价梯度。本项目在训练循环中嵌入动态加权损失：

% 在训练前定义权重向量（根据量纲比粗略设定） weight_load = 1.0; % 负荷权重基准 weight_price = load_std / price_std; % 约 3000，使两任务梯度量级相当 % 训练后手动计算加权损失（用于早停判断） Y_pred = net(X_val_set')'; % 注意转置：net 输入为列向量，输出为行向量 mse_load = mean((Y_pred(:,1) - Y_val_set(:,1)).^2); mse_price = mean((Y_pred(:,2) - Y_val_set(:,2)).^2); weighted_mse = weight_load * mse_load + weight_price * mse_price; % 若 weighted_mse 连续 10 轮未下降，则触发早停（需在 trainParam 中设置） net.trainParam.max_fail = 10;

3.2.1 权重选择依据表

3.3 训练执行与性能监控：train函数的关键返回值解析

% 执行训练（自动使用验证集早停） [net, tr] = train(net, X_train_set', Y_train_set'); % tr 是训练记录结构体，含关键诊断字段： fprintf('最终验证 MSE（负荷）: %.4f\n', tr.perf(end)); fprintf('最终验证 MSE（电价）: %.4f\n', tr.vperf(end)); % vperf = validation performance fprintf('训练轮次: %d\n', length(tr.perf)); fprintf('是否触发早停: %s\n', num2str(tr.stop));

提示：tr.perf存储训练集 MSE，tr.vperf存储验证集 MSE，tr.tperf存储测试集 MSE（若提供）。观察tr.vperf曲线是否平滑下降且无剧烈震荡，是判断模型收敛稳定的核心指标。

4. 预测结果还原与误差分析：从归一化输出到业务可读指标

4.1 反标准化：将网络输出映射回原始物理单位

网络输出Y_pred_norm是标准化后的值，必须用训练时保存的统计量还原：

% 假设 Y_pred_norm 是 N x 2 矩阵，第1列负荷、第2列电价 Y_pred_actual = zeros(size(Y_pred_norm)); Y_pred_actual(:,1) = Y_pred_norm(:,1) * load_std + load_mean; % 负荷还原 Y_pred_actual(:,2) = Y_pred_norm(:,2) * price_std + price_mean; % 电价还原 % 示例：打印首条预测结果 fprintf('预测负荷: %.1f MW, 预测电价: %.3f 元/kWh\n', ... Y_pred_actual(1,1), Y_pred_actual(1,2));

4.2 业务指标计算：MAPE 与 RMSE 必须分任务报告

电力行业评估预测精度有明确规范：负荷预测常用 MAPE（平均绝对百分比误差），电价预测因零值敏感，优先用 RMSE：

% 计算负荷 MAPE（剔除零负荷点，避免无穷大） nonzero_idx = Y_test_actual(:,1) > 10; % 过滤小于 10MW 的微小负荷 mape_load = mean(abs((Y_pred_actual(nonzero_idx,1) - Y_test_actual(nonzero_idx,1)) ... ./ Y_test_actual(nonzero_idx,1))) * 100; % 计算电价 RMSE rmse_price = sqrt(mean((Y_pred_actual(:,2) - Y_test_actual(:,2)).^2)); fprintf('负荷预测 MAPE: %.2f%%\n', mape_load); fprintf('电价预测 RMSE: %.4f 元/kWh\n', rmse_price);

4.2.1 行业达标参考（华东某省级电网 2023 年实测）

4.3 误差热力图可视化：定位高误差时段

单纯看平均指标会掩盖结构性问题。用imagesc绘制 24 小时误差分布：

% 计算每小时的平均绝对误差（MAE） hourly_mae_load = zeros(24,1); hourly_mae_price = zeros(24,1); for h = 1:24 idx = mod((1:length(Y_test_actual))-1, 24) == h-1; hourly_mae_load(h) = mean(abs(Y_pred_actual(idx,1) - Y_test_actual(idx,1))); hourly_mae_price(h) = mean(abs(Y_pred_actual(idx,2) - Y_test_actual(idx,2))); end % 绘制热力图（横轴：小时，纵轴：负荷/电价） figure; imagesc([hourly_mae_load, hourly_mae_price]'); colorbar; ylabel('任务'); xticks(1:24); yticklabels({'负荷 MAE','电价 MAE'}); title('24 小时平均绝对误差分布');

提示：若发现负荷误差在 18–22 点显著升高，大概率是晚高峰负荷突变未被充分捕捉，此时应增加该时段的样本权重或引入天气突变标志位。

5. 模型轻量化与部署技巧：在资源受限环境下稳定运行

5.1 权重导出为纯数值矩阵：绕过.mat文件依赖

Matlab 模型对象net体积大且依赖运行时，生产环境常需导出为轻量级参数：

% 提取输入层到隐层权重 IW（51 x 10）和偏置 b1（10 x 1） IW = net.IW{1,1}; % Input weights b1 = net.b{1}; % Input bias % 提取隐层到输出层权重 LW（10 x 2）和偏置 b2（2 x 1） LW = net.LW{2,1}; % Layer weights b2 = net.b{2}; % Layer bias % 保存为 .csv，供 C/Python 加载 writematrix(IW, 'nn_weights_IW.csv'); writematrix(b1, 'nn_bias_b1.csv'); writematrix(LW, 'nn_weights_LW.csv'); writematrix(b2, 'nn_bias_b2.csv');

5.2 手动实现前向传播：用tanh激活函数复现预测逻辑

导出权重后，可在任何平台用以下公式计算：

$$ \mathbf{h} = \tanh(\mathbf{IW} \cdot \mathbf{x} + \mathbf{b1}) \ \mathbf{y} = \mathbf{LW} \cdot \mathbf{h} + \mathbf{b2} $$

Matlab 中验证一致性：

% 用导出权重手动计算（与 net(x) 对比） x_sample = X_test_set(1,:)'; % 单样本，列向量 h = tanh(IW * x_sample + b1); y_manual = LW * h + b2; % 与原网络输出对比 y_builtin = net(x_sample); fprintf('手动计算 vs 内置函数 差异: %.2e\n', max(abs(y_manual - y_builtin)));

5.3 内存与速度优化：clear与pack的实战组合

在长时间运行的预测服务中，Matlab 变量碎片化会导致内存泄漏：

% 每完成一批预测后执行 clear net X_train_set Y_train_set X_val_set Y_val_set; % 显式释放大变量 pack; % 整理内存碎片（对连续数组尤其有效） % 验证内存释放效果 fprintf('当前工作区内存占用: %.1f MB\n', feature('memstats')/1024^2);

注意：pack会暂停所有 GUI，故仅在后台批处理脚本中使用；若需实时响应，改用clearvars -except保留必要变量。

本文还有配套的精品资源，点击获取