基于LSTM、BP神经网络实现电力系统负荷预测（Python代码实现）

news2024/9/22 15:46:20

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

2.1 LSTM

2.2 BP

🌈3 Python代码及数据

🎉4 参考文献

💥1 概述

前馈神经网络的输出只依赖当前输入，但是在文本、视频、语音等时序数据中，时序数据长度并不固定，前馈神经网络的输入输出维数不能任意更改，因此难以适应这类型时序数据的处理。短期电力负荷预测的输入与输出均为时间序列，其本质仍是基于先前元素的序列预测问题，为此需要采用与前馈神经网络不同的方法，进行短期电力负荷预测。
循环神经网络具有记忆功能，可提升网络性能。与前馈神经网络相比，循环神经网络具备可同时接受自身信息与其他神经元信息的神经元，更贴合生物神经网络结构，在文本等序列数据分析中有广泛应用。循环神经网络的参数学习随时间反向传播，错误信息前传递学习，建立长时间间隔的状态间依赖，支持序列数据的分析处理。但随着网络层数增多与时间加长，循环神经网络容易因梯度消失或爆炸问题，导致只能学习短距离依赖，无法解决长距离依赖问题。为了解决循环神经网络的长程依赖问题，在循环神经网络上添加门控机制,实现调度信息积累速度控制，这类方法被称之为基于门控的循环神经网络，例如LSTM长短期记忆网络。LSTM是一种基于RNN的改进模型，通过引入门和单元的概念，解决长距离依赖问题，具有比RNN更强的适应性。LSTM网络的单结构如图1所示。每个神经单元内部结构如图2所示。
每个LSTM神经单元都包含遗忘门、输入门和输出门三个门控结构，以控制数据有信息的换地。其中，遗忘门负责丢弃和保留上一个时刻的有效信息在C{C内，输入门将当前时刻有效信息存放在Ct内，输出门决定神经单元输出中C·的信息。

📚2 运行结果

2.1 LSTM

2.2 BP

部分代码：

draw.iloc[:,0].plot(figsize=(12,6))
draw.iloc[:,1].plot(figsize=(12,6))
plt.legend(('real', 'predict'),loc='upper right',fontsize='15')
plt.title("Test Data",fontsize='30') #添加标题
#展示在测试集上的表现

draw=pd.concat([pd.DataFrame(y_test),pd.DataFrame(y_test_predict)],axis=1);
draw.iloc[200:300,0].plot(figsize=(12,6))
draw.iloc[200:300,1].plot(figsize=(12,6))
plt.legend(('real', 'predict'),loc='upper right',fontsize='15')
plt.title("Test Data",fontsize='30') #添加标题
#展示在测试集上的表现

draw=pd.concat([pd.DataFrame(y_train),pd.DataFrame(y_train_predict)],axis=1)
draw.iloc[100:400,0].plot(figsize=(12,6))
draw.iloc[100:400,1].plot(figsize=(12,6))
plt.legend(('real', 'predict'),loc='upper right',fontsize='15')
plt.title("Train Data",fontsize='30') #添加标题
#展示在训练集上的表现