简介：这是一份电力系统短期负荷预测方向的学术论文资源，面向从事机器学习、深度学习建模的电力工程师、科研人员与研究生，重点解决传统BP神经网络在处理含冲击负荷地区时高频分量预测精度低、泛化能力弱的问题。资源提出了混合小波变换与纵横交叉算法（CSO）优化神经网络的WD-CSO-YN预测模型：先利用小波变换对负荷序列进行多尺度分解，再对各子序列用CSO优化后的神经网络预测，最终叠加各分量结果。文中详细介绍了纵横交叉算法的横向交叉、纵向交叉及竞争机制，并给出实际电网的提前24小时负荷预测仿真对比，从预测精度、泛化能力、抗干扰能力三方面说明模型优势。全包共1个PDF文件，容量357KB，已有103人学习下载，适合希望掌握负荷预测建模原理、算法改进思路及完整仿真流程的读者参考使用。
1. 负荷预测为什么需要纵横交叉算法：不止是调参
做过电力负荷预测的人都有这种体会：BP神经网络在训练集上拟合得很好，测试集一换就“翻车”。原因不复杂——初始权重和阈值是随机生成的，训练过程高度依赖初始位置；梯度下降本身又有局部极小值问题，数据里一旦带上节假日、温度突变这类非线性因素，网络收敛质量就变得不可控。负荷预测模型要落地，不能只靠把网络结构堆深，关键在于让网络找到一个更稳定的参数起点。
纵横交叉算法（Crisscross Optimization Algorithm，CSO）解决的就是这个问题。它不像遗传算法那样只靠种群迭代，而是通过横向交叉和纵向交叉两种操作，在解空间内同时做探索和精炼，在不引入过多计算代价的前提下显著改善神经网络的初始权重分布。配合BP或前馈神经网络做负荷预测时，常见的做法是先用CSO迭代出一组较优的初始权重和阈值，再交给BP梯度下降做局部精修。这个组合叫CSO-BP。
这套方案适合谁？一类是做电力系统短期负荷预测的工程师，另一类是正在参加数学建模竞赛、需要让神经网络预测精度拿得出手的学生。后者的痛点尤其明显：竞赛里“预测”类题目往往数据量不大、特征维度不高，传统BP神经网络拟合曲线完全是玄学，而CSO-BP在中等数据规模下的稳定性和精度表现通常优于随机初始化。下面从算法原理开始，逐步讲到可以用Matlab直接复现的实现细节。
2. 纵横交叉算法：横向交叉与纵向交叉的互补逻辑
2.1 算法核心思想：两种交叉操作的角色划分
纵横交叉算法是一种基于种群的元启发式算法，和粒子群、遗传算法同属一类，但它的交叉机制设计得更有针对性。算法的核心操作只有两个：横向交叉和纵向交叉。
横向交叉（Horizontal Crossover）发生在不同个体之间。它像遗传算法中的算术交叉一样，把一个种群里任意两个个体在对应维度上做加权融合，生成两个子代。横向交叉的搜索范围大，能快速把种群推向有希望的区域，负责全局探索。纵向交叉（Vertical Crossover）则发生在同一个体的不同维度之间，把某个个体的第i维和第j维做算术组合。它的目的在于打破维度之间的相互牵制，因为适应度函数的变量之间往往存在耦合关系，单独调整某一维度容易被其他维度拖累。纵向交叉的扰动幅度小，负责局部精炼。
两种操作交替进行，构成一次完整迭代。状态更新采用贪心策略——子代与父代比较适应度，好的才保留，所以种群整体质量单调不下降。这个特性非常重要：它保证了优化过程不会像某些遗传算法实现那样，种群在后期出现明显的退化回退。
2.2 算法流程与参数设定
完整流程如下：
- 初始化种群：随机生成N个解，每个解是一个向量，长度等于待优化的神经网络连接权值加阈值总数。
- 横向交叉：将种群内个体两两配对，在每一维上计算子代。
- 纵向交叉：对每个个体，随机选取两个维度，计算维间重组子代。
- 适应度评估：对每个子代计算适应度，适应度定义为训练集上的均方误差（MSE），越小越好。
- 贪心选择：保留子代与父代中适应度更优者。
- 判断是否达到最大迭代次数，未达到则回到第2步。
横向交叉的更新公式：
c1 = r1 * x_i + (1 - r1) * x_j
c2 = r2 * x_j + (1 - r2) * x_i
其中r1、r2是[0,1]区间的随机数。纵向交叉的更新公式：
c_d1 = r * x_d1 + (1 - r) * x_d2
其中d1、d2是当前个体两个不同的维度下标，r是随机数。
这里的参数设定有几个需要注意的地方。种群规模N一般取20到50，过大计算代价翻倍，过小则交叉样本不足。最大迭代次数T在100到500之间，取200作为默认值，效果和计算代价比较平衡。纵向交叉概率通常设置为0.5到0.8，不宜过高，否则个体内部的维度被过度重组，稳定性反而下降。横向交叉概率固定为1，因为每一代的横向交叉都应当执行，这是算法搜索的主引擎。
2.3 收敛速度与自适应改进
CSO的收敛速度受两个因素制约：一是纵向交叉的维度对选择，纯随机选择可能导致高维向量的重组效率低下；二是交叉步长固定，后期在最优解附近时扰动仍保持初始幅度，容易震荡。
常用的自适应改进手段有两种。第一种是给纵向交叉引入递减概率参数，随着迭代代数增加，纵向交叉概率从0.8线性降到0.3，避免后期过度扰动。第二种是在横向交叉中引入最优个体引导，让群体中适应度最优的个体以更高概率参与交叉，提升开发能力。这些改进不改变算法主体结构，代码实现时只需要多传一个代数参数。
3. 用Matlab搭建CSO-BP神经网络负荷预测代码
3.1 前期准备：数据归一化与网络结构设计
负荷预测的原始输入通常是历史负荷序列，加上温度、湿度、日期类型等外部特征。首先要做的是归一化，因为BP神经网络的激活函数对输入尺度敏感。Matlab中常用mapminmax函数：
% 输入数据 X, 输出数据 Y [X_norm, X_ps] = mapminmax(X, 0, 1); [Y_norm, Y_ps] = mapminmax(Y, 0, 1);这里把数据映射到[0,1]区间。X_ps和Y_ps是归一化参数的保存结构，测试集预测完成后要用它反向还原，得到真实负荷值。
网络结构方面，三层前馈神经网络足以处理大多数短期负荷预测任务。输入层节点数等于特征维度，输出层节点数为1，隐含层节点数常用经验公式h = sqrt(m + n) + a，其中m是输入节点数，n是输出节点数，a取1到10之间的常数。示例中如果特征维度是8，隐含层取6到8个节点。隐含层激活函数用tansig，输出层用purelin，这是BP神经网络做回归拟合的经典组合，比输出层用sigmoid的收敛速度快，也不容易出现输出饱和。
3.2 CSO优化BP神经网络权重的核心代码
CSO需要优化的参数向量长度dim = inputNum * hiddenNum + hiddenNum + hiddenNum * outputNum + outputNum，分别对应输入层到隐含层的权重、隐含层阈值、隐含层到输出层的权重、输出层阈值。初始化种群后，每个个体在Matlab中用reshape函数切分出权重和阈值。
% 参数设置 popSize = 30; % 种群规模 maxIter = 200; % 最大迭代次数 dim = inputNum * hiddenNum + hiddenNum + hiddenNum * outputNum + outputNum; lb = -1 * ones(1, dim); % 权重搜索下界 ub = 1 * ones(1, dim); % 权重搜索上界 % 初始化种群 pop = rand(popSize, dim) .* (ub - lb) + lb; % 计算初始适应度 for i = 1:popSize fitness(i) = csoBPFitness(pop(i,:), X_train_norm, Y_train_norm, ... inputNum, hiddenNum, outputNum); end适应度函数内部做的事情是把个体向量还原成网络权重，用Matlab的feedforwardnet或手动矩阵乘法前向传播一次，计算训练集均方误差。更底层的实现是完全不用神经网络工具箱，直接写矩阵运算：
function mse = csoBPFitness(individual, X, Y, inputNum, hiddenNum, outputNum) w1 = reshape(individual(1:inputNum*hiddenNum), hiddenNum, inputNum); b1 = individual(inputNum*hiddenNum+1 : inputNum*hiddenNum+hiddenNum)'; w2 = reshape(individual(inputNum*hiddenNum+hiddenNum+1 : end-outputNum), outputNum, hiddenNum); b2 = individual(end-outputNum+1 : end)'; hiddenOut = tansig(X * w1' + repmat(b1', size(X,1), 1)); output = hiddenOut * w2' + repmat(b2', size(X,1), 1); mse = mean((output - Y).^2); end这样做的优势是避免每次适应度评估都调用神经网络工具箱，在大种群和多次迭代下能显著减少开销。计算逻辑上，X是归一化后的训练输入矩阵，行是样本，列是特征；w1、b1、w2、b2从个体向量中按维度切片得到。
循环迭代部分实现横向交叉和纵向交叉：
for iter = 1:maxIter % 横向交叉 for i = 1:2:popSize-1 r1 = rand(1, dim); r2 = rand(1, dim); child1 = r1 .* pop(i,:) + (1 - r1) .* pop(i+1,:); child2 = r2 .* pop(i+1,:) + (1 - r2) .* pop(i,:); childFitness1 = csoBPFitness(child1, X_train_norm, Y_train_norm, ... inputNum, hiddenNum, outputNum); childFitness2 = csoBPFitness(child2, X_train_norm, Y_train_norm, ... inputNum, hiddenNum, outputNum); if childFitness1 < fitness(i) pop(i,:) = child1; fitness(i) = childFitness1; end if childFitness2 < fitness(i+1) pop(i+1,:) = child2; fitness(i+1) = childFitness2; end end % 纵向交叉 verticalProb = 0.8 - 0.5 * iter / maxIter; % 自适应递减 for i = 1:popSize if rand < verticalProb d1 = randi(dim); d2 = randi(dim); r = rand; child = pop(i,:); child(d1) = r * pop(i,d1) + (1 - r) * pop(i,d2); childFitness = csoBPFitness(child, X_train_norm, Y_train_norm, ... inputNum, hiddenNum, outputNum); if childFitness < fitness(i) pop(i,:) = child; fitness(i) = childFitness; end end end % 记录当前最优 [bestFitness(iter), bestIdx] = min(fitness); bestPop(iter,:) = pop(bestIdx,:); end横向交叉配对采用奇偶相邻策略，种群规模为奇数时最后一对不参与，因此在初始化时应保证种群规模为偶数。纵向交叉的维对选择是纯随机的，当dim较大时可能会出现同一个维度被重复选中，如果观察收敛曲线有明显平台，可以将d2改为mod(d1 + randi(dim-1), dim) + 1，强制维度不同。
3.3 用CSO结果微调BP神经网络
CSO迭代结束后，从历史种群记录里取出适应度最优的个体，作为BP神经网络的初始权重和阈值：
[~, globalBestIdx] = min(bestFitness); bestIndividual = bestPop(globalBestIdx, :); % 设置BP网络 net = feedforwardnet(hiddenNum, 'traingdx'); net.trainParam.epochs = 500; net.trainParam.lr = 0.01; net.trainParam.goal = 1e-5; % 把权重和阈值填进网络结构 w1 = reshape(bestIndividual(1:inputNum*hiddenNum), hiddenNum, inputNum); b1 = bestIndividual(inputNum*hiddenNum+1 : inputNum*hiddenNum+hiddenNum)'; w2 = reshape(bestIndividual(inputNum*hiddenNum+hiddenNum+1 : end-outputNum), ... outputNum, hiddenNum); b2 = bestIndividual(end-outputNum+1 : end)'; net.IW{1,1} = w1; net.b{1} = b1; net.LW{2,1} = w2; net.b{2} = b2; % 训练并预测 [net, tr] = train(net, X_train_norm', Y_train_norm'); Y_predict = sim(net, X_test_norm'); Y_predict = mapminmax('reverse', Y_predict, Y_ps);这里用traingdx即带动量项和自适应学习率的梯度下降法做局部精修，因为CSO已经把初始点放到了较好的盆地内，再用最简单的梯度下降就能快速收敛。trainlm（Levenberg-Marquardt）在数据量较小时收敛更快，但在样本量超过万级时内存占用偏高，实际使用时要根据数据规模选择。
4. 负荷预测的特征工程与模型参数设计
4.1 输入特征怎么选：负荷序列的时序解构
负荷预测的特征工程直接决定模型上界。纯用历史负荷序列做滑动窗口是最简单的方式，但预测精度通常在节假日和温度突变时明显恶化。我比较常用的一种特征是“时间分解+气象修正”组合。
时间特征包括：小时序号（0-23）、星期序号（1-7）、是否为工作日标记。气象特征包括：预测日最高温、最低温、平均湿度。负荷序列特征包括：预测点前1小时、前24小时、前168小时的同时刻负荷值。这里前168小时对应“上周同一时刻”，能捕捉周期性；前24小时对应“昨天同一时刻”，能捕捉日周期性；前1小时捕捉短期惯性。三者配合比单纯连续滑动窗口提供更强的先验结构。
特征构造完成的矩阵形状是N×8，N为样本数。注意星期序号和小时序号不能直接作为数值输入，因为“23时”和“0时”的数值距离是23，但实际时间距离只有1小时。常见的做法是将其转换为哑变量（one-hot）或用三角函数编码：
hourSin = sin(2 * pi * hour / 24); hourCos = cos(2 * pi * hour / 24);这样把周期性信息映射到连续空间，网络的拟合曲线更平滑。
4.2 评价指标：不要只看均方误差
负荷预测的评价指标体系至少应该包含以下四个维度：
| 指标 | 公式 | 适用场景 |
|---|---|---|
| MAE | mean(abs(y_true - y_pred)) | 平均绝对误差，量纲直观 |
| RMSE | sqrt(mean((y_true - y_pred).^2)) | 对大误差敏感，突出极端偏差 |
| MAPE | mean(abs((y_true - y_pred) / y_true)) | 无量纲，便于跨数据集对比 |
| R2 | 1 - sum((y_true - y_pred)^2) / sum((y_true - mean(y_true))^2) | 解释方差比例，反映拟合优度 |
RMSE和MAPE要一起看。如果RMSE显著大于MAE，说明预测误差分布存在长尾，个别时刻出现了明显偏离；这种情况通常是突发事件或数据质量问题，需要检查原始负荷数据是否有缺失插值错误。MAPE在负荷接近零的时刻会变得异常大，所以工业上常用“去掉负荷小于最大负荷5%的时刻后计算MAPE”的做法，称之为修正MAPE。
4.3 参数网格与交叉验证的取舍
CSO-BP模型的参数分两层：CSO层参数和BP层参数。实际调参时不需要全空间网格搜索，按以下顺序手工调：
- 先固定CSO参数为默认值（种群30、迭代200、纵向交叉概率0.8递减），只调BP隐含层节点数，取3-4个候选值。
- 确定隐含层节点数后，调CSO种群规模和迭代次数，观察适应度收敛曲线是否出现平台期。
- 最后调纵向交叉概率的初始值和终值。一般的规律是，数据维度越高，纵向交叉的初始概率应越大。
对负荷预测这种中低维问题，K折交叉验证取5折即可，不需要10折。因为CSO本身有随机性，同样的参数跑两次结果会有波动，所以交叉验证时要固定随机种子，否则无法判断精度提升来自算法还是随机因素：
rng(42); % 固定随机种子，确保实验可复现4.4 训练集长度与滑动窗口策略
负荷预测中一个很常见的坑是训练集越用越旧，模型逐渐失效。负荷分布受经济发展、用电政策影响，三年前的数据和当前的用电模式可能已经出现偏差。常见做法是采用滑动窗口训练策略：窗口长度为12个月，每月更新一次模型。具体到Matlab实现时，每次更新只需要把新数据追加到训练集尾部，删除窗口头部数据，然后重新执行一次CSO优化。
但有一个陷阱：CSO每轮迭代都要计算全部训练样本的MSE，训练窗口越长，单次适应度评估的耗时越长。如果训练集样本量超过5000行，建议先对训练集做抽样训练得到初始权重，再用全量数据做一轮BP精修。这样CSO只在抽样数据上搜索，BP在全量数据上收敛，精度损失通常在1%以内。
5. 通过拟合曲线判断模型优劣：三个验证技巧
5.1 先看拟合曲线拐点，再看误差残差
训练完成后，第一件事不是看测试集MAPE，而是把训练集、验证集、测试集的预测值与真实值画在同一张图上，重点观察拐点即负荷从峰到谷的切换位置。如果发现峰值预测偏低、谷值预测偏高，说明模型倾向于“均值回归”，在统计上表现为预测方差小于真实方差。这个问题的根源通常是输出层激活函数限制了输出范围，或者训练集对高峰时段的样本权重不足。
修正手段有两个。第一个是在loss中给高峰时段样本加权，比如把每日11点和19点的样本权重调为普通样本的1.5倍。第二个是把原始时间序列做差分后再训练，降低序列的非平稳性，让网络的拟合对象从“绝对负荷”变成“负荷变化量”。
5.2 残差自相关检验：白噪声测试
一个合格的负荷预测模型，其残差应当表现为白噪声。如果残差序列存在明显的自相关，说明模型还有未捕获的模式，常见的是日周期没有完全学进去。在Matlab中可以直接调用autocorr：
residual = Y_test_real - Y_test_predict; figure; autocorr(residual, 48); % 检测滞后48小时的自相关如果自相关图在滞后24小时处出现明显的超出置信区间峰值，说明模型没有学到位移24小时的周期性。此时检查输入特征中是否包含前24小时的负荷值，如果包含但仍存在这个峰值，则考虑增加隐含层节点数或引入LSTM的时序连接结构。残差检验的另一个作用是判断训练是否充分：如果训练集残差方差远小于测试集残差方差，说明出现了过拟合，此时应增加CSO的种群规模和迭代次数以提高初始权重质量，需要明确的是，更好的初始点本身就能缓解过拟合，这比dropout等策略在这个场景下更直接。
5.3 鲁棒性验证：扰动测试的边界
最后一个验证技巧是做输入扰动测试。将测试集输入特征的每个维度加入1%和5%的高斯噪声，观察输出变化幅度。一个稳定的负荷预测模型，5%输入扰动对输出的影响通常不应超过5%。如果输出变化超过10%，说明当前网络权重对某些输入维度过分敏感，通常是归一化后仍存在输入特征的相关性冗余，需要做PCA降维或剔除高度相关特征。
这里有一个具体脚本：
% 对测试集输入加入噪声，重复10次观察输出波动 noiseLevels = [0.01, 0.05]; for levelIdx = 1:length(noiseLevels) for rep = 1:10 X_noisy = X_test_norm + noiseLevels(levelIdx) * randn(size(X_test_norm)); Y_pred_noisy = sim(net, X_noisy'); outputVariation(rep) = mean(abs(Y_pred_noisy - Y_predict')); end fprintf('噪声水平%.0f%%时输出平均变化率: %.2f%%\n', ... noiseLevels(levelIdx)*100, mean(outputVariation)*100); end当输出变化率超标时，优先检查输入特征中是否存在共线性过高的两个维度，例如同时放入“今日峰值负荷”和“昨日峰值负荷”且两者相关性达到0.95以上，这种冗余会让BP网络的某些连接权重被无意义地放大，降低模型对输入噪声的鲁棒性。这一步做完，模型的可靠性就从定性的“看起来不错”变成了定量的“可接受范围内”。
本文还有配套的精品资源，点击获取
