为了验证所提出GA-BP算法的预测性能，采用宁夏某企业2005—2012年2—3月连续45 d的天然气使用量作为实例进行仿真。其中，将数据分成两部分，2005—2012年的前38 d数据作为训练集，最后一周数据作为测试集，由于历史数据过多，这里只给出前5 d和第45 d的天然气负荷数据。已归一化后的天然气负荷数据见表4.3。

表4.3　某企业天然气负荷归一化后数据

1）实验环境和初始参数设置

遗传算法仿真参数设置：种群规模50，交叉概率0.3，变异概率0.15，遗传代数100；BP神经网络初始值设置：隐含层节点数25，学习率0.01，最大训练次数100，显示间隔10，训练目标0.001。

2）GA-BP预测性能测试实验

以表4.3中数据作为测试基准，应用传统BP神经网络算法、LM-BP和GA-BP神经网络算法进行预测性能测试，并对结果进行了比较分析。预测结果分别见图4.5、图4.6和图4.7，其中“○”代表真实值，“△”代表预测值。

图4.5　传统BP神经网络天然气负荷预测仿真图(www.daowen.com)

图4.6　LM-BP神经网络天然气负荷预测仿真图

图4.7　GA-BP神经网络天然气负荷预测仿真图

为定量地评价几种天然气负荷预测方法的预测精度，采用相对误差（relative error，RE）对预测结果进行评价，RE定义如下：

式中　yi，——天然气负荷实际值和预测值。

根据相关文献，相对误差的绝对值不大于3%，说明该模型精度较高。以预测结果相对误差不大于3%衡量，从图4.7可以看出，GA-BP预测模型7个点的相对误差的绝对值小于3%，且这7个点的预测误差几乎接近于0；对于LM-BP预测模型，除1个点相对误差为0之外，其余6个点的相对误差都在0～2%之间；而传统的BP预测模型的预测结果中，有1点最大相对误差超过了3%，有4个点的预测相对误差在2%～3%之间，只有2个点的预测相对误差接近0。所以无论从预测点的预测误差相比较，还是从负荷预测精度要求的点数相比较，提出的GA-BP预测模型的预测精度均高于改进后的LMBP神经网络模型和传统的BP神经网络模型的预测精度。