【回归预测-CNN预测】基于卷积神经网络CNN实现数据回归预测附matlab代码
【回归预测-CNN预测】基于卷积神经网络CNN实现数据回归预测附matlab代码
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
1 内容介绍
电力系统的安全稳定运行与国民经济的发展及社会人身财产安全息息相关.准确的短期负荷预测结果是电网指导电力系统制定发电计划,协调机组运行,调度负荷分配及制定检修计划的重要依据.随着智能电网的发展及越来越多的分布式电源的接入,影响短期负荷预测结果的因素更加复杂,使负荷呈现更强的非线性,这种严峻的环境也对短期负荷预测的准确度和适应性提出了更高的要求.电力系统的负荷由于数据量庞大,受众多因素影响等使其具有随机性,非线性,时序性等特点.卷积神经网络(Convolutional Neural Networks,CNN)能够深入挖掘信息的多重特点并从中获得有用的特征描述,是一种准确高效的特征提取方法.本文结合负荷序列的特点,使用CNN来对电力系统短期负荷进行预测。
2 仿真代码
function X_aug = image_augmentation(Xdata,aug_params)
%Randomly augment images slice-
by
-slice between given ranges, optionally
add
Gaussian noise:
X_aug = zeros(size(Xdata));
imageAugmenter = imageDataAugmenter( ...
’RandRotation’
,aug_params.rot, ...
’RandXTranslation’
,aug_params.trans_x, ...
’RandYTranslation’
,aug_params.trans_y, ...
’RandXReflection’
, aug_params.refl_x, ...
’RandYReflection’
, aug_params.refl_y, ...
’RandScale’
, aug_params.scale, ...
’RandXShear’
, aug_params.shear_x, ...
’RandYShear’
, aug_params.shear_y);
for
i =
1
:size(Xdata,
4
)
Xtrain_single = Xdata(:,:,:,i);
Xtrain_single_aug = augment(imageAugmenter,Xtrain_single);
if
aug_params.add_gauss_noise ==
1
Xtrain_single_aug = imnoise(Xtrain_single_aug,
’gaussian’
,
0
,aug_params.gauss_noise_var);
end
X_aug
(
:,:,:,i
)
= Xtrain_single_aug;
end
3 运行结果
4 参考文献
[1]闫康. 基于卷积神经网络和灰色模型的轴承健康评估及预测研究.