使用BP神经网络进行预测（电力负荷预测）

目录

摘要：

1.电力负荷数据导入

2.输入输出数据归一化

3.建立和训练BP神经网络

4.使用测试数据进行负荷预测

5.Matlab代码：

---

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，最后的实现效果非常好的拟合了电力系统未来的负荷数据。以电力系统的短期负荷预测为例，代码注释清楚，可改性强，适合初学者了解BP神经网络与电力系统负荷预测的概念，可通过数据替换实现自己需要的功能。

1.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：

2.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：

3.建立和训练BP神经网络

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：

训练误差下降过程：

4.使用测试数据进行负荷预测

 测试结果：

预测误差情况：

5.Matlab代码：

本文仅展示部分代码，完整代码点这里：正在为您运送作品详情

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);