💥1 概述
数据分析研究目前仍是行业热点,相关学者从数据分析关键技术中的异常检测、入侵检测、时间序列预测等角度展开研究。然而,现有研究在时间序列预测方面存在诸多局限性,没有考虑到复杂且规模庞大数据的计算消耗,忽视了非平稳数据的时间协变量漂移问题,缺乏一个实时、精准且泛化性能强的预测模型。
本文研究了使用不同的人工神经网络（即LSTM和GRU）对随机时间模型进行时间序列预测和预测的紧密程度。给定数据集包括辐照数据集和发电数据集，其基本上分别包含由传感器检测到的辐照度值和以（kw/h）为单位的发电值。
这些数据集包含从2018年12月到2019年11月的所有12个月的数据，每15分钟记录一次数据。
该项目的主要目标是找出最适合预测未来两天发电数据的ANN架构，从任何给定的一天开始，间隔为15、30、45、60分钟。
整个项目是通过matlab编程实现的。
📚2 运行结果
🎉3 参考文献
[1]王素. 基于深度学习的时间序列预测算法研究与应用[D].电子科技大学,2022.DOI:10.27005/d.cnki.gdzku.2022.003088.
👨💻4 Matlab代码
主函数部分代码：
load Generation_data.mat; % load data from hard drive to workspace IrradiationData=readtable('Irradiation data.xlsx'); TrainIp=table2array(IrradiationData(1028:2927,4)); % read data from workspace TestIp=table2array(generationdata_table_dt(1005:2904,4)); TestIp(isnan(TrainIp)) = []; % remove NAN from DATA TrainIp(isnan(TrainIp)) = []; % remove NAN from DATA TrainIp(TestIp>50)=[]; % remove noise (more than 50) from DATA TestIp(TestIp>50)=[]; % remove noise (more than 50) from DATA TrainIp(TestIp<0)=[]; % remove noise (less than 0) from DATA TestIp(TestIp<0)=[]; % remove noise (less than 0) from DATA TestIp(TrainIp<=0)=[]; % remove noise (less than 0) from DATA TrainIp(TrainIp<=0)=[]; % remove noise (less than 0) from DATA TrainIp=TrainIp'; % convert row vs column TestIp=TestIp'; mn = min(TrainIp); % minimum of data mx = max(TrainIp); % maximum of data mn2 = min(TestIp); % minimum of data mx2 = max(TestIp); % maximum of data input = (TrainIp - mn) / (mx-mn); %Normlize the Data target = (TestIp - mn2) / (mx2-mn2); numTimeStepsTrain = floor(0.8*numel(TrainIp)); % 80 and 20 percent training and testing points figure plot(input(1:50)) hold on plot(target(1:50),'.-') legend(["Training" "Testing"]) xlabel("Time") ylabel("kWh") title(" Unit Generation") close Figure 1; XTrainIp = input(1:numTimeStepsTrain+1); % training input data points XTestIp = target(1:numTimeStepsTrain+1); % training target data points YTrainIp = input(numTimeStepsTrain+1:end); % testing input data points YTestIp = target(numTimeStepsTrain+1:end); numFeatures = 2; % number of inputs=2 numResponses = 1; % number of output=1 numHiddenUnits = 200; % number of hidden unites rmsepred=[]; rmseupdat=[]; maepred=[]; maeupdat=[]; mapepred=[]; mapeupdat=[]; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits) fullyConnectedLayer(numResponses) regressionLayer]; options = trainingOptions('adam', ... 'MaxEpochs',250, ... 'GradientThreshold',1, ... 'InitialLearnRate',0.005, ... 'MiniBatchSize',50, ... 'LearnRateSchedule','piecewise', ... 'LearnRateDropPeriod',90, ... 'LearnRateDropFactor',0.2, ... 'Verbose',false, ... 'Plots','training-progress'); % LSTM other options % 'ValidationData',{XTestIp,YTestIp},... % 'ValidationFrequency',30, ...
