Matlab|基于BP神经网络进行电力系统短期负荷预测

Matlab|基于BP神经网络进行电力系统短期负荷预测

目录

​​摘要​​

​​一、电力负荷数据导入​​

​​二、输入输出数据归一化​​

​​三、建立和训练BP神经网络​​

​​四、 使用测试数据进行负荷预测​​

​​五、Matlab代码展示​​

摘要

使用BP神经网络实现简单的电力负荷回归预测任务。主要的步骤为：导入数据、数据归一化、建立BP神经网络、训练BP神经网络、使用测试数据预测负荷情况、误差分析以及绘图。

一、电力负荷数据导入

使用Matlab中的xlsread函数从指定的excel文件中提取电力负荷数据，可以自己制定需要导入的天数，这里设置导入5天的数据，如下图所示：

其他全部数据：

二、输入输出数据归一化

虽然神经⽹络的各层的输⼊信号分布不同，但最终“指向“的样本标记是不变的，即边缘概率不同⽽条件概率⼀致。 为了降低分布变化的影响，可使⽤归⼀化策略Normalization，把数据分布映射到⼀个确定的区间。神经⽹络中，常⽤的归⼀化策略有BN(Batch Normalization)， WN(Weight Normalization)， LN(Layer Normalization)，IN(Instance Normalization)。

这里使用max-min归一化方法将数据全部归一化到0-1之间，归一化后的数据如下：

三、建立和训练BP神经网络

BP神经网络是一种多层前馈神经网络,在多层感知器的基础上增加误差逆向传播信号,用以处理非线性连续函数,该网络由输入层、隐含层、输出层构成,其主要特点是信号前向传递,误差反向传播,可以用在系统模型辨识、预测或控制中。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出﹐则转入反向传播,根据预测误差调整网络权值和阈值﹐从而使BP神经网络预测输出不断逼近期望输出﹐其拓扑结构图如图1所示：

本文指定输入特征个数为1，输出特征个数为1，设置神经元个数为100，设置学习率为0.001，使用Matlab中的newff函数建构BP神经网络，使用train函数训练BP神经网络：

四、 使用测试数据进行负荷预测

测试结果：

五、Matlab代码展示

本文仅展示部分代码，完整代码点这里：​

clc;clear;close all;%% 导入数据month = 12; %训练月份day_start = 5; %开始日期day_len = 5; %训练天数file_path = '2018负荷预测数据';map_maxmin = [];output = [];%% 数据分组及归一化for day = day_start:1:(day_start + day_len - 1) [raw_data, raw_max ,raw_min] = read_load_data_from_excel(file_path, month ,day); % 从文件夹读取数据 % 输入与输出归一化 data_temp = my_map(1, raw_data, raw_max, raw_min, 1, 0); map_maxmin = cat(1, map_maxmin, [0 1]); output = cat(1, output, data_temp); target_day = day + 1;end[target_data, target_max, target_min] = read_load_data_from_excel(file_path, month ,target_day);t_d = my_map(1, target_data, target_max, target_min, 1, 0);%% 创建网络

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。