MATLAB人工大猩猩部队GTO优化CNN-LSTM用于多变量负荷预测

        基于MATLAB2020b的深度学习框架，提出了一种基于CNN-LSTM的多变量电力负荷预测方法，该方法将历史负荷与气象数据作为输入，输出一天96个时刻负荷值，建模学习特征内部动态变化规律，即多变量输入多输出模型。同时，针对该模型超参数选择困难的问题，提出利用人工大猩猩部队GTO算法实现该模型超参数的优化选择。

1.CNN-LSTM

        MATLAB2020b自带的深度学习框架，其中会用到convolution2dLayer，sequenceFoldingLayer，reluLayer，averagePooling2dLayer，lstmLayer，fullyConnectedLayer等。

需要的函数主要参考这里，据此我们建立CNN-LSTM模型如下：

2.人工大猩猩部队优化算法

        原理参考这里。

3.优化CNN-LSTM超参数

        从1中的网络结构图我们看到CNN-LSTM含两个卷积层，两个池化层，一个lstm层，一个全连接层，这些层的超参数是需要手动设置的，以及学习、训练次数、batchsize等，共有10来个参数，如何进行选择是不易的，因此采用优化算法进行优化选择。

        GTO优化问题是对适应度函数求极大值或极小值的问题，本文以最小化CNN-LSTM网络期望输出与实际输出之间的均方差为适应度函数，即找到一组网络超参数，使得 CNN-LSTM的误差最小。 GTO优化CNN-LSTM，分为GTO部分、CNN-LSTM部分和数据部分。其中，CNN-LSTM部分首先根据 GTO传入的参数进行解码，获得所需超参数，然后利用数据部分传入的训练集进行网络训练，最后对验证集进行预测，获得实际输出值与期望输出值的误差均方差，并将均方差作为适应度值返回给GTO部分。GTO部分根据适应度值进行优化，实现种群与全局最优解的更新。 通过该方法，最终可获得优化的网络超参数。

4.结果

        数据为2016负荷预测竞赛数据，采用2012年数据，进行滚动预测建模，多变量输入多输出。

data=xlsread('电荷数据.csv','B2:CX376');
%负荷数据--每天96个负荷值
%气象数据 最高温度℃	最低温度℃ 平均温度℃ 相对湿度(平均） 降雨量（mm）
power=data(:,1:96);
weather=data(:,97:end);
% 归一化 或者 标准化 看哪个效果好
method=@mapminmax;%  mapstd mapminmax
[x1,mappingx1]=method(power');
[x2,mappingx2]=method(weather');
data=[x1' x2'];
% 前steps天steps*101 为输入，来预测未来一天的96负荷值 为输出
steps=10;
samples=size(data,1)-steps;%样本数
for i=1:samples
    input{i,:}=data(i:i+steps-1,:);
    output(i,:)=data(i+steps,1:96);
end

4.1 CNN-LSTM

4.2 GTO优化CNN-LSTM。

        GTO找到一组网络超参数，使得 CNN-LSTM的误差最小，主要优化的超参数是：学习率，训练次数，batchsize，卷积层1的核数量、大小，池化层1的核大小，卷积层2的核数量、大小，池化层2的核大小，lstm层与全连接隐含层的节点数，共11个参数，适应度曲线为：

显示在第6次优化的时候，找到最优解，对应的11个参数分别是：

        利用该超参数进行建模，结果为：

4.3 各算法结果对比

        为了方便看，我们只画出最后两天的值，如图

 5 更多

        完整代码见评论区我的评论。后续将会推出粒子群、遗传、灰狼、浮游、阿基米德、算术优化、麻雀优化等，新旧算法都有。

        目前已有：大猩猩部队优化算法，算术优化算法，蜜獾优化算法，都是近两年新的优化算法。