白鲸优化算法BWO的VMD"/>
基于白鲸优化算法BWO的VMD
目录
1 主要内容
白鲸优化算法BWO
变分模态分解VMD
核极限学习机KELM
2 部分代码
3 程序结果
4 下载链接
1 主要内容
该程序采用白鲸优化算法+变分模态分解+核极限学习机三种方法组合对短期光伏功率进行预测,当然,该方法同样适用于风电、负荷等方面的预测,通过采用原始数据进行训练和测试,验证了方法的有效性,同时,该程序包内还包括变分模态分解+核极限学习机(vmd+kelm)以及核极限学习机(kelm)预测对比程序,方便对比学习,程序包括必要注释,通用性强!
-
白鲸优化算法BWO
白鲸优化(BWO)算法一种基于群体的元启发式算法,用于解决优化问题。BWO的灵感来自白鲸的行为,包括三个阶段:探索阶段,开发阶段和鲸鱼坠落阶段。
-
变分模态分解VMD
核极限学习机KELM
KELM 是在传统 ELM 的基础上延展而来,用核映射代替随机映射,进而将高复杂低维的空间问题转化为高维空间内积运算问题,相较于 ELM 具有更强的网络输出稳定性和泛化能力。
在KELM算法中,核参数g 和正则化系数C 是影响KELM预测性能的重要因素。在 KELM 训练学习过程中,核参数 g 具有调节经验风险比例和置信区间的作用,而正则化系数C 用于控制训练误差所占比例的范围,若核参数和正则化系数选择不当,则会使 KELM 的泛化能力大大减弱,从而导致网络输出不稳定,因此对 KELM的核参数和正则化系数进行优化十分必要。因此,这两个参数需要采用智能算法进行参数优化。
2 部分代码
%% 优化(调用函数) [Best_pos,Best_score,Convergence_curve]=BWO(pop,Max_iteration,lb,ub,dim,fun);x=Best_pos ; %最优个体 C = x(1); %正则化系数 Kernel_type = 'RBF'; %核函数名 Kernel_para = x(2); %核函数参数矩阵%% xunlian=[]; cesi=[]; for mode=1:Kshuchu1 = uoutput(mode,:)';input_train =shuru(nn(1:geshu),:);input_train=input_train';output_train=shuchu1(nn(1:geshu),:);output_train=output_train';input_test =shuru(nn((geshu+1):end),:);input_test=input_test';output_test=shuchu1(nn((geshu+1):end),:);output_test=output_test';%%%样本输入输出数据归一化[aa,bb]=mapminmax([input_train input_test]);[cc,dd]=mapminmax([output_train output_test]);inputn=mapminmax('apply',input_train,bb);outputn=mapminmax('apply',output_train,dd);x_test=mapminmax('apply',input_test,bb);y_test=mapminmax('apply',output_test,dd);train_x=inputn;train_y=outputn;test_x=x_test;test_y=y_test ;[predict_trainy, predict_testy] = KELM(train_x,train_y,test_x,test_y, C, Kernel_type, Kernel_para);% 测试集test_s1=mapminmax('reverse',predict_testy,dd);%反归一化% 训练集train_s1=mapminmax('reverse',predict_trainy,dd);%反归一化xunlian=[xunlian;train_s1];cesi=[cesi;test_s1;]; end
3 程序结果
4 下载链接
基于白鲸优化算法BWO的VMD-KELM光伏发电功率预测
更多推荐
基于白鲸优化算法BWO的VMD
发布评论