基于粒子群优化BP神经网络(PSO-BP)的时间序列预测python代码 优化算法用于寻找BP神经网络的网络权重和偏置的初始值，以此优化神经网络性能。 可视化部分包括pso适应度函数变化，真实值和预测值对比图，绝对误差和相对误差可视化等。 （用于训练的光伏特征数据集csv文件，包括气象和环境变量等信息，5min采样精度，数据集部分也可以替换成自己的数据）

直接开撸代码。先导入包，这时候你会纠结用pytorch还是keras，但咱们先用最原始的numpy实现BP，这样粒子群优化过程更可控。准备数据阶段，先搞个滑窗函数处理时间序列：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def sliding_window(data, seq_length):
    x, y = [], []
    for i in range(len(data)-seq_length-1):
        window = data[i:(i+seq_length)]
        target = data[i+seq_length]
        x.append(window)
        y.append(target)
    return np.array(x), np.array(y)

scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(df[['power']].values)
X, y = sliding_window(scaled_data, seq_length=12)  # 用1小时数据预测下个5分钟

BP网络结构别整太复杂，三明治结构就够用。注意这里把权重和偏置展平成一维数组，方便PSO操作：

class BPNet:
    def __init__(self, input_size, hidden_size):
        self.w1 = np.random.randn(input_size, hidden_size)
        self.b1 = np.zeros(hidden_size)
        self.w2 = np.random.randn(hidden_size, 1)
        self.b2 = np.zeros(1)
    
    def forward(self, x):
        self.h = np.tanh(x @ self.w1 + self.b1)
        return self.h @ self.w2 + self.b2
    
    def set_params(self, params):
        # 把PSO找到的参数塞回网络
        w1_size = self.w1.size
        self.w1 = params[:w1_size].reshape(self.w1.shape)
        params = params[w1_size:]
        self.b1 = params[:self.b1.size]
        params = params[self.b1.size:]
        self.w2 = params[:self.w2.size].reshape(self.w2.shape)
        self.b2 = params[-self.b2.size:]

重点来了，粒子群算法怎么和BP结合？把网络参数当作粒子位置。适应度函数用训练误差：

def fitness(params, X_train, y_train):
    net = BPNet(12, 8)  # 输入12步，隐层8节点
    net.set_params(params)
    pred = np.array([net.forward(x) for x in X_train])
    return np.mean((pred - y_train)**2)  # MSE作为适应度值

class PSO:
    def __init__(self, n_particles, dim, bounds, X_train, y_train):
        self.particles = np.random.uniform(bounds[0], bounds[1], (n_particles, dim))
        self.velocities = np.zeros((n_particles, dim))
        self.best_pos = self.particles.copy()
        self.best_scores = np.array([fitness(p, X_train, y_train) for p in self.particles])
        self.global_best_pos = self.best_pos[np.argmin(self.best_scores)]
        
    def update(self, w=0.7, c1=1.5, c2=1.5):
        r1, r2 = np.random.rand(2)
        self.velocities = w * self.velocities + c1*r1*(self.best_pos - self.particles) + c2*r2*(self.global_best_pos - self.particles)
        self.particles += self.velocities
        
        # 更新个体最优
        for i in range(len(self.particles)):
            current_score = fitness(self.particles[i], X_train, y_train)
            if current_score < self.best_scores[i]:
                self.best_scores[i] = current_score
                self.best_pos[i] = self.particles[i]
        
        # 更新全局最优
        if np.min(self.best_scores) < fitness(self.global_best_pos, X_train, y_train):
            self.global_best_pos = self.best_pos[np.argmin(self.best_scores)]

训练环节记得把数据拆分成训练集和验证集。PSO优化完参数后，再用这些参数初始化BP网络进行微调：

# PSO参数寻优
param_dim = 12*8 + 8 + 8*1 + 1  # 计算总参数数量
pso = PSO(n_particles=30, dim=param_dim, bounds=(-1,1), X_train=X_train, y_train=y_train)
for epoch in range(50):
    pso.update()
    print(f"Epoch {epoch} Best MSE: {np.min(pso.best_scores):.4f}")

# 用最优参数初始化网络
best_net = BPNet(12,8)
best_net.set_params(pso.global_best_pos)

# 传统BP训练做微调
optimizer = torch.optim.Adam([torch.tensor(best_net.w1),...], lr=0.01)
# ...正常训练过程...

可视化部分别用plt默认样式，换成seaborn风格更专业。误差图建议用双坐标轴展示绝对和相对误差：

plt.figure(figsize=(12,6))
plt.plot(test_y, label='True', marker='o', markersize=3)
plt.plot(predictions, label='Pred', linestyle='--')
plt.title('5分钟粒度光伏功率预测')
plt.legend()
plt.grid(alpha=0.3)

# 误差分析
abs_error = np.abs(test_y - predictions)
rel_error = abs_error / (test_y + 1e-6)  # 防止除零
plt.figure(figsize=(10,4))
plt.plot(abs_error, label='绝对误差', color='#FF6B6B')
plt.ylabel('绝对误差(kW)')
plt.twinx()
plt.plot(rel_error*100, label='相对误差', color='#4ECDC4', linestyle=':')
plt.ylabel('相对误差(%)')
plt.title(f'平均相对误差: {np.mean(rel_error)*100:.2f}%')

实际跑代码时注意几个坑：数据标准化要统一用训练集的scaler，别在测试集上重新fit；粒子群搜索空间别设太大，容易梯度爆炸；隐层激活函数用tanh比sigmoid更适合回归问题。遇到预测结果成直线的情况，大概率是网络没训练起来，检查参数初始化范围。