1 简介
随着智能燃气管网建设工作的飞速发展,负荷预测工作越来越重要。短期负荷预测是城市燃气系统的一项基础工作,其数据对项目规划、运行调度、管网维修以及工程技术分析都具有根本意义,因此寻求有效的短期负荷预测方法以提高预测精度是非常重要的。本文首先深入分析了经验模态分解(Empirical Mode Decomposition,EMD)方法在正常采样率条件下分解结果中可能存在虚假模态分量,而通过傅立叶插值法、sinc函数插值法等增加采样点可以减少虚假分量的产生,但并不能从根本上解决多余模态的问题,因此提出一种改进的模态分量消除算法,即利用经验模态分解的完备性、能量原理和虚假模态分量性质,在每得到一个本征模分量时,对这个分量进行检验是否满足以上三个性质,从而除去虚假模态分量及消除本征模态分量中的误差。接着阐述了一种添加了自适应学习率的深度信念神经网络(Deep belief Neural Network,DBN),用以减少深度信念神经网络模型训练时的迭代次数,从而加快模型的训练速度。一方面,燃气负荷值受多种外界因素影响,选择DBN可以通过逐层提取这些因素之间的内在隐含联系,达到模型预测目的。另一方面,传统的DBN在预训练和调优过程中注重调节w,b的值,忽视学习率α对预测结果的影响,本文在DBN的基础上对学习率做自适应研究,以提高模型训练速度,并且在一定程度上提高预测精度。最后详细介绍了基于EMD分解的集成深度信念神经网络预测模型的建立,以及仿真实验分析的过程。由于燃气负荷数据在日常监测过程中有部分数据缺失和仪器读数误差,因此在预测前需要对原始数据预处理,解决负荷数据序列存在异常数据的问题,同时将负荷数据归一化处理、影响因素数值化处理,构成预测模型的输入矩阵。针对燃气负荷序列非线性非平稳的特性,采用优化的EMD将负荷数据序列分解成多个本征模向量,再分别进行DBN建模和预测,得到各个分量的预测结果,最后使用线性神经网络将各分量的结果拟合得出最终预测结果。结果表明,集成方法确实能够避免单一模型过拟合的问题,提高预测精度。
2 部分代码
%脚本名：introduction.m
%功 能：软件介绍界面脚本
function varargout = introduction(varargin)
% INTRODUCTION MATLAB code for introduction.fig
% INTRODUCTION, by itself, creates a new INTRODUCTION or raises the existing
% singleton*.
%
% H = INTRODUCTION returns the handle to a new INTRODUCTION or the handle to
% the existing singleton*.
%
% INTRODUCTION('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in INTRODUCTION.M with the given input arguments.
%
% INTRODUCTION('Property','Value',...) creates a new INTRODUCTION or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before introduction_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to introduction_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help introduction
% Last Modified by GUIDE v2.5 11-Jan-2020 17:06:03
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @introduction_OpeningFcn, ...
'gui_OutputFcn', @introduction_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before introduction is made visible.
function introduction_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to introduction (see VARARGIN)
% Choose default command line output for introduction
handles.output = hObject;
movegui(gcf,'center');
set(gcf,'numbertitle','off','name','欢迎使用“一种基于EMD-DBN的用户侧负荷预测软件V1.0”');
%窗口位置移到屏幕中央
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes introduction wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = introduction_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
close(introduction)
run('welcome2.m')
%关闭本界面，返回至欢迎界面
3 仿真结果
4 参考文献
[1]黄维. 基于EMD分解和集成深度信念神经网络的短期燃气负荷预测[D]. 上海师范大学.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
**完整代码获取关注微信公众号天天matlab**
