金豺GJO优化CNN-LSTM用于多变量负荷预测（Matlab）
1.所有程序经过验证，保证有效运行
2.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
3.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
GJO优化CNN-LSTM部分、CNN-LSTM部分首先根据 GJO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GJO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
GJO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.
5.运行环境Matlab2020b及以上
YID:9226767891941634
matlab
