pytorch搭建LSTM神经网络预测电力负荷

最新推荐文章于 2025-03-26 18:30:00 发布
最新推荐文章于 2025-03-26 18:30:00 发布
阅读量4k 收藏 84
点赞数 28
文章标签： python lstm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiebaoshayebuhui/article/details/124545609
版权 
import torch
import torch.nn as nn
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 由于训练数据存在相差较大的，因此使用min/max尺度变换对训练数据进行归一化
# 注意只对训练数据进行归一化，为了防止有些信息从训练数据泄露到的测试数据
from sklearn.preprocessing import MinMaxScaler
flight_data = pd.read_csv(r"C:\Users\Administrator\Desktop\填补缺失值.csv")
fig_size = plt.rcParams["figure.figsize"]
fig_size[0] = 15
fig_size[1] = 5
plt.rcParams["figure.figsize"] = fig_size
plt.title('power vs day')
plt.ylabel('power')
plt.xlabel('day')
plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(flight_data['power'])
plt.show()
#提取数据
all_data = flight_data['power'].values.astype(float)
print(all_data)
#将数据区分为训练数据和测试数据
test_data_size = 960
train_data = all_data[:-test_data_size]
test_data = all_data[-test_data_size:]

# 由于训练数据存在相差较大的，因此使用min/max尺度变换对训练数据进行归一化
# 注意只对训练数据进行归一化，为了防止有些信息从训练数据泄露到的
最低0.47元/天 解锁文章
基于 pytorch LSTM lstm工业用电量预测 完整代码数据 可直接运行 毕业设计
04-22 3881
基于 pytorch LSTM lstm工业用电量预测 完整代码数据 可直接运行 毕业设计
pytorch 搭建 lstm神经网络 开发模板
05-03 614
pytorch 搭建 lstm神经网络 开发模板
基于Pytorch+LSTM实现一元单步时间序列预测（保姆级教程）
Ri-yao的博客
06-17 3974
基于Pytorch+LSTM实现一元单步时间序列预测的保姆级教程，涵盖模型如何搭建、数据如何加载以及模型训练等相关技巧，更是包含各部分的详细代码！
Pytorch 第十二回：循环神经网络——LSTM模型
最新发布
zhuwenlong130130的博客
03-26 1922
本次开启深度学习第十二回，基于Pytorch的LSTM循环神经网络模型。本回分享第二个循环神经网络，叫做LSTM模型。在本回中，设计通过LSTM模型来对股票收盘价格进行预测。接下来给大家分享具体思路。 本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
【pytorch】LSTM神经网络
lijf2001的博客
07-27 2900
在处理时序数据，已经有和两个比较经典的网络。当然还有一种LSTM神经网络，长短期记忆神经网络。从发展历史来看，是现有LSTM再有GRU的，但是从复杂度来看，LSTM比GRU更加复杂。先来回忆一下GRU，其有两个门（更新门和重置门），有一个记录历史信息的向量Ht​。而LSTM就更加复杂了，无论是在门的数量上还是记录历史信息的向量上。...
用pytorch实现循环神经网络LSTM。
qq_45259277的博客
10-04 2147
用一个小例子来练习pytorch实现lstm
深度学习（PyTorch）——长短期记忆神经网络（LSTM)
qq_42233059的博客
08-30 3366
深度学习（PyTorch）——长短期记忆神经网络（LSTM)
lstm 多输入 多输出 负荷预测 pytorch 直接可跑 内含数据集
09-26
在多输入多输出设置中，LSTM模型接收多个不同类型的输入信号，例如温度、湿度、节假日信息等，同时产生多个输出，如不同地区的电力负荷预测。这种模型结构可以捕获不同输入之间的复杂交互，并为每个输出提供独立的...
基于pytorch实现一个简单的LSTM模型来进行电力负荷预测源码+项目说明.zip
10-13
通过本项目，开发者可以学习如何使用PyTorch搭建LSTM模型，并对其训练和评估流程进行实践操作。 项目源码中包含了构建LSTM模型所需的多个Python脚本文件，每个文件均负责不同的功能模块，如数据预处理、模型搭建、...
Python电力负荷：ARIMA、LSTM神经网络时间序列预测分析
拓端研究室TRL
04-04 795
全文链接：http://tecdat.cn/?p=32059分析师：Eileen电力系统源源不断向各用户提供持续稳定的电能，本文通过对数据的提取，帮助客户分别对不同客户端日，月，年的用电负荷情况进行分析，并通过模型对单户负荷情况进行预测（点击文末“阅读原文”获取完整数据）。相关视频解决方案任务/目标本课题的数据分析对象是电力在2011-2014年的370个客户端的耗电数据，根据预测负荷可以安排发电...
使用pytorch建立LSTM神经网络训练识别手写数字
东方佑
06-14 3万+
import torch from torch import nn import torchvision.datasets as dsets import torchvision.transforms as transforms import matplotlib.pyplot as plt torch.manual_seed(1) # reproducible 设置基本参数 Hyper P...
pytorch下使用LSTM神经网络写诗实例
09-18
今天小编就为大家分享一篇pytorch下使用LSTM神经网络写诗实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
基于LSTM神经网络的电力负荷预测（Python代码实现）
weixin_61181717的博客
01-11 418
LSTM网络的单结构如图1所示。前馈神经网络的输出只依赖当前输入，但是在文本、视频、语音等时序数据中，时序数据长度并不固定，前馈神经网络的输入输出维数不能任意更改，因此难以适应这类型时序数据的处理。短期电力负荷预测的输入与输出均为时间序列，其本质仍是基于先前元素的序列预测问题，为此需要采用与前馈神经网络不同的方法，进行短期电力负荷预测。LSTM网络通过门控结构，有效避免了时间增加所导致的梯度消失的问题，且由于采用了三个输入值与两个输入值的当前时刻记忆单元，因此模型也具有更好的泛化能力。
深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
热门推荐
KI的博客
01-18 9万+
深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
LSTM长短时记忆网络：推导与实现（pytorch）
zly_Always_be的博客
05-29 2692
LSTM长短时记忆网络：推导与实现（pytorch实现）
时间序列pytorch搭建lstm用电量预测 完整代码数据
10-04 1299
时间序列pytorch搭建lstm用电量预测 完整代码数据
python程序写诗_pytorch下使用LSTM神经网络写诗实例
weixin_39634900的博客
11-26 473
在pytorch下，以数万首唐诗为素材，训练双层LSTM神经网络，使其能够以唐诗的方式写诗。代码结构分为四部分，分别为1.model.py，定义了双层LSTM模型2.data.py，定义了从网上得到的唐诗数据的处理方法3.utlis.py 定义了损失可视化的函数4.main.py定义了模型参数，以及训练、唐诗生成函数。参考：电子工业出版社的《深度学习框架PyTorch：入门与实践》第九章main代...
基于LSTM神经网络的负荷预测（Python代码实现）
2201_75454341的博客
12-17 6053
电力系统负荷（电力需求量，即有功功率）预测是指充分考虑历史的系统负荷、经济状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷做出预测。负荷预测是电力系统规划与调度的一项重要内容。短期（两周以内）预测是电网内部机组启停、调度和运营计划制定的基础；中期（未来数月）预测可为保障企业生产和社会生活用电，合理安排电网的运营与检修决策提供支持；长期（未来数年）预测可为电网改造、扩建等计划的制定提供参考，以提高电力系统的经济效益和社会效益。
pytorch搭建lstm网络模型
05-04
以下是使用 PyTorch 搭建 LSTM 网络模型的基本步骤： 1. 导入必要的库： ```python import torch import torch.nn as nn ``` 2. 定义 LSTM 模型类： ```python class LSTMModel(nn.Module): def __init__(self, input_dim, hidden_dim, layer_dim, output_dim): super(LSTMModel, self).__init__() # 定义 LSTM 层 self.lstm = nn.LSTM(input_dim, hidden_dim, layer_dim, batch_first=True) # 定义全连接层 self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): # 初始化 LSTM 隐藏层状态 h0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_() c0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_() # 前向传播 out, (_, _) = self.lstm(x, (h0.detach(), c0.detach())) out = self.fc(out[:, -1, :]) return out ``` 在上面的代码中，我们定义了一个名为 `LSTMModel` 的类，该类继承自 `nn.Module`。该类包含一个 LSTM 层和一个全连接层。在类的构造函数中，我们首先调用父类构造函数，并传递必要的参数。然后，我们定义了 LSTM 层和全连接层。在 `forward()` 方法中，我们首先初始化 LSTM 隐藏层状态，然后进行前向传播，并将最后一个时序输出传递给全连接层，最后返回输出结果。 3. 实例化模型： ```python input_dim = 28 hidden_dim = 100 layer_dim = 1 output_dim = 10 model = LSTMModel(input_dim, hidden_dim, layer_dim, output_dim) ``` 在这个例子中，我们实例化了一个 `LSTMModel` 类的对象，并传递必要的参数。 4. 定义损失函数和优化器： ```python criterion = nn.CrossEntropyLoss() learning_rate = 0.1 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) ``` 在这个例子中，我们使用交叉熵损失函数和随机梯度下降（SGD）优化器。你可以根据你的实际需求选择其他的损失函数和优化器。 5. 训练模型： ```python num_epochs = 10 for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): # 前向传播 outputs = model(images.view(-1, sequence_dim, input_dim)) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, total_step, loss.item())) ``` 在这个例子中，我们进行了 10 轮训练，每轮训练中，我们使用数据加载器从训练集中获取一批数据，进行前向传播和反向传播，并使用优化器更新模型参数。在每个 epoch 中，我们打印出当前的损失值。 6. 在测试集上评估模型： ```python with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = model(images.view(-1, sequence_dim, input_dim)) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Test Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total)) ``` 在这个例子中，我们使用测试数据集对模型进行评估，并计算准确率。
评论 32
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

showswoller

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值