load?P;
load?T;
threshold=[0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1;0?1];?%設(shè)置輸入向量閾值，輸入向量15維數(shù)據(jù)的取值均在[0?1]之間
net=newff（PT[31?12]{‘tansig‘‘logsig‘}‘trainlm‘）;?%建立BP網(wǎng)絡(luò)，輸入層神經(jīng)元有15個，根據(jù)Kolmogorov定理，網(wǎng)絡(luò)中間層神經(jīng)元可以取31個。輸出層神經(jīng)元12個。網(wǎng)絡(luò)中間層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tansig（），輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig（）。這是因為網(wǎng)絡(luò)的輸出位于區(qū)間[01]中，正好滿足網(wǎng)絡(luò)輸出的要求。trainlm?表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm（），它采用Levenberg-Marquardt算法進行網(wǎng)絡(luò)學(xué)習(xí)
net.trainParam.epochs=1000;?%訓(xùn)練次數(shù)為1000
net.trainParam.goal=0.01;?%訓(xùn)練目標(biāo)為0.01
LP.lr=0.1;?%學(xué)習(xí)速率為0.1
net=train（netPT）;?%訓(xùn)練網(wǎng)絡(luò)，P為輸入向量，T為目標(biāo)向量
%?P_test=[0.2123?0.1257?0.1343?0.2079?0.5579?0.5716?0.7059?0.7145?0.7205?0.7401?0.8019?0.8136?0.2317?0.2936?0]‘;?%利用2004-7-20的電力負(fù)荷和21日的氣象特征數(shù)據(jù)預(yù)測21日用電負(fù)荷
Out=sim（netP）?%?輸出仿真結(jié)果

%繪制預(yù)測誤差曲線

plot（1:12T-Out）

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

?????文件????????960??2012-03-23?13:14??BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測\main.asv

?????文件????????958??2012-03-23?13:15??BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測\main.m

?????文件???????1137??2012-03-23?10:23??BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測\P.mat

?????文件???????1152??2012-03-23?13:10??BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測\T.mat

?????文件??????11748??2012-03-23?10:17??BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測\X.xlsx

?????目錄??????????0??2012-03-23?13:14??BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測

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

????????????????15955????????????????????6