LSTM电力预测～期末大作业～

最新推荐文章于 2025-06-16 16:32:33 发布

桥桥苏大无敌

最新推荐文章于 2025-06-16 16:32:33 发布

阅读量7k

点赞数 9

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/weixin_37731928/article/details/80688069

这篇博客介绍了作者使用LSTM进行电力消耗预测的实践，作为深度学习课程的期末作业。文章分为3部分：PP_inference（模型定义）、PP_train（训练程序）和PP_eval（测试程序）。模型采用了2层LSTM结构，训练了50000个样本，并通过Tensorboard观察损失收敛情况。最终，模型在第15轮训练后的MSE误差为1.2209e+5，预测结果用于展示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LSTM预测电力消耗：

如果有不清楚LSTM的，可以看下我的这张珍藏了多年的老图，简单明了！

今天看到了深度学习课程期末大作业要求，要提交一个RNN预测电力消耗的程序，作为一个攻克生，下意识地百度了一下，发现要不就是版本太老，要不就是代码有问题。。。于是今天动手写了一个，以解大家燃眉之急！仅给刚接触的小白参考用，大神勿喷，时间仓促，写的时候没有做注释，谅解～～

作业的要求是基于20个已知的数据，预测1个未知的数据，数据CSV的格式为第一列为时间，第二列为温度，第三列为电力消耗，电力预测下需要用到时间参数，温度参数，以及历史电力消耗

用的tensorflow版本为1.8.0， python版本为3.6

转载请注明出处哦～

这里把tensorflow程序分成了3部分，第一部分为PP_inference (LSTM模型), 第二部分为PP_train(训练程序)，第三部分为PP_eval（测试程序），这样把程序分成3部分可以使程序可读性大大提高～

1.PP_inference :

定义神经网络结构，这里采用2层LSTM的简单结构+1层全链接(relu)+1个输出，HIDDEN_SIZE大小为500，这里设置了dropout，在训练过程中，dropout概率设置为0.9，测试时dropout概率设置为1（需在PP_train和eval中设置）

具体代码如下：

import tensorflow as tf

HIDDEN_SIZE = 500
NUM_LAYERS = 2


def lstm_model(x,dropout_keep_prob):

    lstm_cells = [
        tf.nn.rnn_cell.DropoutWrapper(
            tf.nn.rnn_cell.BasicLSTMCell(HIDDEN_SIZE),
            output_keep_prob=dropout_keep_prob)
        for _ in range(NUM_LAYERS)]
    cell = tf.nn.rnn_cell.MultiRNNCell(lstm_cells)
    print("cell_created")
    outputs, _ = tf.nn.dynamic_rnn(cell, x, dtype=tf.float32)
    output = outputs[:,-1,:]

    predictions01 = tf.contrib.layers.fully_connected(output, 100,activation_fn= tf.nn.relu)
    predictions = tf.contrib.layers.fully_connected(predictions01, 1, activation_fn=None)
    return predictions

2.PP_train :

下为训练程序。这里首先设置了一些参数，

比如由于用20个点预测1个点，这里timestep为20

batchsize我调了好久。。。最终感觉100的时候loss比较稳定，收敛值也可以接受

inputsize为输入值的维度，这里为3

学习率设置为0.01，decay为0.9

用了50000个样本进行训练

具体代码如下：

import numpy as np
import tensorflow as tf
import pandas as pd
import PP_inference


TIMESTEPS = 20
TRAINING_STEPS = 10000
BATCH_SIZE = 100

INPUT_SIZE = 3

LEARNING_RATE_BASE = 0.01
LEARNING_RATE_DECAY = 0.9

NUM_EXAMPLES = 50000


f=open('BSE.csv')
df=pd.read_csv(f)
data=df.iloc[:,0:3].values


MODEL_SAVE_PATH = "model_saved/"