基于Keras的单变量单时间步长LSTM电力负荷预测（一）

这几天一直在研究LSTM，想着用LSTM做个电力负荷预测，之前用Tensorflow搭建怎么也调试不好，一度崩溃。无奈换成Keras，Keras搭建LSTM结构整体思路看着非常清晰，程序量也较少。现将程序分享给大家一起交流学习。

这里我搭建的是单变量LSTM模型，数据为简单的m*1形式，m为样本数，运行环境为jupyter notebook

1、目的：使用LSTM由当前小时的电力负荷预测下一小时的电力负荷

2、参考来源：https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

3、安装包（有一小部分没用到）

import numpy as np
from math import sqrt
from scipy.io import loadmat
from sklearn.metrics import mean_absolute_error,mean_squared_error
from sklearn.preprocessing import MinMaxScaler
from keras.models import load_model, Model
from keras.layers import Dense, Activation, Dropout, Input, LSTM, Reshape, Lambda, RepeatVector
from keras.initializers import glorot_uniform
from keras.utils import to_categorical
from keras.optimizers import Adam
from keras import backend as K
from keras.models import Sequential
import matplotlib.pyplot as plt
from numpy import concatenate

4、读取数据集（这处每个人应当根据自己的数据存放形式进行修改）

X = loadmat(r"文件位置")#文件为.mat格式
#读取数据(结构体形式)
data_all = X['data']
data = data_all[0,0]['SYSLoad'] #以小时为单位

 5、准备数据

scaler_for_x=MinMaxScaler(feature_range=(0,1)) 
data_ = scaler_for_x.fit_transform(data) #最大最小归一化
normalize_data = data_[0:50000,:]#训练集50000小时
normalize_data_test = data_[50000:50500,:]#测试集500小时
print(normalize_data_test.shape)


#训练集标签和测试集标签，为当前小时的下一小时的电力负荷，即用当前小时预测下一小时
train_x, train_y = normalize_data[:, :], data_[1:50001, -1]
test_x, test_y = normalize_data_test[:, :], data_[50001:50501, -1]

# reshape input to be 3D [samples, timesteps, features]
train_x = train_x.reshape((train_x.shape[0], 1, train_x.shape[1]))
test_x = test_x.reshape((test_x.shape[0], 1, test_x.shape[1]))
print(train_x.shape, train_y.shape, test_x.shape, test_y.shape)

结果为：(50000, 1, 1) (50000,) (500, 1, 1) (500,)

6、 搭建模型

def create_model():
    model = Sequential()
    #输入数据的shape为(n_samples, timestamps, features)
    #隐藏层设置为50, input_shape元组第二个参数1意指features为1
    model.add(LSTM(units=50,input_shape=(train_x.shape[1], train_x.shape[2])))
    #后接全连接层，直接输出单个值，故units为1
    model.add(Dense(units=1))
    model.add(Activation('linear'))#选用线性激活函数
    model.compile(loss='mse',optimizer=Adam(lr=0.01))#损失函数为平均均方误差，优化器为Adam，学习率为0.01
    return model

7、 训练模型并进行测试

model = create_model()
history =model.fit(train_x, train_y, epochs=500, batch_size=72, validation_data=(test_x,test_y))#训练模型并进行测试

输出如下所示：

8、画出Loss曲线

# plot history
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.legend()
plt.show()

曲线如下所示：

9、预测并输出RMSE

# make a prediction
yhat = model.predict(test_x)
test_x = test_x.reshape((test_x.shape[0], test_x.shape[2]))

# invert scaling for forecast
inv_yhat = concatenate((yhat, test_x[:, 1:]), axis=1)#按行的方式进行组合
inv_yhat = scaler_for_x.inverse_transform(inv_yhat)#从0~1反变换为真实数据
inv_yhat = inv_yhat[:,0]

# invert scaling for actual
inv_y = scaler_for_x.inverse_transform(test_x)
inv_y = inv_y[:,0]

# calculate RMSE
rmse = sqrt(mean_squared_error(inv_y, inv_yhat))
print('Test RMSE: %.3f' % rmse)

结果为：

Test RMSE: 80.416

 

 10、画出实际和预测曲线

plt.figure(figsize=(24,8))
plt.plot(list(range(len(inv_y))), inv_y, color='b')
plt.plot(list(range(len(inv_yhat))), inv_yhat, color='r')
plt.show()

曲线如下所示：

从预测曲线和RMSE来看，预测效果还是很不错的。