本代码基于。

本文将粒子群算法（PSO）与径向基神经网络（RBF）相结合，使用PSO优化RBF神经网络的主要参数中心值c, 宽度σ以及连接权值w。然后将影响输出响应值的多个特征因素作为PSO-RBF神经网络模型的输入神经元, 输出响应值作为输出神经元进行预测测试。并使用BP神经网络，RBF神经网络对同一任务进行对比，结果表示PSO-RBF的准确度最好。

由于电力负荷具有很强的时间相关性，仅通过上一时刻的负荷预测下一时刻的负荷并不能有效的反应复杂的时间关系，同时也没有充分的利用历史负荷数据的全部信息。所以本文通过滑动时间窗技术将多个历史时间内的负荷情况组合起来，预测下一时刻的负荷情况，并不断向前移动，以完成全天内的负荷预测。本文使用LSTM和Bi-LSTM，以电力负荷预测为例对比了两者的预测性能，其中将电力负荷构造为滑动时间窗的形式作为网络输出输入

本代码基于Matlab平台，实现了基于BP神经网络和Adaboost算法相结合的数据回归预测方法。首先，利用BP神经网络对数据进行特征提取和模式识别，以建立初步的回归模型。然后，通过Adaboost算法对BP神经网络进行集成学习，以进一步提高模型的预测性能和稳定性。相较于传统的单一BP神经网络模型，Adaboost通过集成多个弱分类器，每个分类器都针对之前分类错误的样本进行加权调整，从而减小了分类

电动汽车大规模入网充电时会导致系统内负载峰值拔高的问题，和分布式电源一样，都会对电网的安全稳定运行造成冲击，需要在满足系统运行经济效益最优的同时，尽量降低大量电动汽车入网无序充电对系统造成的不良影响。本文通过蒙特卡洛仿真技术，生成大规模电动车无序充电功率曲线，分析大规模电动车接入对电网造成的影响。

为分离负荷数据中的信号和噪声，提高预测模型的精度，本文首先采用变分模态分解技术 将历史负荷数据分解成若干个本征模态分量，使其频率带宽之和最小化。然后利用深度学习神经 网络 LSTM 分别对分解出的模态分量建模，LSTM 神经网络由于具有记忆单元，相比于传统的循环神经网络( Ｒecurrent Neural Networks，ＲNN) 可以提取出更长的时间尺度上数据之间的关联性，解决了ＲNN 所存在

遗传算法(GeneticAlgorithm，GA)的理论是根据达尔文进化论而设计出来的算法，大体意思是生物是朝着好的方向进化的，在进化的过程中会自动选择优良基因淘汰劣等基因。但是需要说明的是这种随机化操作选择操作方法和传统的随机搜索方法是不同的，GA进行的是高效有向的搜索而一般的随机搜索每次操作都是无向的随机搜索。构建GA-BP结构，对BP网络中的参数进寻优优化，到达最大的循环次数后，输出最终的优

多元宇宙优化算法（Multi-verse Optimization, MVO）是由S Mirjalili于2015年提出的，它源于宇宙有一个膨胀率，利用白洞具有较高的膨胀率，黑洞具有较低的膨胀率，宇宙中的粒子通过虫洞从白洞向黑洞位置转移的原理进行搜索的模拟。不管宇宙中物质的膨胀率大小，宇宙里所有的物质都会通过虫洞随机移动，到达最佳宇宙的位置。其中，在整个宇宙中的迭代次数，可以确保改善平均膨胀率。在

本代码使用单层感知机和多层感知机运行同样的数据回归拟合任务，并对比了两者的性能，从结果中可以看出，多层感知机的效果明显好于单层感知机。其相邻神经元节点全连接，同层的神经元节点无连接。单层感知机是二分类的线性分类模型，输入是被感知数据集的特征向量，输出时数据集的类别{+1,-1}。该函数称为单层感知机，其中w是网络的N维权重向量，b是网络的N维偏置向量, w.x是w和x的内积，w和b的N维向量取值要

本文使用CNN-LSTM混合神经网络对时间序列数据进行回归预测。本模型的输入数据个数可以自行选择，可以为多输入、也可以为单输入，使用Matlab自带的数据集进行训练，可以轻松的更换数据集以实现自己的功能。首先使用CNN网络对输入数据进行深度特征提取，然后将提取到的抽象特征进行压缩，将压缩后的数据输入后续的LSTM网络进行回归预测。相比一般的单层网络结构，本文所提出的CNN-LSTM包含了三层CNN