elman load forecast

Elman神经网络的数据预测—电力负荷预测模型研究

%%  案例18: 基于Elman神经网络的电力负荷预测模型研究

%% 清空环境变量

clc;
clear all
close all
nntwarn off;

%% 数据载入

load data;
a=data;

%% 选取训练数据和测试数据

for i=1:6
    p（i:）=[a（i:）a（i+1:）a（i+2:）];
end
% 训练数据输入
p_train=a（1:5:）;
% 训练数据输出
t_train=a（4:8:）;
% 测试数据输入
p_test=p（6:）;
% 测试数据输出
t_test=a（9:）;

% 为适应网络结构 做转置

p_train=p_train‘;
t_train=t_train‘;
p_test=p_test‘;


%% 网络的建立和训练
% 利用循环，设置不同的隐藏层神经元个数
nn=[7 11 14 18];
for i=1:4
    threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; % 1组输入数据的阈值
    % 建立Elman神经网络 隐藏层为nn（i）个神经元
    % 原语句为：net=newelm（threshold[nn（i）3]{‘tansig‘‘purelin‘}）; 
    net=newelm（threshold[nn（i）3]{‘tansig‘‘purelin‘}‘trainlm‘）;
    % 设置网络训练参数
    net.trainparam.epochs=1000;
    net.trainparam.show=20;
    % 初始化网络
    net=init（net）;
    % Elman网络训练
    net=train（netp_traint_train）;
    % 预测数据
    y=sim（netp_test）;
    % 计算误差
    error（i:）=y‘-t_test;
end

%% 通过作图 观察不同隐藏层神经元个数时，网络的预测效果

plot（1:1:3error（1:）‘-ro‘‘linewidth‘2）;
hold on;
plot（1:1:3error（2:）‘b:x‘‘linewidth‘2）;
hold on;
plot（1:1:3error（3:）‘k-.s‘‘linewidth‘2）;
hold on;
plot（1:1:3error（4:）‘c--d‘‘linewidth‘2）;
title（‘Elman预测误差图‘）
set（gca‘Xtick‘[1:3]）
legend（‘7‘‘11‘‘14‘‘18‘‘location‘‘best‘）
xlabel（‘时间点‘）
ylabel（‘误差‘）
hold off;

%%

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       1504  2012-03-23 20:33  elman load forecast.m

----------- ---------  ---------- -----  ----

                 1504                    1