基于鲸鱼优化算法(WOA)优化CNN-BiGUR-Attention风电功率预测研究（Matlab代码实现）

最新推荐文章于 2024-09-18 19:58:05 发布

程序猿鑫

最新推荐文章于 2024-09-18 19:58:05 发布

阅读量965

点赞数 15

文章标签：算法 cnn matlab

本文链接：https://blog.csdn.net/Ke_Yan_She/article/details/141573607

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、研究背景与意义

二、算法介绍

1. 鲸鱼优化算法(WOA)

2. CNN（卷积神经网络）

3. BiGRU（双向门控循环单元）

4. Attention机制

三、模型构建与优化

1. 模型结构

2. 模型优化

四、实验结果与分析

五、结论与展望

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于鲸鱼优化算法(WOA)优化CNN-BiGRU-Attention风电功率预测的研究是一个结合了优化算法、深度学习技术和风电功率预测领域的综合课题。虽然参考文章中并未直接提及CNN-BiGRU-Attention这一具体组合，但我们可以根据CNN、LSTM（长短期记忆网络，此处可类比为BiGRU，即双向门控循环单元）以及Attention机制在风电功率预测中的应用，以及鲸鱼优化算法(WOA)的优化能力，来构建这一研究的框架。

一、研究背景与意义

风能作为一种清洁、可再生的能源，在全球能源结构中占据重要地位。然而，风电功率的随机性和波动性给电力系统的稳定运行带来了挑战。准确的风电功率预测对于提高电网的安全性、稳定性和经济性具有重要意义。因此，研究基于鲸鱼优化算法优化CNN-BiGRU-Attention模型的风电功率预测方法具有重要的理论价值和实际应用前景。

二、算法介绍

1. 鲸鱼优化算法(WOA)

鲸鱼优化算法是一种模拟鲸鱼捕食行为的群体智能优化算法，由澳大利亚格里菲斯大学的Mirjalili等于2016年提出。WOA通过模拟鲸鱼的包围猎物、螺旋攻击猎物和随机搜索猎物等行为，实现对全局最优解的搜索。该算法具有收敛速度快、全局搜索能力强、算法简单易实现等优点。

2. CNN（卷积神经网络）

CNN是一种前馈神经网络，特别适合于处理具有空间结构的数据。在风电功率预测中，CNN可以提取风速等时间序列数据的局部特征，为后续的预测提供重要信息。

3. BiGRU（双向门控循环单元）

BiGRU是RNN的一种变体，能够同时处理输入序列的正向和反向信息，从而捕捉到序列中的双向依赖关系。在风电功率预测中，BiGRU能够学习风速等时间序列数据中的长期依赖关系，提高预测的准确性。

4. Attention机制

Attention机制能够识别不同时间步长特征的权重，突出重要的特征信息。在风电功率预测中，Attention机制可以帮助模型识别影响预测结果的关键时间段，进一步提高预测的精度。

三、模型构建与优化

1. 模型结构

基于WOA优化CNN-BiGRU-Attention的风电功率预测模型主要包含以下几个部分：

输入层：输入风速等时间序列数据，并进行预处理。
CNN层：利用CNN提取时间序列数据的局部特征。
BiGRU层：利用BiGRU学习时间序列数据的双向长时依赖关系。
Attention层：利用Attention机制识别不同时间步长特征的权重。
输出层：输出预测的风电功率值。

2. 模型优化

WOA算法被用于优化CNN-BiGRU-Attention模型的参数，以提高模型的预测精度。具体步骤包括：

初始化鲸鱼群体，即随机生成一组鲸鱼的位置和速度作为算法的初始状态。
根据评价函数（如预测误差）计算鲸鱼群体的适应度值。
通过WOA的搜索、包围和捕食行为来更新候选解，即模型参数。
重复上述步骤，直到满足停止条件（如达到最大迭代次数或预测误差小于预设阈值）。

四、实验结果与分析

虽然无法直接给出具体的实验结果，但基于WOA优化CNN-BiGRU-Attention模型的风电功率预测方法通常会在预测精度、稳定性等方面表现出优于传统方法的性能。这主要得益于WOA的全局搜索能力和CNN-BiGRU-Attention模型的深度学习特性。

五、结论与展望

综上所述，基于鲸鱼优化算法优化CNN-BiGRU-Attention模型的风电功率预测方法是一种有效且具有潜力的预测方法。未来研究可以进一步探索模型的泛化能力和鲁棒性，以及将该模型应用于其他可再生能源预测领域的可能性。同时，也可以考虑将其他优化算法与深度学习模型相结合，以进一步提高预测精度和效率。

📚2 运行结果

部分代码：

% 指标计算
disp('…………训练集误差指标…………')
[mae1,rmse1,mape1,error1]=calc_error(T_train1,T_sim1);
fprintf('\n')

figure('Position',[200,300,600,200])
plot(T_train1);
hold on
plot(T_sim1)
legend('真实值','预测值')
title('CNN-BiGRU-ATTENTION训练集预测效果对比')
xlabel('样本点')
ylabel('发电功率')

disp('…………测试集误差指标…………')
[mae2,rmse2,mape2,error2]=calc_error(T_test2,T_sim2);
fprintf('\n')

figure('Position',[200,300,600,200])
plot(T_test2);
hold on
plot(T_sim2)
legend('真实值','预测值')
title('CNN-BiGRU-ATTENTION预测集预测效果对比')
xlabel('样本点')
ylabel('发电功率')

figure('Position',[200,300,600,200])
plot(T_sim2-T_test2)
title('CNN-BiGRU-ATTENTION误差曲线图')
xlabel('样本点')
ylabel('发电功率')

%% 优化CNN-BiGRU-Attention

disp(' ')
disp('优化CNN_BiLSTM_attention神经网络：')

%% 初始化参数
popsize=10; %初始种群规模
maxgen=8; %最大进化代数
fobj = @(x)objectiveFunction(x,numFeatures,outdim,vp_train,vt_train,vp_test,T_test,ps_output);
% 优化参数设置
lb = [0.001 10 2 2]; %参数的下限。分别是学习率，biGRU的神经元个数，注意力机制的键值, 卷积核大小
ub = [0.01 50 50 10]; %参数的上限
dim = length(lb);%数量

% 可选：'DBO','GWO','OOA','PSO','SABO','SCSO','SSA','BWO','RIME','WOA','HHO','NGO';

[Best_score,Best_pos,curve]=NGO(popsize,maxgen,lb,ub,dim,fobj); %修改这里的函数名字即可
setdemorandstream(pi);

%% 绘制进化曲线
figure
plot(curve,'r-','linewidth',2)
xlabel('进化代数')
ylabel('均方误差')
legend('最佳适应度')
title('进化曲线')

%% 把最佳参数Best_pos回带
[~,optimize_T_sim] = objectiveFunction(Best_pos,numFeatures,outdim,vp_train,vt_train,vp_test,T_test,ps_output);
setdemorandstream(pi);

%% 比较算法预测值
str={'真实值','CNN-BiGRU-Attention','优化后CNN-BiGRU-Attention'};
figure('Units', 'pixels', ...
'Position', [300 300 860 370]);
plot(T_test,'-','Color',[0.8500 0.3250 0.0980])
hold on
plot(T_sim2,'-.','Color',[0.4940 0.1840 0.5560])
hold on
plot(optimize_T_sim,'-','Color',[0.4660 0.6740 0.1880])
legend(str)
set (gca,"FontSize",12,'LineWidth',1.2)
box off
legend Box off

%% 比较算法误差
test_y = T_test;
Test_all = [];

y_test_predict = T_sim2;
[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y);
Test_all=[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];

y_test_predict = optimize_T_sim;
[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y);
Test_all=[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];

str={'真实值','CNN-BiGRU-Attention','优化后CNN-BiGRU-Attention'};
str1=str(2:end);
str2={'MAE','MAPE','MSE','RMSE','R2'};
data_out=array2table(Test_all);
data_out.Properties.VariableNames=str2;
data_out.Properties.RowNames=str1;
disp(data_out)

%% 柱状图 MAE MAPE RMSE 柱状图适合量纲差别不大的
color= [0.66669 0.1206 0.108
0.1339 0.7882 0.8588
0.1525 0.6645 0.1290
0.8549 0.9373 0.8275
0.1551 0.2176 0.8627
0.7843 0.1412 0.1373
0.2000 0.9213 0.8176
0.5569 0.8118 0.7882
1.0000 0.5333 0.5176];
figure('Units', 'pixels', ...
'Position', [300 300 660 375]);
plot_data_t=Test_all(:,[1,2,4])';
b=bar(plot_data_t,0.8);
hold on

for i = 1 : size(plot_data_t,2)
x_data(:, i) = b(i).XEndPoints';
end

for i =1:size(plot_data_t,2)
b(i).FaceColor = color(i,:);
b(i).EdgeColor=[0.3353 0.3314 0.6431];
b(i).LineWidth=1.2;
end

for i = 1 : size(plot_data_t,1)-1
xilnk=(x_data(i, end)+ x_data(i+1, 1))/2;
b1=xline(xilnk,'--','LineWidth',1.2);
hold on
end

ax=gca;
legend(b,str1,'Location','best')
ax.XTickLabels ={'MAE', 'MAPE', 'RMSE'};
set(gca,"FontSize",10,"LineWidth",1)
box off
legend box off