NWP风电功率预测

%% 清空环境变量 close all clc; clear %% 训练数据预测数据提取及归一化 %下载输入输出数据 load traindata1011 A O load goontest inputtest_may16 outputtest_may16 inputnum=7;hiddennum=6;outputnum=1; %4-5-1结构 编码长度31 7-5-1 46 %训练数据和预测数据 input_train=A(1:360,:)'; input_test=inputtest_may16(1:24,:)'; output_train=O(1:360)'; output_test=outputtest_may16(1:24)'; %选连样本输入输出数据归一化 [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); %% BP网络训练 %构建网络 net=newff(inputn,outputn,hiddennum,{'tansig','purelin'}); %网络进化参数 net.trainParam.epochs=100; %迭代次数，学习率，目标 net.trainParam.lr=0.1; net.trainParam.goal=0.00001; net.trainParam.show=100; net.trainParam.showWindow=0; %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,':og') hold on plot(output_test,'-*'); legend('预测输出','期望输出') title('BP网络预测输出','fontsize',12) ylabel('函数输出(W)','fontsize',12) xlabel('样本(h)','fontsize',12) %预测误差 error=BPoutput-output_test; error1=(output_test-BPoutput)./BPoutput; %相对误差 % 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(error1,'-*'); title('BP神经网络预测误差百分比') ylabel('相对误差','fontsize',12) xlabel('样本(h)','fontsize',12) figure(4) hist(error1); title('神经网络预测误差频率分布直方图'); MAE=(sum(abs(error1)))/24 %绝对平均误差 24对误差 RMSE=sqrt((sum(error1.^2))/24)%RMSE 均方根误差公式 % errorsum=sum(abs(error))