基于BP神经网络进行短期负荷预测——附代码

目录

摘要：

1.电力负荷数据导入

2.输入输出数据归一化

3.建立和训练BP神经网络

4.使用测试数据进行负荷预测

5.本文Matlab代码：

---

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。输入输出的接口已写好，方便使用者通过替换数据实现自己的功能。

1.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：

2.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：

3.建立和训练BP神经网络

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：

训练误差下降过程：

4.使用测试数据进行负荷预测

 测试结果：

预测误差情况：

5.本文Matlab代码：