您现在的位置:首页 >> 技术文章 >> MATLAB技术 >> 内容

MATLAB代做+改进bp神经网络程序

时间:2018-9-23 0:57:58 点击:

  核心提示:改进bp神经网络程序...
% *************************************************************************
% 改进bp神经网络程序  by Leon 20090225
% 消除星期因素,增加电价和负荷增量信息
% 加上实时校正环节
% *************************************************************************
close all;
clear all;
clc;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 2000年前2个月的电价数据作为样本,3月的数据作为检验,对4月的电价进行预测   %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
load price.txt;
load demand.txt;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 预测日类型(result: invalid)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
WE=4;
for i=1:366
     if rem(i,7)==0 
         DataType(i) = 0.9/WE;
         continue;
     end;
     if rem(i,7)==1 
         DataType(i) = 0.5/WE;
         continue;
     end;
     if rem(i,7)==2 
         DataType(i) = 0.4/WE;
         continue;
     end;
     if rem(i,7)==3 
         DataType(i) = 0.8/WE;
         continue;
     end;
     if rem(i,7)==4 
         DataType(i) = 0.9/WE;
         continue;
     end;
     if rem(i,7)==5 
         DataType(i) = 0.9/WE;
         continue;
     end;
     if rem(i,7)==6 
         DataType(i) = 0.9/WE;
         continue;
     end;
end;

N = 60;      %学习样本数
ForeOutput =[];
for ForeDate = 85:91;%预测日期
    SampleMaxDate = ForeDate-1;%最大样本
    
    % 电价数据归一化处理
    SamplePrice = price(1:ForeDate,:);
    MaxPrice=zeros(1,24);
    MinPrice=ones(1,24)*100;
    for i=1:SampleMaxDate
        for t=1:24
            if MaxPrice(t)<SamplePrice(i,t)
                MaxPrice(t)=SamplePrice(i,t);
            end;
            if  MinPrice(t)>SamplePrice(i,t)
                MinPrice(t)=SamplePrice(i,t);
            end;
        end;
    end;
    for t=1:24
        SamplePrice(:,t) = (SamplePrice(:,t)-MinPrice(t))/(1.5*MaxPrice(t)-MinPrice(t));
    end;
    
    % 电价数据星期趋势消除
    for i=15:ForeDate
        Temp = [];
        Temp = SamplePrice(i-14:i-1,:);
        PriceAvg(i,:) = sum(Temp,1)./14;
        SamplePrice(i,:) = SamplePrice(i,:)./PriceAvg(i,:);
    end;
    
    % 负荷数据归一化处理
    SampleDemand = demand(1:ForeDate,:);
    MaxDemand = zeros(1,24);
    MinDemand = ones(1,24)*100;
    for i=1:ForeDate
        for t=1:24
            if MaxDemand(t)<SampleDemand(i,t)
                MaxDemand(t)=SampleDemand(i,t);
            end;
            if  MinDemand(t)>SampleDemand(i,t)
                MinDemand(t)=SampleDemand(i,t);
            end;
        end;
    end;
    for t=1:24
        SampleDemand(:,t) = (SampleDemand(:,t)-MinDemand(t))/(1.5*MaxDemand(t)-MinDemand(t));
    end;

    IN_N =  13;    %输入层神经元个数
    HIDE_N = 6;    %隐层神经元个数
    OUT_N = 1;    %输出层神经元个数

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%                     神经网络训练                            %%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    MaxLearnTime = 1000;  %U最大学习次数
    PreError=0.001;    %设定误差
    alpha = 0.95;          %输出-隐层的学习率
    beta = 0.95;           %隐层-输入层的学习率

    for t=1:24
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%                     神经网络样本数据                        %%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        W_P=[0.5,0.6,0.7,0.8,1.5,2,0.5,0.6,0.8,1.5,4,10,1];
%         W_P=[1,1,1,1,1,1,1,1,1,1,1,1,1];

        for i=1:N
            if t==1
                Temp = [];
                Temp = [SamplePrice((ForeDate-i)-8:(ForeDate-i)-7,t);...
                SamplePrice((ForeDate-i)-3:(ForeDate-i)-1,t);...
                SamplePrice((ForeDate-i)-7,t);...
                SampleDemand((ForeDate-i)-8:(ForeDate-i)-7,t);...
                SampleDemand((ForeDate-i)-2:(ForeDate-i),t);...
                SampleDemand((ForeDate-i)-1,t)-SampleDemand(ForeDate-i,t);...
                DataType(ForeDate-i)];
            else
                Temp = [];
                Temp = [SamplePrice((ForeDate-i)-8:(ForeDate-i)-7,t);...
                SamplePrice((ForeDate-i)-3:(ForeDate-i)-1,t);...
                ForeOutput(ForeDate,t-1);...
                SampleDemand((ForeDate-i)-8:(ForeDate-i)-7,t);...
                SampleDemand((ForeDate-i)-2:(ForeDate-i),t);...
                SampleDemand((ForeDate-i)-1,t)-SampleDemand(ForeDate-i,t);...
                DataType(ForeDate-i)];               
            end;
            SampleInput(i,t,:)=[W_P(1)*Temp(1),W_P(2)*Temp(2),W_P(3)*Temp(3),W_P(4)*Temp(4),...
                                W_P(5)*Temp(5),W_P(6)*Temp(6),W_P(7)*Temp(7),W_P(8)*Temp(8),...
                                W_P(9)*Temp(9),W_P(10)*Temp(10),W_P(11)*Temp(11),W_P(12)*Temp(12),...
                                W_P(13)*Temp(13)];
            SampleTarget(i,t)= SamplePrice(ForeDate-i,t);
        end;

        %预测日神经网络输入
        if t==1
            Temp = [];
            Temp = [SamplePrice(ForeDate-8:ForeDate-7,t);SamplePrice(ForeDate-3:ForeDate-1,t);...
                    SamplePrice((ForeDate-i)-1,t);
                    SampleDemand(ForeDate-8:ForeDate-7,t);SampleDemand(ForeDate-2:ForeDate,t);...
                    SampleDemand(ForeDate-1,t)-SampleDemand(ForeDate,t);DataType(SampleMaxDate+i)];
        else
            Temp = [];
            Temp = [SamplePrice(ForeDate-8:ForeDate-7,t);SamplePrice(ForeDate-3:ForeDate-1,t);...
                    ForeOutput((ForeDate)-1,t-1);
                    SampleDemand(ForeDate-8:ForeDate-7,t);SampleDemand(ForeDate-2:ForeDate,t);...
                    SampleDemand(ForeDate-1,t)-SampleDemand(ForeDate,t);DataType(SampleMaxDate+i)];
        end;
        ForeInput(t,:) = [W_P(1)*Temp(1),W_P(2)*Temp(2),W_P(3)*Temp(3),W_P(4)*Temp(4),...
                  W_P(5)*Temp(5),W_P(6)*Temp(6),W_P(7)*Temp(7),W_P(8)*Temp(8)...
                  W_P(9)*Temp(9),W_P(10)*Temp(10),W_P(11)*Temp(11),W_P(12)*Temp(12),...
                  W_P(13)*Temp(13)];         
 
        %初始化I-H层阈值和权重
        W=rand(HIDE_N,IN_N);
        theta=rand(HIDE_N,1);

        %初始化H-O层权重和阈值
        V=rand(OUT_N,HIDE_N);
        gama=rand(OUT_N,1);

        for CurrentStudy=1:MaxLearnTime
            for m=1:N
                %nn输入训练数据
                for i=1:IN_N      
                    InputData(i)=SampleInput(m,t,i);
                end;

                for k=1:OUT_N
                    OutputData(k)=SampleTarget(m,t,k);
                end;

                %从输入层到隐含层
                for j=1:HIDE_N
                    TempValue=0;
                    for i=1:IN_N
                        TempValue = TempValue+W(j,i)*InputData(i);      %内积
                    end;
                    HideLayerInput(j)=TempValue+theta(j);           %隐层输入
                    HideLayerOutput(j)=1/(1+exp(-HideLayerInput(j)));  %隐层输出
                end;

                %从隐含层到输出层
                for k=1:OUT_N
                    TempValue=0;
                    for j=1:HIDE_N
                        TempValue = TempValue+V(k,j)*HideLayerOutput(j);    %内积
                    end;
                    OutLayerInput(k)=TempValue+gama(k);           %输出层输入
                    OutLayerOutput(k)=1/(1+exp(-OutLayerInput(k)));  %输出层输出
                end;

                %得到第m个样本的总误差
                err_sqr=0;
                for k=1:OUT_N
                    err_temp = OutputData(k)-OutLayerOutput(k);
                    err_sqr  = err_sqr+0.5*(err_temp*err_temp);
                end;
                Error(m)=err_sqr;      

                %误差由输出层向隐层反向传播,并调整权重
                for k=1:OUT_N
                    delta(k)= OutputData(k)-OutLayerOutput(k);   %误差
                    delta_bar(k)=delta(k)*OutLayerOutput(k)*(1-OutLayerOutput(k));   %求导数diff(f(x))=f(x)*(1-f(x))
                    gama(k) = gama(k)+beta*delta_bar(k);      %调整输出层阈值
                    for j=1:HIDE_N
                        V(k,j) = V(k,j)+beta*delta_bar(k)*HideLayerOutput(j); %调整输出层权重
                    end;
                end;

                %调整输入层至隐含层权重与阈值
                for j=1:HIDE_N
                    sigma(j)=0;
                    for k=1:OUT_N
                        delta(k) = (OutputData(k)-OutLayerOutput(k))*OutLayerOutput(k)*(1-OutLayerOutput(k));
                        sigma(j) = sigma(j)+delta(k)*V(k,j)*HideLayerOutput(j)*(1-HideLayerOutput(j));
                    end;
                    for i=1:IN_N
                        W(j,i) = W(j,i)+alpha*sigma(j)*InputData(i);    %调整权重
                    end;
                    theta(j) = theta(j)+alpha*sigma(j);            %调整阈值
                end;
            end;

            error=0;
            for m=1:N
                error = error+Error(m);
            end;
            error = error/(2*N);

            if error < PreError
                break;
            end;

            if error < PreError*20
                alpha = 0.9;          %输出-隐层的学习率
                beta = 0.9;           %隐层-输入层的学习率
            end;

             if error < PreError*10
                alpha = 0.8;          %输出-隐层的学习率
                beta = 0.8;           %隐层-输入层的学习率
            end;

            if error < PreError*5
                alpha = 0.5;          %输出-隐层的学习率
                beta = 0.5;           %隐层-输入层的学习率
            end;
        end;

        % 用训练好的网络进行预测
        for i=1:IN_N
            InputData(i) = ForeInput(t,i);
        end;

        %从输入层到隐含层
        for j=1:HIDE_N
            TempValue=0;
            for i=1:IN_N
                TempValue = TempValue+W(j,i)*InputData(i);      %内积
            end;
            HideLayerInput(j)=TempValue+theta(j);           %隐层输入
            HideLayerOutput(j)=1/(1+exp(-HideLayerInput(j)));  %隐层输出
        end;

        %从隐含层到输出层
        for k=1:OUT_N
            TempValue=0;
            for j=1:HIDE_N
                TempValue = TempValue+V(k,j)*HideLayerOutput(j);    %内积
            end;
            OutLayerInput(k)=TempValue+gama(k);           %输出层输入
            OutLayerOutput(k)=1/(1+exp(-OutLayerInput(k)));  %输出层输出
        end;
        ForeOutput(ForeDate,t) =  OutLayerOutput;
        ForeResult(ForeDate-84,t) = OutLayerOutput*PriceAvg(ForeDate,t)*(1.5*MaxPrice(t)-MinPrice(t))+MinPrice(t);
        ForeActual(ForeDate-84,t) = SamplePrice(ForeDate,t)*PriceAvg(ForeDate,t)*(1.5*MaxPrice(t)-MinPrice(t))+MinPrice(t);
%          ForeResult(ForeDate-44,t) = OutLayerOutput*(1.5*MaxPrice(t)-MinPrice(t))+MinPrice(t);
%          ForeActual(ForeDate-44,t) = SamplePrice(ForeDate,t)*(1.5*MaxPrice(t)-MinPrice(t))+MinPrice(t);
    end;
end;
    
ForeError= 100*(ForeResult-ForeActual)./ForeActual;
[ForeResult;ForeActual;ForeError]
figure(1);
subplot(211);
plot(DataOutspread(ForeResult),'k');
hold on;
plot(DataOutspread(ForeActual),'r');
hold on;
subplot(212);
plot(DataOutspread(ForeError),'b');

 

联系:highspeedlogic

QQ :1224848052

微信:HuangL1121

邮箱:1224848052@qq.com

网站:http://www.mat7lab.com/

网站:http://www.hslogic.com/

微信扫一扫:

作者:改进bp神经网络程序 来源:改进bp神经网络程序
  • 您是如何找到本站的?
  • 百度搜索
  • Google搜索
  • 查阅资料过程中
  • 论坛发现
  • 百度贴吧发现
  • 朋友介绍
本站最新成功开发工程项目案例
相关文章
  • 没有相关文章
相关评论
发表我的评论
  • 大名:
  • 内容:
  • matlab代做|matlab专业代做|matlab淘宝代做(www.hslogic.com) © 2019 版权所有 All Rights Reserved.
  • Email:highspeed_logic@163.com 站长QQ: 1224848052

    专业代做/代写/承接、MATLAB、SIMULINK、FPGA项目、博士/硕士/本科毕业设计、课题设计、论文,毕业论文,Coursework、Eassy、Assignment