基于 LSTM 的分布式能源发电预测（Matlab代码实现）

 欢迎来到本博客❤️❤️❤️
作者研究：主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者
目前更新：电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
支持：如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

本文目录如下：⛳️⛳️⛳️

目录

1 长短期记忆神经网络

1.1 网络介绍

1.2 网络训练

2 基于 LSTM 的分布式能源发电预测matlab仿真结果

3 参考文献 

4 Matlab代码实现

---

1 长短期记忆神经网络

1.1 网络介绍

VFAP 系统的供暖负荷数据为非线性数据，且具有时间连续性， 处理此类问题首选具有时间

步的循环神经网络 （Recurrent Neural Network，RNN），但随着采集数据量的增加，RNN 在训练时容易出现梯度消失问题， 这就导致过早的数据在训练时容易丢失。 LSTM 作为 RNN 的一种变体，可以解决 RNN 在训练时的梯度消失及梯度爆炸问题， 较多的用于非线性时间按序列的预测中，LSTM 的网络结构如图 5所示。

                                          LSTM 网络结构

网络采用 3 个门控结构， 使隐藏层变为具有记忆功能的细胞。 其记忆功能为：

                      

式中：ft，it，ot，ct 分别为遗忘门、输入门、输出门和记忆细胞状态量；Wfx，Wix，Wox 为输入层 xt 和隐含层 ht 在 t 时刻的关联权重；Wfh，Wih，Woh 为隐含层在 t~t-1 时刻的关联权重；Wfc，Wic，Woc 为细胞在t~t-1 时刻的关联权重；Wcx，Wch 分别为细胞与输入及细胞与隐含层之间的关联权重；bf，bi，bo，bc 为各个门控单元和细胞的偏置量；ht-1 为上一单元细胞的输出量，ht 为 t 时刻细胞的输出值；σ 为 sigmoid 激活函数。

1.2 网络训练

规定输入层数据为 VFAP 供暖系统的多特征量表示为：

                             

LSTM 网络输入层的样本格式 为（samples，steps，features），samples 为每个训练的批次，steps为每次滑动的特征步长，features 为输入参数特征量。 其维度计为 m，设供暖期系统运行数据为 M，时间步长大小为 t，特征个数为 f，则该系统共有M-t 个样本， 基于 LSTM 神经网络的 VFAP 系统负荷预测具体步骤如下。

             

2 基于 LSTM 的分布式能源发电预测matlab仿真结果

 

 

 

 

 

 

 

 

 

 

 

 

‍博主课外兴趣：中西方哲学，送予读者：

‍做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......

3 参考文献 

部分理论引用网络文献，若有侵权请联系博主删除。 

[1]胡洋,程志江,崔澜.基于LSTM的变频太阳能-空气源热泵系统逐时负荷预测研究[J].可再生能源,2022,40(07):866-873.DOI:10.13941/j.cnki.21-1469/tk.2022.07.017.

[2]毕贵红,赵鑫,李璐,陈仕龙,陈臣鹏.双模式分解CNN-LSTM集成的短期风速预测模型[J/OL].太阳能学报:1-10[2022-08-09].DOI:10.19912/j.0254-0096.tynxb.2021-1307.

[3]赵鑫,陈臣鹏,毕贵红,陈仕龙.基于PAM-SSD-LSTM的短期风速预测[J/OL].太阳能学报:1-7[2022-08-09].DOI:10.19912/j.0254-0096.tynxb.2021-0900.

4 Matlab代码实现

个人主页：@橘柑橙柠桔柚