#|基于神经网络的负荷预测和价格预测（Matlab代码实现） p2p|网络协议|网络|matlab|电气期

目录
1 概述
2 基于神经网络的负荷预测（Matlab实现）
2.1 代码
2.2 结果
2.3 回归树模型的进一步改进
3 基于神经网络的价格预测（Matlab代码实现）
4 阅读全文

1 概述这个例子演示了用MATLAB建立一个短期电力负荷（或价格）预测系统。两个非线性回归模型（神经网络和袋式回归树）被校准，以预测给定温度预测、假日信息和历史负荷的每小时前日负荷。这些模型在数据上进行训练，并在2008年的样本外数据上进行测试。这些模型被证明能够产生高度准确的日前预测，平均误差在1-2%左右。能够通过MATLAB部署的DLL调用训练好的负荷预测模型。
准确的负荷预测对于公用事业的短期运营和长期规划至关重要。负荷预测会影响许多决策，包括在给定时期内承诺哪些发电机，并广泛影响批发电力市场价格。负荷和价格预测算法通常在简化形式的电价混合模型中也很突出，这是用于模拟市场和模拟能源衍生品的一些最准确的模型。市场参与者在许多交易和风险管理应用程序中也广泛使用电价预测。负荷预测会影响许多决策，包括在给定时期内承诺哪些发电机，并广泛影响批发电力市场价格。负荷预测算法通常在电价混合模型中也很突出，这是电力市场建模最准确的一类方法。市场参与者在许多交易和风险管理应用程序中广泛使用电价预测。传统上，公用事业和营销人员使用商业软件包来执行负荷预测。这些方法的主要缺点是它们是一个黑匣子，不提供如何计算负载预测的透明度。它们通常也只提供实用程序所需功能的 80-90%。在许多情况下，不可能通过现成的产品满足所有要求，例如考虑到区域负载、不同的天气模式等。
2 基于神经网络的负荷预测（Matlab实现） 2.1 代码

%% 利用神经网络进行电力负荷预测 % 这个例子展示了用MATLAB建立和验证一个短期的 % 本例演示了用MATLAB建立和验证短期电力负荷预测模型。这些模型考虑到了 % 考虑到多种信息来源，包括温度和 % 假期等多种信息，以构建一个日前负荷预测器。这个脚本使用 % 神经网络。%% 导入天气和负荷数据 % 所使用的数据集是一个地区2004 - 2008年的历史小时负荷和温度观测表。 % 天气信息包括干球温度和露点。 load Data\DBLoadData.mat addpath ..\Util%% 从Excel电子表格中导入假期列表[num, text] = xlsread('..\Data\Holidays.xls'); holidays = text(2:end,1); %% 生成预测矩阵 % 函数*genPredictors*生成了作为模型输入的预测变量。 % 的输入。对于短期预测，这些变量包括 % * 干球温度 % * 露点 % *一天中的小时 % * 一周中的一天 % *表明是否为假日/周末的标志 % * 前一天的平均负荷 % * 前一天同一小时的负荷 % * 前一周同一小时和同一天的负荷 % 如果目标是中期或长期的负荷预测，只需输入 % 如果目标是中期或长期的负荷预测，只有一天中的小时，一周中的一天，一年中的时间和节假日可以被使用 % 确定性地使用。天气/负荷信息将需要被指定为 % 指定为一个平均数或一个分布 %% 选择预测范围 term = 'short'; [X, dates, labels] = genPredictors(data, term, holidays); %% 讲数据集分为训练和测试集 % 该数据集被分为两组，一个是包括2004年至2007年数据的_训练_组， % 另一个是包括2008年数据的_测试_组。 % 训练集包括2004至2007年的数据，测试集包括2008年的数据。 % 训练集用于建立模型（估计其参数）。测试集仅用于预测，以测试模型在样本外数据上的表现。 %++++++ 建立训练集++++++++++ trainInd = data.NumDate < datenum('2008-01-01'); trainX = X(trainInd,:); trainY = data.SYSLoad(trainInd); %++++++创建测试集并保存以备不时之需++++++ testInd = data.NumDate >= datenum('2008-01-01'); testX = X(testInd,:); testY = data.SYSLoad(testInd); testDates = dates(testInd); save Data\testSet testDates testX testY clear X data trainInd testInd term holidays dates ans num text%% 构建负荷预测模型 % 接下来的几个单元建立了一个神经网络回归模型， % 用于给定训练数据的日前负荷预测。 % 然后，该模型被用于测试数据以验证其准确性。 %% 初始化和训练网络 % 初始化一个包含 20 个神经元的两层默认网络。使用“平均 % 绝对误差”（MAE）性能指标。然后，用 % 默认的 Levenburg-Marquardt 算法。为了提高效率，预先训练 % 除非特别强制执行重新训练，否则网络会被加载。 reTrain = false; if reTrain || ~exist('Models\NNModel.mat', 'file') net = newfit(trainX', trainY', 20); net.performFcn = 'mae'; net = train(net, trainX', trainY'); save Models\NNModel.mat net else load Models\NNModel.mat end%% 采用神经网络模型进行预测 % 一旦建立了模型，对独立的测试集进行预测. load Data\testSet forecastLoad = sim(net, testX')'; %% 比较预测负荷和实际负荷 % 创建一个图表来比较实际负荷和预测负荷以及 % 并计算出预测误差。除了可视化之外，还可以使用平均绝对值等指标来量化 % 预测器的性能，如平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和每日峰值误差（MAPE）等指标。 % 误差（MAE），平均绝对误差（MAPE）和每日峰值预测 % 误差。 err = testY-forecastLoad; fitPlot(testDates, [testY forecastLoad], err); errpct = abs(err)./testY*100; fL = reshape(forecastLoad, 24, length(forecastLoad)/24)'; tY = reshape(testY, 24, length(testY)/24)'; peakerrpct = abs(max(tY,[],2) - max(fL,[],2))./max(tY,[],2) * 100; MAE = mean(abs(err)); MAPE = mean(errpct(~isinf(errpct))); fprintf('平均绝对百分比误差 (MAPE): %0.2f%% \n平均绝对误差 (MAE): %0.2f MWh\n每日峰值 MAPE: %0.2f%%\n',... MAPE, MAE, mean(peakerrpct))%% 检查误差的分布情况 % 除了报告标量误差指标（如MAE和MAPE）外，误差分布图和绝对误差也有助于建立 % 误差和绝对误差的分布图可以帮助建立 % 围绕预测者的表现建立直觉 %% 可视化图像 figure; subplot(3,1,1); hist(err,100); title('误差分布'); subplot(3,1,2); hist(abs(err),100); title('绝对误差分布'); line([MAE MAE], ylim); legend('误差', 'MAE'); subplot(3,1,3); hist(errpct,100); title('绝对百分比误差分布'); line([MAPE MAPE], ylim); legend('误差', 'MAPE'); %% 误差的集体分析 % 为了进一步了解预报器的性能，我们可以 % 为了进一步了解预报员的表现，我们可以按一天中的每一小时、 % 一周中的每一天和一年中的每一个月来直观地显示预报误差百分比。 % 年的月份 [yr, mo, da, hr] = datevec(testDates); %% 按小时计算 clf; boxplot(errpct, hr+1); xlabel('小时'); ylabel('误差百分比的统计'); title('按小时划分的预测误差统计数据'); % 按工作日 figure boxplot(errpct, weekday(floor(testDates)), 'labels', {'Sun','Mon','Tue','Wed','Thu','Fri','Sat'}); ylabel('误差百分比统计'); title('按工作日划分的预测误差统计明细表'); % 按月份 figure boxplot(errpct, datestr(testDates,'mmm')); ylabel('误差百分比统计'); title('按月份划分的预测误差统计细目表'); %% 制作每周图表 %在测试集上每周建立预测负荷与实际负荷的对比。 generateCharts = true; if generateCharts step = 168*2; for i = 0:step:length(testDates)-step clf; fitPlot(testDates(i+1:i+step), [testY(i+1:i+step) forecastLoad(i+1:i+step)], err(i+1:i+step)); title(sprintf('MAPE: %0.2f%%', mean(errpct(i+1:i+step)))); snapnowend end

2.2 结果