智能网负荷数据，bp神经网络负荷预测（代码完整，数据齐全）

clc%清除命令窗口变量 clear%清除工作空间变量 close all%关闭FIGURE图像 num1 = xlsread('欧洲智能技术网络(EUNITE)竞赛负荷预测样本数据Load1999.xls'); num1(:,end) = []; num = []; for ii = 2:30 num = [num;reshape(num1(ii:ii+2,:),1,144)]; end n = 1:29; input_train=num(n(1:28),1:96)';%训练数据的输入数据 output_train=num(n(1:28),97:144)';%训练数据的输出数据 input_test=num((29),1:96)';%测试数据的输入数据 output_test=num((29),97:144)'; %测试数据的输出数据 %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train);%训练数据的输入数据的归一化 [outputn,outputps]=mapminmax(output_train);%训练数据的输出数据的归一化de %% BP网络训练 % %初始化网络结构 net=newff(minmax(inputn),[50,48],{'logsig','tansig'},'traingdx'); %net.trainParam.max_fail = 9; net.trainParam.epochs=1000;%最大迭代次数 net.trainParam.lr=0.1;%学习率 net.trainParam.goal=0.001;%学习目标 %网络训练 net=train(net,inputn,outputn); %% BP网络预测 %预测数据归一化 inputn_test=mapminmax('apply',input_test,inputps); %网络预测输出 an=sim(net,inputn_test); %网络输出反归一化 BPoutput=(mapminmax('reverse',an,outputps)); %% 结果分析 figure(1) plot(BPoutput,'r-o')%预测的结果数据画图-代表虚线，O代表圆圈标识，r代表红色 hold on plot(output_test,'k-*');%期望数据，即真实的数据画图，-代表实现，*就是代表*的标识,k代表黑色 legend('预测输出','期望输出')%标签 title('BP神经网络','fontsize',12)%标题 字体大小为12 ylabel('仿真输出','fontsize',12)%Y轴 xlabel('样本','fontsize',12)%X轴 %预测误差 error=BPoutput-output_test; figure(2) plot(error,'-*') title('BP网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12) figure(3) plot((output_test-BPoutput)./BPoutput,'-*'); title('神经网络预测误差百分比') %%如果需要查看神经网络的权值和阈值，下面几行的代码前的%删掉，再运行就可以看到 %依次是隐含阈值；输入层到隐含层权值；输出层阈值；隐含层到输出层权值 % net.b{1} % net.iw{1,1} % net.b{2} % net.lw{2,1} %%如果需要保存训练好的神经网络，下面一行的代码前的%删掉，保存的文件为maynet.mat %save maynet.mat net %调用保存神经网络的方法 %load maynet.mat %下面这个网络为BP神经网络的基本原理，介绍的比较详细 % https://wenku.baidu.com/view/4f0016a4b84ae45c3b358ce6.html %net2.divideFcn = ''去除自动分类 %net2.divideFcn ='dividerand'自动分类