Matlab|基于BP神经网络进行电力系统短期负荷预测
欢迎您的到来
博客主页：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
床头铭：将来的我一定会感谢现在奋斗的自己！
专栏目录链接：
| 电气代码 | 智能算法及其应用 |
| 路径规划 | 神经网络预测 |
| 优化调度 | 图像处理 |
| 车间调度 | 信号处理 |
| 浪漫的她 | 我的哲思 |
| 数学建模 | |
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代码实现
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
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
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