基于BP神经网络的电力负荷预测附Matlab代码
基于BP神经网络的电力负荷预测附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。
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
个人主页： Matlab科研工作室
个人信条：格物致知。
更多Matlab仿真内容点击
智能优化算法 神经网络预测 雷达通信 无线传感器
信号处理 图像处理 路径规划 元胞自动机 无人机
⛄ 内容介绍
1 BP神经网络原理
1.1BP网络的学习过程
BP网络的学习过程，由信息的正向传播和误差的反向传播阶段组成。正向传播中，输入层各神经元接收外界输入信息，并传递给隐含层(可以是多层)进行信息处理，最后传向输出层，每一层神经元的状态只影响下一层神经元的状态。当实际输出与期望输出不符时，说明网络结构的权值还不够合理，这时进入误差的反向传播阶段，即将误差信号沿原通路逐层反传计算，按误差梯度下降的方法修正各层权值，从而使误差最小。周而复始的这一学习过程，是各层权值不断调整的过程，它一直进行到网络输出误差达到期望值，或者预先设定的学习次数为止。
图3为BP神经网络结构图。
BP网络将一层节点的输出传送至另一层时，是通过调整权系数来增强或削弱这些输出的作用的。除了输入层的节点外，隐层和输出层节点的净输入是前一层节点输出的加权和。每个节点的激活程度由其输入信号、激活函数和节点的偏值(阈值)决定。
1.2BP网络算法
1)网络初始化。置所有加权系数为最小的随机数。将BP网络的各个权重Wij和θj阈值初始化为介于[-1,1]中的随机数。设置最大迭代次数M和目标误差值，网络误差平方和SSE的初值为0。
2)给定输入输出训练集x及T。
3)输入信号正向传播。计算隐含层 和输出 层 各 神经元相对于前一层 i 的净输入向量 I j ：
4)
计算并检验网络误差平方和SSE：
其 中 ，O j 为样本的期望输出。
5 )误差反向传播。根据样本 x 所对应的期望 输 出向量O j ，计算输出层的各神经元的误差向量 ERR j ：
对 从最后一个到第一个隐含层的神经元 j ，根 据后一较高层中连接到 j 的所有神经元的误差加 权 和来计算误差向量 ERR j ：
6
)
调整权值及阈值。将网络中的各个权重
向
量W
ij
和阈值向量θ
j
按照下式进行调整：
式 中，a为学习率。
7 )误差是否满足要求，若不满足，返回步骤 2直到误差满足或训练结束为止 。
1.3BP网络的缺陷和改进
BP 网络具有很强的生物背景，是目前最 成 熟 的 人工神经网络。虽然BP网络得到了广泛的应 用 ， 但自身也存在一些缺陷和不足。
1) 网络的学习速率是固定的，因此网络的收 敛 速度慢，即使一个比较简单的问题，也需要几 百 甚至几千次的学习才能收敛，为此可采用变步 长法加以改进。
2) BP算法不能保证权值收敛到误差平面的 全 局最小点，这是因为采用梯度下降法可能产生 一 个局部极值，为此可采用附加动量法来解决。
3)在学习过程中，系统可能会陷入某些局部最小值，或某些静态点，或是在这些点之间振荡。这种情况下系统误差很大，为此可引入惯性项加以避免。
4)网络的学习和记忆具有不稳定性，也就是说，网络对以前的权值和阈值是没有记忆的。如果增加了学习样本，训练好的网络必须同新加入的学习模式一起重新训练。
所以，现提出以神经网络为基础，利用和声搜索算法全局寻优和强鲁棒性特点，优化BP网络连接权和阈值。这样，先得到权值或阈值的一个范围，在此基础上训练网络就可以在相当大的程度上避免局部变量极小，训练次数和最终权值或阈值也可以相对稳定，训练速度也大大加快。
⛄ 部分代码
function [output] = my_map(type, raw_data, raw_data_max, raw_data_min, max, min)
if type ~= 0
output = my_pos_map(raw_data, raw_data_max, raw_data_min, max, min);
end
if type ~= 1
output = my_rev_map(raw_data, raw_data_max, raw_data_min, max, min);
end
end
function [out] = my_pos_map(raw_data, raw_data_max, raw_data_min, max, min)
for i = 1:length(raw_data’)
out(i) = (max - min) * (raw_data(i) - raw_data_min) / (raw_data_max - raw_data_min) + min;
end
end
function [out] = my_rev_map(raw_data, raw_data_max, raw_data_min, max, min)
for i = 1:length(raw_data’)
out(i) = (raw_data(i) - min) * (raw_data_max - raw_data_min) / (max - min) + raw_data_min;
end
end
⛄ 运行结果
⛄ 参考文献
[1]马进, 黄鹏, 刘卫亮,等. 基于HS—BP预测模型的光伏发电系统MPPT研究[J]. 仪器仪表与分析监测, 2015(2):6.
[2]王志浩,孙先波. 基于遗传算法优化BP神经网络的风速预测[J]. 电力设备管理, 2020(8):3.