【GRU回归预测】基于卷积神经网络结合门控循环单元CNN-GRU实现数据多维输入单输出预测附matlab代码

✅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 电力系统

⛄ 内容介绍

提出了一种基于CNN-GRU(convolutional neural networks-gate recurrent unit)神经网络的电力系统短期负荷预测方法.首先使用卷积神经网络(CNN)对负荷及气象数据进行卷积处理,以更好地提取数据新特征,增强输入数据与输出数据间的相关性.然后使用门控循环单元(GRU)实现短期负荷预测.使用某地区的负荷数据结合当地的气象数据,对CNN-GRU方法进行了测试.结果表明:与单独的CNN网络或GRU网络相比,CNN-GRU网络对电力系统短期负荷的预测误差更小,预测精度更高.

⛄ 部分代码

%% CNN-GRU多变量回归预测

%% 加载数据与数据集划分

clc;clear;close all

data = xlsread('data.xlsx', 'Sheet1', 'A3:M1250');

% 输入数据

input =data(:,1:12)';

output=data(:,13)';

nwhole =size(data,1);

% 打乱数据集

% temp=randperm(nwhole);

% 不打乱数据集

temp=1:nwhole;

train_ratio=0.9;

ntrain=round(nwhole*train_ratio);

ntest =nwhole-ntrain;

⛄ 运行结果

⛄ 参考文献

[1]韩启龙, 张育怀, 门瑞,等. 一种基于注意力增强图卷积神经网络AGC和门控循环单元GRU的空气质量预测方法:, CN112085163A[P]. 2020.

[2]杨秀, 李安, 孙改平,等. 基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究[J]. 电力系统保护与控制, 2022(014):050.

[3]张立峰,刘旭. 基于CNN-GRU神经网络的短期负荷预测[J]. 电力科学与工程, 2020, 36(11):5.

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料