✅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👇
⛄ 内容介绍
考虑到气象因素对电力短期负荷预测精度存在影响,提出了一套贝叶斯优化卷积神经网络和长短期记忆神经网络(BO-CNN-LSTM)组合预测模型.通过贝叶斯优化算法优选出全局最优参数组合,再采用优选出的五类气象因素数据(日最高温度,日最低温度,日平均温度,日平均相对湿度,降雨量)以及实际电力负荷数据作为输入特征量对优化后的LSTM神经网络进行训练.最后对某地区的电力负荷数据进行预测分析,并与不同方法对比分析,证明了考虑气象因素后的BO-CNN-LSTM神经网络预测精度高,可以作为可靠的短期电力负荷预测工具.
⛄ 部分代码
clc;clear;close all;format compact
%%
data=xlsread('PA.xls','机组A风功率实测数据','B2:CS29')';
data=data(:);
% 头一天的29个值与预测日的5个气象值作为输入，预测日的24个负荷值做输出
n=96;
[x,y]=data_process(data,n);%前n个时刻 预测下一个时刻
%%
[m,n]=size(true_value);
true_value=reshape(true_value',[1,m*n]);
predict_value=reshape(predict_value',[1,m*n]);
disp('结果分析')
rmse=sqrt(mean((true_value-predict_value).^2));
disp(['根均方差(RMSE)：',num2str(rmse)])
mae=mean(abs(true_value-predict_value));
disp(['平均绝对误差（MAE）：',num2str(mae)])
mape=mean(abs((true_value-predict_value)./true_value));
disp(['平均相对百分误差（MAPE）：',num2str(mape*100),'%'])
fprintf('\n')
%
figure
plot(true_value)
hold on
plot(predict_value)
legend('实际值','预测值')
⛄ 运行结果
⛄ 参考文献
[1]胡晓丽, 张会兵, 董俊超,等. 基于CNN-LSTM的用户购买行为预测模型[J]. 计算机应用与软件, 2020, 37(6):6.
[2]肖世钊, 刘天恒, 张飞,等. 基于卷积神经网络与长短期记忆网络的多规格带钢精轧电耗分析预测[J]. 冶金自动化.
[3]邱凯旋, 李佳. 基于贝叶斯优化和长短期记忆神经网络(BO-LSTM)的短期电力负荷预测[J]. 电力学报, 2022, 37(5):7.
