PSO粒子群算法优化BP神经网络（PSO - BPNN）回归预测在电厂运行数据中的应用

PSO粒子群算法优化BP神经网络（PSO-BPNN）回归预测MATLAB代码（有优化前后的对比）代码注释清楚。main为运行主程序，可以读取本地EXCEL数据。很方便，容易上手。（以电厂运行数据为例）温馨提示：联系请考虑是否需要，程序代码商品，一经售出，概不退换。在电力行业中，准确预测电厂运行数据对于优化电厂运行、提高能源效率以及保障电力供应的稳定性至关重要。

xoCxIDrpRmTZ

513人浏览 · 2026-01-23 16:45:00

xoCxIDrpRmTZ · 2026-01-23 16:45:00 发布

PSO粒子群算法优化BP神经网络（PSO-BPNN）回归预测MATLAB代码（有优化前后的对比）代码注释清楚。 main为运行主程序，可以读取本地EXCEL数据。很方便，容易上手。（以电厂运行数据为例）温馨提示：联系请考虑是否需要，程序代码商品，一经售出，概不退换。

在电力行业中，准确预测电厂运行数据对于优化电厂运行、提高能源效率以及保障电力供应的稳定性至关重要。今天我们就来聊聊利用PSO粒子群算法优化BP神经网络（PSO - BPNN）进行回归预测，并且通过MATLAB代码来实现，还会对比优化前后的效果。

整体思路

BP神经网络是一种常用的神经网络模型，在回归预测等方面有不错的表现，但它容易陷入局部最优解。而PSO粒子群算法具有全局搜索能力，将两者结合，就可以利用PSO算法帮助BP神经网络找到更好的初始权重和阈值，提升预测性能。

MATLAB代码实现

1. 数据读取

首先，我们要读取本地EXCEL数据，这部分代码在 main 主程序中实现。以电厂运行数据为例，假设数据存储在 data.xlsx 文件中。

% 主程序main
clc;
clear all;
close all;

% 读取数据
data = xlsread('data.xlsx');
% 假设前4列是特征，最后1列是目标值
input = data(:, 1:4);
output = data(:, 5);

这段代码很简单，xlsread 函数用于读取EXCEL文件数据，然后我们把前4列数据作为输入特征 input，最后1列数据作为目标输出 output。

2. 数据归一化

为了让神经网络更好地收敛，我们通常要对数据进行归一化处理。

% 数据归一化
[inputn, inputps] = mapminmax(input', 0, 1);
inputn = inputn';
[outputn, outputps] = mapminmax(output', 0, 1);
outputn = outputn';

这里使用 mapminmax 函数将输入和输出数据归一化到 [0, 1] 区间，inputps 和 outputps 保存了归一化的参数，后续反归一化时会用到。

3. 划分训练集和测试集

% 划分训练集和测试集
trainnum = round(size(inputn, 1) * 0.7); % 70%作为训练集
input_train = inputn(1:trainnum, :);
output_train = outputn(1:trainnum, :);
input_test = inputn(trainnum + 1:end, :);
output_test = outputn(trainnum + 1:end, :);

我们按照70%的数据作为训练集，30%作为测试集来划分数据。

4. 普通BP神经网络

% 构建普通BP神经网络
net = newff(input_train, output_train, [10, 1], {'tansig', 'purelin'}, 'traingdx');
net.trainParam.show = 50;
net.trainParam.lr = 0.01;
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e - 3;
% 训练网络
[net, tr] = train(net, input_train, output_train);
% 预测
output_predict = sim(net, input_test);
% 反归一化
output_predict = mapminmax('reverse', output_predict, outputps);
output_test = mapminmax('reverse', output_test, outputps);

这里使用 newff 函数构建了一个有10个隐藏层神经元的BP神经网络，激活函数分别为 tansig 和 purelin，训练函数为 traingdx。然后设置了训练参数，如显示间隔、学习率、最大训练次数和目标误差。训练完成后进行预测，并对预测结果和测试集真实值进行反归一化。

5. PSO优化BP神经网络

% PSO优化BP神经网络
% 定义粒子数量，维度
popsize = 20;
dim = (size(input_train, 2) + 1) * 10 + (10 + 1) * 1;
% 初始化粒子位置和速度
x = rand(popsize, dim) * 2 - 1;
v = rand(popsize, dim) * 2 - 1;
% 个体极值和全局极值
pbest = x;
pbest_fitness = inf(popsize, 1);
gbest = zeros(1, dim);
gbest_fitness = inf;

for iter = 1:100
    for i = 1:popsize
        % 提取权重和阈值
        net = newff(input_train, output_train, [10, 1], {'tansig', 'purelin'}, 'traingdx');
        net.trainParam.show = 0;
        net.trainParam.lr = 0.01;
        net.trainParam.epochs = 100;
        net.trainParam.goal = 1e - 3;
        % 设置权重和阈值
        [net.iw{1, 1}, net.lw{2, 1}, net.b{1}, net.b{2}] = decode(x(i, :), size(input_train, 2), 10, 1);
        % 训练网络
        [net, tr] = train(net, input_train, output_train);
        % 预测
        output_predict = sim(net, input_test);
        % 反归一化
        output_predict = mapminmax('reverse', output_predict, outputps);
        output_test = mapminmax('reverse', output_test, outputps);
        % 计算适应度
        fitness = sum((output_predict - output_test).^2);
        % 更新个体极值
        if fitness < pbest_fitness(i)
            pbest_fitness(i) = fitness;
            pbest(i, :) = x(i, :);
        end
        % 更新全局极值
        if fitness < gbest_fitness
            gbest_fitness = fitness;
            gbest = x(i, :);
        end
    end
    % 更新速度和位置
    w = 0.9 - iter * (0.9 - 0.4) / 100;
    c1 = 2;
    c2 = 2;
    r1 = rand(popsize, dim);
    r2 = rand(popsize, dim);
    v = w * v + c1 * r1.* (pbest - x) + c2 * r2.* (repmat(gbest, popsize, 1) - x);
    x = x + v;
    % 边界处理
    x(x > 1) = 1;
    x(x < -1) = -1;
end
% 使用全局最优解构建网络
[net.iw{1, 1}, net.lw{2, 1}, net.b{1}, net.b{2}] = decode(gbest, size(input_train, 2), 10, 1);
[net, tr] = train(net, input_train, output_train);
output_predict_pso = sim(net, input_test);
output_predict_pso = mapminmax('reverse', output_predict_pso, outputps);

这部分代码实现了PSO优化BP神经网络的过程。首先初始化粒子群的位置和速度等参数，在每次迭代中，为每个粒子设置BP神经网络的权重和阈值，训练并预测，计算适应度，更新个体极值和全局极值。然后根据PSO算法公式更新粒子的速度和位置，并进行边界处理。最后使用全局最优解构建网络并预测。

6. 结果对比

% 结果对比
figure;
plot(output_test, 'b - o', 'LineWidth', 1.5);
hold on;
plot(output_predict, 'r - *', 'LineWidth', 1.5);
plot(output_predict_pso, 'g - +', 'LineWidth', 1.5);
legend('真实值', '普通BP预测值', 'PSO - BP预测值');
xlabel('样本序号');
ylabel('预测值');
title('电厂运行数据预测结果对比');

这段代码将普通BP神经网络和PSO - BPNN的预测结果与真实值进行可视化对比，通过图形可以直观地看到优化后的效果。