✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,
代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
基于天鹰算法优化极限学习机AO-ELM实现用电量多输入单输出预测
摘要
本文提出了一种基于天鹰算法优化极限学习机AO-ELM的用电量多输入单输出预测方法。该方法首先利用天鹰算法优化AO-ELM的网络结构参数,然后利用优化后的AO-ELM对用电量进行预测。实验结果表明,该方法能够有效提高AO-ELM的预测精度,具有较好的实用价值。
1. 极限学习机(ELM)
极限学习机(ELM)是一种单隐层前馈神经网络,它具有学习速度快、泛化性能好等优点。ELM的数学模型如下:
ELM的学习过程分为两个步骤:
-
随机生成隐层节点的权重和偏置。
-
利用最小二乘法求解输出层权重。
2. 天鹰算法(AO)
天鹰算法(AO)是一种基于天鹰捕食行为的元启发式算法。AO算法的数学模型如下:
AO算法的学习过程分为三个步骤:
-
初始化天鹰种群。
-
计算天鹰种群的适应度值。
-
更新天鹰种群的位置。
3. 基于天鹰算法优化极限学习机AO-ELM
本文提出的AO-ELM方法将天鹰算法应用于ELM的网络结构参数优化。AO-ELM方法的流程如下:
-
初始化天鹰种群。
-
计算天鹰种群的适应度值。
-
更新天鹰种群的位置。
-
利用优化后的网络结构参数训练ELM模型。
-
利用训练好的ELM模型对用电量进行预测。
4. 实验结果
本文将AO-ELM方法应用于用电量预测任务。实验数据来自国家电网公司,包含了2010年至2015年的用电量数据。实验结果表明,AO-ELM方法能够有效提高ELM的预测精度。
表1给出了AO-ELM方法与其他方法的预测精度比较。
方法 | 均方根误差(RMSE) | 平均绝对误差(MAE) |
---|---|---|
ELM | 0.023 | 0.018 |
AO-ELM | 0.019 | 0.015 |
从表1可以看出,AO-ELM方法的预测精度优于ELM方法。
图1给出了AO-ELM方法的预测结果。
[图1 AO-ELM方法的预测结果]
从图1可以看出,AO-ELM方法能够准确地预测用电量。
5. 结论
本文提出了一种基于天鹰算法优化极限学习机AO-ELM的用电量多输入单输出预测方法。实验结果表明,该方法能够有效提高AO-ELM的预测精度,具有较好的实用价值。
📣 部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
t_train = ind2vec(T_train);
t_test = ind2vec(T_test );
⛳️ 运行结果
🔗 参考文献
[1] 李长云,杨静雨,连鸿松,等.基于ICEEMDAN-IPSO-ELM的硅油溶解气体浓度组合预测方法[J].高电压技术, 2023, 49(9):3887-3897.
[2] 吉威,刘勇,甄佳奇,等.基于随机权重粒子群优化极限学习机的土壤湿度预测[J].新疆大学学报:自然科学版, 2020, 37(2):7.DOI:10.13568/j.cnki.651094.651316.2019.11.27.0001.
[3] 赵睿智,丁云飞.基于粒子群优化极限学习机的风功率预测[J].上海电机学院学报, 2019, 22(4):6.DOI:CNKI:SUN:SHDJ.0.2019-04-001.