pytorch搭建LSTM神经网络预测电力负荷

import torch
import torch.nn as nn
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 由于训练数据存在相差较大的，因此使用min/max尺度变换对训练数据进行归一化
# 注意只对训练数据进行归一化，为了防止有些信息从训练数据泄露到的测试数据
from sklearn.preprocessing import MinMaxScaler
flight_data = pd.read_csv(r"C:\Users\Administrator\Desktop\填补缺失值.csv")
fig_size = plt.rcParams["figure.figsize"]
fig_size[0] = 15
fig_size[1] = 5
plt.rcParams["figure.figsize"] = fig_size
plt.title('power vs day')
plt.ylabel('power')
plt.xlabel('day')
plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(flight_data['power'])
plt.show()
#提取数据
all_data = flight_data['power'].values.astype(float)
print(all_data)
#将数据区分为训练数据和测试数据
test_data_size = 960
train_data = all_data[:-test_data_size]
test_data = all_data[-test_data_size:]# 由于训练数据存在相差较大的，因此使用min/max尺度变换对训练数据进行归一化
# 注意只对训练数据进行归一化，为了防止有些信息从训练数据泄露到的测试数据scaler = MinMaxScaler(feature_range=(-1, 1))
train_data_normalized = scaler.fit_transform(train_data.reshape(-1, 1))print(train_data_normalized)# 将数据转换为张量
train_data_normalized = torch.FloatTensor(train_data_normalized).view(-1)def create_inout_sequences(input_data, tw):inout_seq = []L = len(input_data)for i in range(L-tw):train_seq = input_data[i:i+tw]train_label = input_data[i+tw:i+tw+1]inout_seq.append((train_seq ,train_label))return inout_seqtrain_window =5
train_inout_seq = create_inout_sequences(train_data_normalized, train_window)#定义LSTM模型
class LSTM(nn.Module):def __init__(self, input_size=1, hidden_size=55, output_size=1):super().__init__()self.hidden_size = hidden_size# 定义lstm 层self.lstm = nn.LSTM(input_size, hidden_size)# 定义线性层，即在LSTM的的输出后面再加一个线性层self.linear = nn.Linear(hidden_size, output_size)# input_seq参数表示输入sequencedef forward(self, input_seq):# lstm默认的输入X是（sequence_legth,bacth_size,input_size）lstm_out,\self.hidden_cell = self.lstm(input_seq.view(len(input_seq), 1, -1), self.hidden_cell)# lstm_out的默认大小是（sequence_legth,bacth_size，hidden_size）# 转化之后lstm_out的大小是(sequence_legth, bacth_size*hidden_size)predictions = self.linear(lstm_out.view(len(input_seq), -1))# 由于bacth_size = 1, 可知predictions 的维度为(sequence_legth, output_size)# [-1] 表示的是取最后一个时间步长对应的输出return predictions[-1]# 模型实例化并定义损失函数和优化函数model = LSTM()loss_function = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
print(model)epochs = 1for i in range(epochs):for seq, labels in train_inout_seq:optimizer.zero_grad()model.hidden_cell = (torch.zeros(1, 1, model.hidden_size),torch.zeros(1, 1, model.hidden_size))y_pred = model(seq)single_loss = loss_function(y_pred, labels)single_loss.backward()optimizer.step()#if i%25 == 1:print(f'epoch: {i:3} loss: {single_loss.item():10.8f}')print(f'epoch: {i:3} loss: {single_loss.item():10.10f}')# 以train data的最后12个数据进行预测
fut_pred = 960
test_inputs = train_data_normalized[-train_window:].tolist()
print(test_inputs)model.eval()
# 基于最后12个数据来预测第133个数据，并基于新的预测数据进一步预测
# 134-144 的数据
for i in range(fut_pred):seq = torch.FloatTensor(test_inputs[-train_window:])# 模型评价时候关闭梯度下降with torch.no_grad():model.hidden = (torch.zeros(1, 1, model.hidden_size),torch.zeros(1, 1, model.hidden_size))test_inputs.append(model(seq).item())test_inputs[fut_pred:]actual_predictions = scaler.inverse_transform(np.array(test_inputs[train_window:] ).reshape(-1, 1))
print(actual_predictions)
# 绘制图像查看预测的[133-144]的数据和实际的133-144 之间的数据差别
x = np.arange(127584,128544, 1)
plt.title('power vs day')
plt.ylabel('power')
plt.grid(True)
plt.autoscale(axis='x', tight=True)
plt.plot(flight_data['power'])
plt.plot(x,actual_predictions)
plt.show()

话不多说，先上代码，这个LSTM网络是基于之前一个博主的，然后我再根据自己的比赛需要改进了一部分，这篇文章算是记录一下自己第一次搭建神经网络。

1：第一个就是数据的读取建议使用pandas来读取数据值得注意的是路径名前要有一个r用于转义，否则系统会报错，还有EXCEL文件要转化成CSV格式

2：第二个就是对于原始数据的可视化，python作为解释性语言相信大家也看的明白那些plt...怎么干嘛

3：因为数据是一个时间序列，所以我们先提取其中的值部分，先忽略时间部分

4：将数据集划分为训练集和测试集，比例一般在4：1左右

5：数据的归一化

from sklearn.preprocessing import MinMaxScaler使用库函数  将值变化到-1到1之间 这样便于在训练的时候快速收敛 不然计算时间会比较久

还有就是一些参数的设定比如train_window hidden_size epoch fut_pred等等参数的设置里面还有一些LSTM的细节感兴趣的可以多了解一下他的原理

最后就是自己改预测范围看你想要的预测是多

少当然原来的博主里面没有反归一化我们要记得反归一化不然预测的数据还是-1到1

actual_predictions = scaler.inverse_transform(np.array(test_inputs[train_window:] ).reshape(-1, 1))

第一次写大概就是记录一下这些时间为数模而准备的一些东西还有很多不足希望大家一起进步

pytorch搭建LSTM神经网络预测电力负荷相关推荐

基于BP神经网络预测电力负荷（Matlab代码实现）
目录
神经网络预测模型算法_MATLAB Elman神经网络的数据预测—电力负荷预测模型研究...
点击上方蓝字关注"公众号" MATLAB Elman神经网络的数据预测-电力负荷预测模型研究负荷预测的核心问题是预测的技术问题,或者说是预测的数学模型. 传统的数学模型是用显示 ...
基于改进粒子群IPSO与LSTM的短期电力负荷预测
短期电力负荷预测是电力系统安全调度.经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性.经济性和供电质量.LSTM 为短期电力负荷预测提供了一个新的研究方向 ...
基于布谷鸟优化LSTM的短时电力负荷预测
0 引言短期电力负荷预测是电力系统安全调度.经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性.经济性和供电质量.LSTM 为短期电力负荷预测提供了一个新 ...
神经网络学习小记录52——Pytorch搭建孪生神经网络（Siamese network）比较图片相似性
神经网络学习小记录52--Pytorch搭建孪生神经网络(Siamese network)比较图片相似性学习前言什么是孪生神经网络代码下载孪生神经网络的实现思路一.预测部分 1.主干网络介绍 ...
用PyTorch搭建卷积神经网络
用PyTorch搭建卷积神经网络本篇是加拿大McGill本科,Waterloo硕士林羿实习时所作的工作.发文共享,主要是面对PyTorch的初学者. 本篇文章是一篇基础向的PyTorch教程,适合有 ...
【Matlab电力负荷预测】粒子群算法优化支持向量机预测电力负荷【含源码 1225期】
一.代码运行视频(哔哩哔哩) [Matlab电力负荷预测]粒子群算法优化支持向量机预测电力负荷[含源码 1225期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [ ...
【图像分类】基于PyTorch搭建LSTM实现MNIST手写数字体识别（双向LSTM，附完整代码和数据集）
写在前面: 首先感谢兄弟们的关注和订阅,让我有创作的动力,在创作过程我会尽最大能力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 在https://blog.csdn.net/A ...
使用PyTorch搭建CNN神经网络
使用pytorch搭建CNN神经网络卷积运算的基本原理单层卷积运算 valid convolution same convolution CNN的基本结构数据输入层卷积层池化层全连接层数 ...
基于BP神经网络的电力负荷预测（Matlab代码实现）
目录 1 概述 2 运行结果 3 完整Matlab代码实现 4 数据 1 概述随着电力工业逐步进入市场化,区域配电网短期电力负荷预测在电力行业中地位越来越重要,精准的短期负荷预测方法对电力系统安全稳 ...

pytorch搭建LSTM神经网络预测电力负荷

pytorch搭建LSTM神经网络预测电力负荷相关推荐

最新文章

热门文章