%%??案例18:?基于Elman神經網絡的電力負荷預測模型研究

%%?清空環境變量

clc;
clear?all
close?all
nntwarn?off;

%%?數據載入

load?data;
a=data;

%%?選取訓練數據和測試數據

for?i=1:6
????p（i:）=[a（i:）a（i+1:）a（i+2:）];
end
%?訓練數據輸入
p_train=a（1:5:）;
%?訓練數據輸出
t_train=a（4:8:）;
%?測試數據輸入
p_test=p（6:）;
%?測試數據輸出
t_test=a（9:）;

%?為適應網絡結構?做轉置

p_train=p_train‘;
t_train=t_train‘;
p_test=p_test‘;


%%?網絡的建立和訓練
%?利用循環，設置不同的隱藏層神經元個數
nn=[7?11?14?18];
for?i=1:4
????threshold=[0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1];?%?1組輸入數據的閾值
????%?建立Elman神經網絡?隱藏層為nn（i）個神經元
????%?原語句為：net=newelm（threshold[nn（i）3]{‘tansig‘‘purelin‘}）;?
????net=newelm（threshold[nn（i）3]{‘tansig‘‘purelin‘}‘trainlm‘）;
????%?設置網絡訓練參數
????net.trainparam.epochs=1000;
????net.trainparam.show=20;
????%?初始化網絡
????net=init（net）;
????%?Elman網絡訓練
????net=train（netp_traint_train）;
????%?預測數據
????y=sim（netp_test）;
????%?計算誤差
????error（i:）=y‘-t_test;
end

%%?通過作圖?觀察不同隱藏層神經元個數時，網絡的預測效果

plot（1:1:3error（1:）‘-ro‘‘linewidth‘2）;
hold?on;
plot（1:1:3error（2:）‘b:x‘‘linewidth‘2）;
hold?on;
plot（1:1:3error（3:）‘k-.s‘‘linewidth‘2）;
hold?on;
plot（1:1:3error（4:）‘c--d‘‘linewidth‘2）;
title（‘Elman預測誤差圖‘）
set（gca‘Xtick‘[1:3]）
legend（‘7‘‘11‘‘14‘‘18‘‘location‘‘best‘）
xlabel（‘時間點‘）
ylabel（‘誤差‘）
hold?off;

%%

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????1504??2012-03-23?20:33??elman?load?forecast.m

-----------?---------??----------?-----??----

?????????????????1504????????????????????1