人工大猩猩部队GTO优化CNN-LSTM用于多变量负荷预测(Matlab)
所有程序经过验证,保证有效运行。
2.提出了一种基于CNN-LSTM的多变量电力负荷预测方法,该方法将历史负荷与气象数据作为输入,输出一天96个时刻负荷值,建模学习特征内部动态变化规律,即多变量输入多输出模型。
3.以最小化CNN-LSTM网络期望输出与实际输出之间的均方差为适应度函数,即找到一组网络超参数,使得 CNN-LSTM的误差最小。
GTO优化CNN-LSTM,分为GTO部分、CNN-LSTM部分和数据部分。
其中,CNN-LSTM部分首先根据 GTO传入的参数进行解码,获得所需超参数,然后利用数据部分传入的训练集进行网络训练,最后对验证集进行预测,获得实际输出值与期望输出值的误差均方差,并将均方差作为适应度值返回给GTO部分。
GTO部分根据适应度值进行优化,实现种群与全局最优解的更新。
通过该方法,最终可获得优化的网络超参数。
4.GTO找到一组网络超参数,使得 CNN-LSTM的误差最小,主要优化的超参数是:学习率,训练次数,batchsize,卷积层1的核数量、大小,池化层1的核大小,卷积层2的核数量、大小,池化层2的核大小,lstm层与全连接隐含层的节点数,共11个参数.
ID:96188701564361422
机器学习算法设计师