基于小波法风电功率预测

%% 清空环境变量 clc clear %% 网络参数配置 %load traffic_flux input output input_test output_test xlsfile='wind16.xlsx' ; %组织训练数据的输入和输出，输入时1000个2维数据，输出是1000个1维数据 [input]=xlsread(xlsfile,1,'C1:C961'); [output]=xlsread(xlsfile,1,'D1:D961'); %测试数据的输入时314个2维输入和314个1维输出 [input_test]=xlsread(xlsfile,1,'C962:C1153'); [output_test]=xlsread(xlsfile,1,'D962:D1153'); M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n); d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end %计算误差和 error(i)=error(i)+sum(abs(yqw-y)); %权值调整 for j=1:n %计算d_Wij temp=mymorlet(net_ab(j)); for k=1:N d_Wij(k,j)=d_Wij(k,j)-(yqw(k)-y(k))*temp; end %计算d_Wjk temp=d_mymorlet(net_ab(j)); for k=1:M for l=1:N d_Wjk(j,k)=d_Wjk(j,k)+(yqw(l)-y(l))*Wij(l,j) ; end d_Wjk(j,k)=-d_Wjk(j,k)*temp*x(k)/a(j); end %计算d_b for k=1:N d_b(j)=d_b(j)+(yqw(k)-y(k))*Wij(k,j); end d_b(j)=d_b(j)*temp/a(j); %计算d_a for k=1:N d_a(j)=d_a(j)+(yqw(k)-y(k))*Wij(k,j); end d_a(j)=d_a(j)*temp*((net(j)-b(j))/b(j))/a(j); end %权值参数更新 Wij=Wij-lr1*d_Wij; Wjk=Wjk-lr1*d_Wjk; b=b-lr2*d_b; a=a-lr2*d_a; d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n); d_b=zeros(1,n); y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); Wjk_1=Wjk;Wjk_2=Wjk_1; Wij_1=Wij;Wij_2=Wij_1; a_1=a;a_2=a_1; b_1=b;b_2=b_1; end end %% 网络预测 %预测输入归一化 x=mapminmax('apply',input_test',inputps); x=x'; %网络预测 %for i=1:92 for i=1:192 x_test=x(i,:); for j=1:1:n for k=1:1:M net(j)=net(j)+Wjk(j,k)*x_test(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y(k)=y(k)+Wij(k,j)*temp ; end end yuce(i)=y(k); y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); end %预测输出反归一化 ynn=mapminmax('reverse',yuce,outputps); %% 结果分析 %画出实际输出和预测输出的图像，画在同一个框中 figure(1) plot(ynn,'r-','LineWidth',2) %'LineWidth',1，原始电量数据 hold on plot(output_test,'k--','LineWidth',2) %'LineWidth',1，经过RVM处理的回归电量数据 title('小波法-训练的原始值与经小波训练的结果值') legend('训练的原始值','经小波训练的值') xlabel('时间') ylabel('功率') %% %计算误差 figure(2) error=output_test-ynn'; %plot(error,'-*'); stem(error) title('网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('时间点','fontsize',12) %预测误差百分比 figure(3) %men=mean(abs((error)./BPoutput)) men=(output_test-ynn')./output_test; %plot(men,'-*'); stem(men) title('神经网络预测误差百分比') xlabel('时间点') ylabel('百分比（%）') figure(4) a=1:192; %第一种，直接将误差连成线 error=error'; stem(error) %plot(a, error, 'b'); %误差画图效果 hold on; %第二种，画误差的拟合曲线的方法 c = polyfit(a,error,2); %进行拟合，c为2次拟合后的系数 d = polyval(c, a); %拟合后，每一个横坐标对应的值即为d plot(a, d, '-r'); %2阶拟合后的曲线 hold on; D=polyfit(a,error,5); M=polyval(D,a); plot(a,M,'g') %n=4阶进行拟合的曲线结果 hold on D=polyfit(a,error,10); M=polyval(D,a); plot(a',M,'y') %n=10阶进行拟合的曲线结果 hold on D=polyfit(a,error,20); M=polyval(D,a); plot(a',M,'k') %n=20阶进行拟合的曲线结果 legend('误差','2阶拟合','5阶拟合' ,'10阶拟合' ,'20阶拟合'); %% %均方根误差 %RMS=sqrt(sum((Test_output-C_est).^2)/(x))*100; %均方根误差%，其中 x0是准确值（平均值），x是实际预测的结果，而n是数据点数 RMS=sqrt(sum((output_test'-ynn).^2)/(192))/1500*100; %1500为电场装机容量 figure(5); plot(RMS,'k*-','LineWidth',2) title('均方根误差'); xlabel('取样点'); ylabel('误差');