BP实现数据预测

前言

　    近日受友人所托助力电力负荷预测试验，本篇结合《巧借循环对神经网络输出值控制得理想值【MATLAB】》(使用部分数据（由于复现文章导致数据不全）进行原理上的数据模拟进行试验，整体框架可供大家参考。

BP流程

　    基于误差反向传播(Back Propagation,简称BP)可以看成正向传播信息与反向传播信息两个部分。当数据通过建立的BP神经网络模型，其输出值与实际值的误差大于我们规定的误差时，数据将反向传播。BP算法核心原理就是对各个节点输入变量求偏导，使得输出值与实际值误差达到最小，从而重新赋予全值与阈值。数据从输出层传送到中间的隐含层来调整其权值与阈值，并在输入层将权值与阈值重新定义再次正向传播数据。

直至误差值小于规定值时，完成-组历史数据的学习。

基本流程：

1. 开始

2. 输入数据矩阵

3. 数据预处理，并进行分类

4. 建立网络

5. 采用BP算法进行训练，形成模型网络权值

6. 基于误差反向传播完成负荷预测

7. 输出预测结果

8. 结束

仿真

试验数据表：

数据的选择和处理：

(1) 数据的选取与预处理

(2) 训练样本的选取

(3) 网络的初始化

神经网络算法模型

(1) 数据计算预处理

(2) 生成的预测矩阵

(3) 拆分数据集以创建培训和测试集

(4) 基于神经网络模型的预测

(5)产生的周线图\

demo 实现

整体框架可参考前言中所介绍，这里逐步介绍一下：\

1. xlsread读取记录表中的数据并save方便调用

2. 构造一个“死循环”：while 1 == 1 ----  end 结构

3. 如下制作虚拟数据

new_data2014 = 1.14.*old_datas;
new_data2015 = 1.16.*old_datas;
new_data2016 = 1.18.*old_datas;

4. 使用mapminmax 进行数据归一化（-1 1）之间

5. 选择输入和输出

data_x = [X(1:72,3:5)';X(1:72,7:10)'];
data_y = X(1:72,6:6)';

6. 搭建网络

7. 构造2017年数据，并重复第4和5步计算处理2017年数据

8. 通过sim 函数得到预测值（test_Y）

9. 计算预测值和真值的平均绝对误差

mae = mean(abs(真值 - 预测值))

10. 作判断if(当mae< 0.0176)

11. 满足时跳出while 1 ==1  ----- end循环

12. 存储 BP训练的网络（save MyNet.mat net）

13. 新建.m文件并调用网络（MyNet.mat）

14. 绘制2017年数据