光伏功率预测精度提升：MEA-BP神经网络优化BP初始权重与阈值

简介：《基于改进神经网络的光伏发电功率短期预测方法研究》是一篇技术研究型PDF文档，面向光伏发电、电力调度及机器学习建模领域的研究者与工程师，主要解决光伏输出功率因辐照度、天气和季节等随机因素难以准确预测的问题。文章提出结合思维进化算法与BP神经网络的MEA-BP短期预测模型，输入因子包括大气温度、辐照度、风速和历史输出序列，并按春夏秋冬划分为四个预测单元进行训练与仿真验证，结果表明该模型能有效降低BP网络的预测误差。这份PDF为单个文件，压缩包大小约1.05MB，内容包含光伏输出功率特性分析、BP神经网络原理、改进算法设计及实验对比，便于读者系统掌握从数据特征到模型构建验证的完整建模思路。目前已有161人学习浏览，适合作为光伏功率预测、深度学习改进算法方向的研究参考。

1. 光伏发电功率短期预测：为什么 BP 网络会翻车，MEA-BP 能把 MAPE 从 32% 拉到 15%

做光伏功率预测的人都有一个共同感受：辐照度一变，BP 神经网络的预测值就跟着飘，明明训练时误差挺好看，一到阴雨天就原形毕露。这篇论文给了一个很实在的解法——把思维进化算法（MEA）和 BP 神经网络结合起来，用 MEA 去搜索 BP 网络的初始权重和阈值，替代随机初始化。论文用某 100 MW 并网电站一年的数据做验证，模型输入是温度、辐照度、风速和历史出力序列，按季节拆成 4 套预测单元，最终把平均绝对百分比误差（MAPE）从 BP 的 32.014% 压到了 15.12%，均方根误差（RMSE）从 7.714 MW 降到 3.8 MW。如果你正在做光伏电站的短期出力预测，或者想给 BP 网络找个靠谱的全局寻优方案，这篇论文的建模思路和参数设置可以直接拿来用。下文我把模型结构、四季预测单元、训练参数和复现时容易踩的坑逐条拆开讲。

2. 光伏出力特性分析：辐照度、天气、季节和温度，哪些能当输入特征

2.1 辐照度与功率的线性关系决定输入特征优先级

论文从电站实测数据出发，分析了连续 3 天的辐照度和有功功率曲线，结论很直接：辐照度和发电功率之间有很强的线性关系，辐照度越高，太阳能电池输出功率就越大。这个结论看似常识，但它决定了特征工程的优先级——辐照度必须作为模型的第一输入因子，而且最好是预测日的辐照度数据，不是单纯的历史辐照度。

实际做特征时，要注意辐照度的单位问题。有些电站数据给的是辐照度（W/m²），有些给的是日照强度百分比，建议统一换算成 W/m²。另外，辐照度数据在早晚时段会出现大量接近 0 的值，占比过高会稀释模型对有效时段的拟合能力，一般做法是按光伏出力时段截断，论文里春季和夏季取 07:00-19:00，秋季取 08:00-19:00，冬季取 09:00-19:00，就是这个道理。

还有一种常见误用：直接把辐照度当作功率的线性映射来预测。实际上辐照度到功率之间还存在组件温度、转换效率的损耗，午后辐照度依然高但功率开始下滑，论文里的温度分析也提到了这一点。所以辐照度是主特征，但不能是唯一特征。

2.2 天气类型与季节差异：为什么必须分组建模

论文对比了同一个月不同天气下的日功率曲线，结论是晴天输出曲线相似且平滑，雨天和多云天气下波动剧烈、输出水平低。这意味着，如果混着训练，网络会被晴天样本主导，阴雨天的预测误差会被系统性放大。常见做法是按天气类型给样本分组，比如晴、多云、阴、雨四类，每类单独训练模型；论文的简化方案是按季节分 4 组，原因在于季节差异与天气类型的分布强相关。

季节的影响在论文里体现得很直观：夏季日照时间最长但输出功率最小，冬季日照时间最短但输出功率最大。原因不难理解，冬季太阳高度角低、空气透明度高，加上组件工作温度低，转换效率更高。这带来一个启示：季节不只是时间标签，它同时编码了日照时长、辐照度水平和组件温度三个物理量。所以按季节拆分预测单元，既符合物理规律，又能降低单一模型的学习难度。

从实操角度，我不建议把季节作为输入特征传给网络再让它自己学——样本量本来就不大，季节特征在网络内部的表达不稳定。论文的分组方案更稳妥：四季各建一个预测单元，每个单元独立训练、独立预测。

2.3 温度是把双刃剑：午后功率下滑的物理原因

论文的温度分析用了一天内的温度和输出功率对比曲线，指出环境温度升高会让光伏组件温度升高，转换效率下降，因此输出功率在达到峰值后反而会逐渐减小。这是光伏预测里一个非常典型的非线性环节——同样的辐照度，早晨和下午的功率输出可能差不少。

做特征工程时，温度不能只取预测日当天的平均气温，我建议把最高气温和最低气温也一起送入模型，或者直接使用组件背部温度（如果电站有装温度传感器的话）。论文的输入向量里包含预测日及前 1 天的平均辐照度、温度、风速，属于比较精简的设置。你可以在这个基础上扩展，但要注意输入维度增加后，隐藏层节点数和训练样本量是否匹配，论文后面给出的 4 套网络结构可以当作起点参考。

3. MEA-BP 模型构建：BP 网络拓扑、编码方案与思维进化算法的迭代逻辑

3.1 BP 神经网络的缺陷：局部最优、收敛慢与过拟合

论文对 BP 神经网络的问题总结得很凝练：信息前向传播、误差反向传播，通过预测误差调整权重和阈值，但经常陷入局部最优化、收敛速度慢、拟合过度。这三个问题在光伏预测场景里会互相放大——光伏出力曲线本身有强烈的时段性，早晚接近 0，午间到达峰值，BP 网络对峰值时段的拟合往往不够，而对低谷时段容易过拟合。

网络拓扑上，论文用的是三层网络，输入层到隐藏层再到输出层。假设拓扑为 i-j-k，编码长度为 i×j + j×k + j + k。这个编码长度就是 MEA 要做全局搜索的维度。举个例子，如果输入 19 个节点、隐藏层 15 个节点、输出 13 个节点，那么编码长度是 19×15 + 15×13 + 15 + 13 = 285 + 195 + 28 = 508，意味着 MEA 要在 508 维的空间里找最优解。这个维度对于进化算法来说难度适中，种群规模 2000 完全够用。

一个值得注意的细节：BP 网络的初始权重和阈值对训练结果影响巨大。默认的随机初始化很容易让网络收敛到较差的局部最优，这也是为什么同一个模型多跑几次结果差异很大的原因。MEA 的核心价值就在这一步——用全局寻优替代随机初始化，先找到一组好的初始权重和阈值，再交给 BP 做局部精调。

3.2 思维进化算法的趋同与异化：比遗传算法更直接的全局寻优

思维进化算法保留了遗传算法的种群和进化概念，但用趋同和异化两种操作代替了遗传算子。趋同操作是在子种群内部快速搜索局部最优，每个子种群的最优个体得分就是该子种群的得分；异化操作是在整个解空间搜索，对得分较差的子群体进行解散并随机产生新的子群体，保证子群体总数不变。信息交换通过全局公告板和局部公告板完成。

MEA 的执行步骤论文里写得很清晰：先在解空间中随机生成一定规模的个体，按得分挑选出 M 个优胜个体和 T 个临时个体；围绕每个优胜个体和临时个体创建新个体，形成子群体；在每个子群体内做趋同操作直到子群体成熟；子群体成熟后，在全局公告板张贴得分，执行异化操作——优胜子群体和临时子群体之间进行替代、丢弃和个体释放；重复上述过程直到最优者的得分不能再提高，此时认为收敛，得到全局最优子群体和个体。

这个流程的好处在于，异化操作保证了搜索不会长时间停留在局部最优区域。和遗传算法对比，MEA 没有交叉和变异算子，它靠的是子群体之间的竞争和更新，机制更简单、参数更少，实际用起来反而容易控制。要注意种群规模、子群体数量、迭代次数这三个参数是联动的，论文里给的参数组合（种群 2000、各群体 100 个、子群规模 10、迭代 50 次）是针对单层隐藏层网络调试出来的，如果你改了网络拓扑，建议相应调整种群规模，具体调整思路放到第 5 章说。

3.3 MEA-BP 的算法流程：从编码到最优初始权重

MEA-BP 的整体流程可以概括为六步：确定神经网络拓扑结构，按拓扑结构确定编码方案，把编码映射为解空间中的个体；初始化 MEA 算法参数，设置种群规模和子群体数量；生成初始子群体、优胜子群体和临时子群体；在各子群体内执行趋同操作，在子群体间执行异化操作；迭代直到满足结束条件，输出最优个体；将最优个体解码为 BP 网络的初始权重和阈值，开始 BP 训练。

得分函数的选择直接影响搜索方向。论文将每个个体和种群得分函数设定为训练集均方误差的倒数——均方误差越小，得分越高。这意味着 MEA 在搜索时直接以 BP 训练集上的拟合效果为评价标准，而不是看权重本身的数值分布。这里有一个细节值得注意：得分函数只用了训练集均方误差，没有加验证集误差或正则化项，所以 MEA 阶段选出的初始权重偏向于对训练集的拟合。实际复现时，如果你想提高泛化能力，可以在得分函数里加上验证集误差的加权项，或者在 MEA 之后再用验证集做一次早停，避免后续 BP 训练过拟合。

下面的伪代码描述了 MEA 阶段的核心逻辑，我在每个关键步骤后面标注了对应论文中的操作含义：

import numpy as np def msea_optimize(encode_length, pop_size=2000, winner_num=100, temp_num=100, max_iter=50): # 初始化：在解空间随机生成 pop_size 个个体，每个个体长度 = 编码长度 population = np.random.randn(pop_size, encode_length) * 0.5 # 计算初始得分：得分 = 1 / (训练集均方误差 + eps) scores = np.array([1.0 / (mse(decode_weights(individual)) + 1e-8) for individual in population]) # 选出优胜个体和临时个体（得分最高的前 winner_num 和 temp_num 个） sorted_idx = np.argsort(scores)[::-1] winner_idx = sorted_idx[:winner_num] temp_idx = sorted_idx[winner_num:winner_num + temp_num] # 围绕每个优胜/临时个体生成子群体（论文中"关注优胜个体和临时个体，围绕每个个体创建新的个体"） sub_populations = [] for idx in winner_idx: # 子群规模 = pop_size / (winner_num + temp_num) = 2000 / 200 = 10 sub_pop = population[idx] + np.random.randn(10, encode_length) * 0.1 sub_populations.append(sub_pop) # 临时子群体同样处理 for iteration in range(max_iter): # 趋同操作：每个子群体内部搜索，找到局部最优 sub_scores = [] for sub_pop in sub_populations: sub_scores.append(np.max([1.0 / (mse(decode_weights(ind)) + 1e-8) for ind in sub_pop])) # 异化操作：全局公告板比较得分，解散低分子群体并随机生成新子群体 # 优胜子群体保留，临时子群体中得分低者被解散并随机初始化 # 判断最优得分是否连续多轮未提升，若是则收敛 pass # 返回全局最优个体，解码为 BP 网络的初始权重和阈值 return best_individual

这段伪代码的重点在三个地方：一是得分函数用了均方误差的倒数，和论文一致，mse()函数需要你自己实现，输入是解码后的权重和阈值，输出是当前 BP 网络在训练集上的均方误差；二是子群体生成时用了0.1倍的标准差做扰动，论文里虽然没写这个值，但实际操作中子群体内部的搜索范围不宜过大，否则趋同操作会退化成随机搜索；三是异化操作的触发条件依赖全局公告板的得分比较，需要记录每个子群体的最优得分并排序。

有了 MEA 选出的最优个体，接下来的 BP 训练就常规了：把最优个体解码为权重和阈值，设置学习率 0.1、目标误差 1e-4、最大迭代次数 1000，用训练集数据迭代更新网络参数，直到满足停止条件。我在做类似项目时会把 MEA 阶段的迭代次数和 BP 训练阶段的最大迭代次数分开记录，因为两者的收敛速度完全不同，混在一起不便于判断问题出在哪个阶段。

4. 四季四套预测单元：输入向量设计、网络结构与训练参数对照

4.1 为什么输入节点数不一样：日照时段决定了出力区间的长度

论文里一个容易忽略的细节是：四个预测单元的输入节点数不同，春季和夏季是 19 个，秋季是 18 个，冬季是 17 个。原因在于各季节的光伏出力时段不一样——春季和夏季取 07:00-19:00，共 13 个小时；秋季取 08:00-19:00，共 12 个小时；冬季取 09:00-19:00，共 11 个小时。输入向量的第一部分是预测日前 1 d 对应时段的每小时发电功率，所以时段长度不同，输入维度就不同。

这种按季节调整出力时段的做法，比固定取 24 小时输入要合理得多。凌晨和傍晚的零功率时段对训练没有任何正向贡献，反而会压低模型对有功时段的拟合权重。如果你复现时发现预测曲线在早晚时段出现明显的拖尾现象，大概率就是没有做时段截断。

四套预测单元的输入向量构成可以整理成下面的表格，方便对照：

这里要注意输入向量维度的计算校验：春季 13 个小时的历史功率值 + 平均辐照度、温度、风速各两个（预测日和前 1 d），即 13 + 6 = 19，与论文表 1 完全对应。输出向量是预测日当天 07:00-19:00 每小时一个输出点，共 13 个点。隐藏层节点数的选取论文没有展开推导，而是直接给出结果，这也是这类论文的常见处理方式。实践中可以用经验公式 hidden = sqrt(input × output) + 1~10 来粗选，再逐步调整；论文用 15 或 12，符合这个范围。

4.2 训练数据划分：每季 80 组数据的含义与划分逻辑

论文的实验数据来自 2018 年 3 月 1 日到 2019 年 2 月 28 日，共 12 个月，每个季节一个预测单元，每个单元 80 组数据。需要理解的是，这里的 80 组不是 80 个小时，而是 80 个样本日——每一天构成一个样本，输入是前 1 d 的功率序列和气象数据，输出是当天的功率序列。数据消除异常值后，按季节各取 80 天。由于预测日前 1 d 的数据也要作为输入，所以 80 组数据实际覆盖了 81 天的运行记录，其中第 1 天只能作为输入参考。

80 个训练样本对于三层 BP 网络来说属于偏少的数据量，这也是为什么 MEA 的全局寻优能力在此场景下如此关键——网络本身可拟合的复杂度有限，初始化权重的好坏直接影响最终精度。如果你有更长时间的历史数据，比如两年以上，我建议不要简单扩充训练集，而是按相似日或天气类型再做一层细分，否则样本之间的冲突会拖累模型训练。论文选择每季 80 组，大概率是电站历史数据只有一年，这在实际项目里很常见，不必强求更多数据。

数据归一化也是不能跳过的一步。功率、辐照度的数值范围差异很大，风速和温度的差异同样明显。一般做法是把所有输入输出特征归一化到 [0,1] 或 [-1,1]。论文没有明确写归一化方式，但 BP 网络训练目标误差 1e-4 对未归一化的原始数据几乎不可能达到；所以按 [0,1] 归一化处理是合理推断。预测完成后，记得把输出结果反归一化回实际功率值，再算 MAE、MAPE、RMSE，单位是 MW 或百分比。

4.3 训练参数设置：种群规模、学习率、迭代次数到底怎么配

论文给出的 MEA 参数和 BP 训练参数是一组经过重复实验确定的组合，可以说是全文最值得抄作业的部分：

MEA 算法参数：种群规模 2000，优胜子种群数量 100，临时子种群数量 100，子群规模 10，迭代次数 50。

BP 网络训练参数：最大迭代次数 1000，学习率 0.1，训练目标误差 1e-4。

这里的参数有个联动关系：种群规模 2000 除以优胜与临时子种群总数 200，正好等于子群规模 10。也就是说，种群规模、子种群数量、子群规模三者满足整除关系，这个设计保证了每个子群体有均匀的个体数量。如果你要调整参数，优先保持这个整除关系不变，否则会出现某些子群体过大、某些过小，破坏异化操作的平衡性。

学习率 0.1 在光伏功率预测场景里属于偏大的取值。BP 网络在归一化数据上通常用 0.01~0.1，0.1 配合 1000 次迭代，加上 MEA 给出的优质初始权重，可以在合理时间内收敛。如果你自己实现时发现训练损失震荡不下降，优先把学习率降到 0.05 或 0.02，而不是盲目增加迭代次数。目标误差 1e-4 是均方误差的目标值，不是平均绝对误差——注意别把这两个指标搞混，前者是平方损失，后者是你最终评估时用的误差指标。

我把每套预测单元的数据构成和参数设置整理成一张速查表，方便直接对照：

隐藏层节点在春季、夏季、秋季都是 15，只有冬季是 12。冬季输出只有 11 个点，历史输入也只有 11 个功率值，输入输出维度同时变小，隐藏层节点相应降低是合理的。不要试图让四套模型共用同一种网络结构——冬季用 19-15-13 会因为输入不足产生大量无意义的零填充，反而损害精度。

4.4 完整复现流程：从原始数据到四季预测结果

按照论文的方法完整跑一遍，我会推荐下面的顺序：

步骤一，数据清洗。剔除辐照度、功率、温度、风速中的异常值和空值，对一天内高于功率装机容量或低于 0 的采样点做标记删除。论文提到「消除异常数据后」划分预测单元，这个步骤看似不起眼，但对 MEA 的得分函数影响极大——一个异常大的功率尖峰会把该样本的均方误差拉高几个数量级，导致整个子群体得分失真。

步骤二，按季节切分数据。每个季节取连续 80 天，构造输入矩阵和输出矩阵。输入矩阵的每一行对应一个样本日的输入向量，维度分别为 19/19/18/17；输出矩阵的每一行对应当天的预测时段功率序列，维度分别为 13/13/12/11。

步骤三，数据归一化。

from sklearn.preprocessing import MinMaxScaler # 以春季为例：X_train shape = (80, 19)，y_train shape = (80, 13) scaler_X = MinMaxScaler(feature_range=(0, 1)) scaler_y = MinMaxScaler(feature_range=(0, 1)) X_train_norm = scaler_X.fit_transform(X_train) y_train_norm = scaler_y.fit_transform(y_train)

步骤四，运行 MEA 搜索最优初始权重。将 MEA 得到的最优个体解码为 19×15 + 15×13 + 15 + 13 = 508 个权重和阈值参数，赋给 BP 网络。

步骤五，BP 训练。学习率 0.1、目标误差 1e-4、迭代次数 1000，在归一化后的训练集上训练。

步骤六，预测与反归一化。对测试日预测后，用scaler_y.inverse_transform()还原功率值，与真实值计算 MAE、MAPE、RMSE。

这里有个实操建议：论文表 3 给出的是每个时间点的 3 d 平均绝对误差（MAE），单位都是 MW，整理时要注意区分「逐时刻误差」和「全天平均误差」。逐时刻误差能帮你定位模型在哪个时段表现差——通常午间误差最大，因为功率峰值高；早晚误差虽然小，但相对误差百分比反而可能偏大。

5. 复现避坑：数据清洗、弃光限电与 MEA 参数设置的四个教训

5.1 夜间和凌晨零功率时段不剔除，误差指标被严重稀释

现象：模型预测曲线看起来还行，但 MAPE 计算出来异常低，低到不真实。

原因：光伏功率夜间为 0，MAPE 计算时 0 值作为分母会产生无穷大；很多复现者为了避免这个问题，把夜间零值保留在序列里，结果 MAPE 被大量零值拉低，看起来精度很高，实际对调度没有参考价值。

解决：严格按论文的出力时段截断数据，春季夏季取 07:00-19:00，秋季取 08:00-19:00，冬季取 09:00-19:00。预测和评估都在截断后的时段内进行，不在序列里保留零功率时段。我一般还会把每天的日出日落时间算出来，动态裁剪出力时段，比固定时段更精准。

5.2 晴天的样本主导训练，阴雨天预测误差直接爆表

现象：训练集误差很低，但把模型放到阴雨天预测时，预测值明显偏高，曲线形态完全对不上。

原因：光伏电站历史数据中晴天占比高，BP 网络在训练时对晴天样本的拟合权重自然更大。MEA 的得分函数又是训练集均方误差的倒数，全局寻优同样被晴天样本主导。

解决：如果只按季节分组，至少要检查每个季节预测单元内晴天和阴雨天的样本比例。比例失衡时，可以按天气类型做加权采样，让阴雨天样本参与训练的概率提高。论文没有做这一步，因为 80 组数据再做天气分层会导致每类样本过少，但如果你有更长周期的数据，这个操作值得加。另一个补救方法是针对阴雨天单独建一个临时模型，用相似日方法选出与预测日天气类型最接近的历史样本做局部预测。

5.3 弃光限电期间的数据混入训练，模型学到了「假规律」

现象：预测曲线在部分时段被系统性压低，和真实功率偏差大，而且误差集中在每天的同一时段。

原因：论文图 7 里秋季和冬季曲线标出了「弃光限电」现象，在弃光时段电站实际输出被人为限制，远低于理论可发功率。如果这些数据直接进训练集，BP 网络会学到「这个时段功率本来就低」的错误规律。

解决：识别弃光时段的简单方法是用辐照度估算理论功率上限，如果实际功率持续明显低于理论功率且曲线呈平台状，标记为弃光时段。训练时要么剔除这些样本，要么把对应时段的输出值替换为理论计算值。用 MEA-BP 训练时同样要注意，得分函数不会区分弃光样本和正常样本，数据不进训练集才是根本解。

5.4 MEA 参数照抄导致子群体退化，收敛后精度反而不如随机初始化

现象：复现时直接套用论文的种群 2000、子群体 100、迭代 50 次，算法收敛很快，但预测精度波动很大，有时还不如直接跑 BP。

原因：网络拓扑和论文不同，编码长度变了，但 MEA 参数没变。编码长度从 508 变成 1000 以上时，2000 个种群个体在高维空间里非常稀疏，子群体内部的趋同操作搜不到有效区域，异化操作频繁解散子群体，算法提前收敛到较差的局部最优。

解决：参数调整遵循两个原则。一是维持整除关系：种群规模 = 子群体数量 × 子群规模，论文是 2000 = 200 × 10；当编码长度变长，优先加大子群规模到 15 或 20，同时减少子群体数量。二是看收敛曲线：如果得分在 10 轮迭代内就不再提升，说明搜索空间和种群规模不匹配，加大种群规模比加大迭代次数更有效。我自己的习惯是先跑一次种群 5000 的粗搜索，观察得分收敛情况，再回退到资源允许的最小规模，省时间也省内存。

6. 结果验证：用 MAE、MAPE、RMSE 判断模型是否真的变好了，以及逐时刻误差的三种分析角度

论文表 3 把四个季节、三种模型（本地预测系统、BP、MEA-BP）的逐时刻 3 d 平均绝对误差列成了矩阵，表 4 给出了每个预测单元的 MAPE 和 RMSE。看表 4 的数据，本地预测系统的平均 MAPE 高达 125.332%，基本没有参考价值；BP 网络平均 MAPE 32.014%，RMSE 7.714 MW；MEA-BP 平均 MAPE 15.12%，RMSE 3.8 MW。MAPE 从 32% 降到 15%，RMSE 接近腰斩，这个提升幅度在光伏短期预测里是显著的。

但只看平均值会掩盖很多问题。我一般会从三个角度拆解误差结果：

第一个角度是逐时刻 MAE 的时段分布。从表 3 可以看到，MEA-BP 网络在一天中的非峰值时段误差很小，比如春季 10:00 的误差只有 0.039 MW，而 07:00 和 19:00 的误差相对偏大。原因很简单，早晚时段功率从 0 爬升或下降到 0，斜率大，模型对陡峭变化的拟合能力天然偏弱。如果某个时段的误差明显高于相邻时段，优先检查那个时段的数据质量，再看是否需要增加输入特征。

第二个角度是误差的绝对值与相对值分离。MAPE 在低估场景下会失真——当实际功率很低，比如傍晚时段的 2 MW，预测值偏差 0.5 MW，相对误差就是 25%，看着很难看，但对电网调度来说这个绝对偏差完全可接受。所以评估模型时 MAPE 和 RMSE 要一起看，MAPE 反映相对精度，RMSE 反映大误差的惩罚力度，两者都下降才算真正的改进。

第三个角度是对比「弃光时段」和「正常时段」的误差差异。论文里秋季和冬季出现了弃光限电，本地预测系统在那几天的预测偏差明显更大。如果你复现时在数据清洗阶段已经剔除了弃光样本，那评估时也要把弃光时段从测试集中去掉，或者单独统计，否则预测模型在正常时段的真实精度会被弃光时段的偏差拖累。我在做项目评估时会在结果表里加一列「非弃光时段误差」，专门用来向调度侧说明模型在正常工况下的能力。

最后一个建议：把 BP 网络和 MEA-BP 的预测曲线画在同一张图上，逐点对齐。论文的图 7 就是这个做法，能直观看到 MEA-BP 对功率峰值的追逐比 BP 更紧。从那以后我每次复现类似改进神经网络的论文，都会强制走一遍「数据清洗 → 时段截断 → 归一化 → MEA 搜索 → BP 精调 → 逐时刻误差分析」的流程，哪怕结论已经写在论文里也要自己跑一次，毕竟只有亲手画出那条误差曲线，才知道哪些提升是算法带来的、哪些只是数据清洗的功劳。希望这个流程和这里拆出的参数细节能帮到你。

本文还有配套的精品资源，点击获取