【LSTM预测】基于粒子群算法优化LSTM实现台风风电功率多输入单输出预测附matlab代码

​✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

一种粒子群算法优化LSTM神经网络的行程时间预测方法,包括如下步骤:步骤S1:采集风电功率数据,进行数据归一化,按比例划分为训练集和测试集;步骤S2:采用粒子群算法优化LSTM神经网络预测模型的各个参数;步骤S3:输入粒子群算法优化好的参数,训练集,进行LSTM神经网络预测模型的迭代优化;步骤S4:利用已训练好的LSTM神经网络模型对测试集进行预测,并评估模型误差.本发明的方法寻优速度快,本发明方法对数据预测均方误差和均方根误差最小,模型减少了计算量,表现出更好的预测性能.

⛄ 部分代码

clc

clear all

close all

ParticleScope=[0.1,150;

               0.1,10];

ParticleSize=2;

SwarmSize=20;

LoopCount=12;

opt=zeros(LoopCount,3);

MeanAdapt=zeros(1,LoopCount);

OnLine=zeros(1,LoopCount);

OffLine=zeros(1,LoopCount);

%控制显示2维以下粒子维数的寻找最优的过程

% DrawObjGraphic(ParticleSize,ParticleScope,AdaptFunc(XX,YY));

[ParSwarm,OptSwarm]=InitSwarm(SwarmSize,ParticleSize,ParticleScope);

%开始更新算法的调用

for k=1:LoopCount

%显示迭代的次数：

disp('----------------------------------------------------------')

TempStr=sprintf('第 %g次迭代',k);

disp(TempStr);

disp('----------------------------------------------------------')

%调用一步迭代的算法

[ParSwarm,OptSwarm]=BaseStepPso(ParSwarm,OptSwarm,ParticleScope,0.9,0.4,LoopCount,k);

% if 2==ParticleSize

 % for ParSwarmRow=1:SwarmSize

 %   stem3(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,2),ParSwarm(ParSwarmRow,5),'r.','markersize',8);

 % end

 %end

t=OptSwarm(SwarmSize+1,1);

u=OptSwarm(SwarmSize+1,2);

YResult=AdaptFunc(t,u);

str=sprintf('%g步迭代的最优目标函数值%g',k,YResult);

disp(str);

%记录每一步的平均适应度

MeanAdapt(1,k)=mean(ParSwarm(:,2*ParticleSize+1));

end

%for循环结束标志

%记录最小与最大的平均适应度

MinMaxMeanAdapt=[min(MeanAdapt),max(MeanAdapt)];

%计算离线与在线性能

for k=1:LoopCount

 OnLine(1,k)=sum(MeanAdapt(1,1:k))/k;

 OffLine(1,k)=max(MeanAdapt(1,1:k));

end

for k=1:LoopCount

   OffLine(1,k)=sum(OffLine(1,1:k))/k;

end

%绘制离线性能与在线性能曲线

figure

hold on

title('离线性能曲线图');

xlabel('迭代次数');

ylabel('离线性能');

grid on

plot(OffLine);

figure

hold on

title('在线性能曲线图')

xlabel('迭代次数');

ylabel('在线性能');

grid on

plot(OnLine);

%记录本次迭代得到的最优结果

aa=OptSwarm(SwarmSize+1,1);

bb=OptSwarm(SwarmSize+1,2);

cc=AdaptFunc1(aa,bb);

Result=[aa,bb,cc];

disp(Result);

⛄ 运行结果

⛄ 参考文献

[1] 章佳辉. 基于LSTM风电预测的多能虚拟电厂双目标粒子群优化调度[D]. 同济大学.

[2] 胡浩文, 夏鑫, 王晓露,等. 一种基于改进GOA优化LSTM的超短期风电功率预测方法与系统:, CN114330815A[P]. 2022.

[3] 温惠英, 张东冉. 粒子群算法优化LSTM神经网络的行程时间预测方法:, CN108986470A[P]. 2018.

[4] 温惠英, 张东冉. 粒子群算法优化LSTM神经网络的行程时间预测方法:, CN108986470A[P].

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料