✅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
光伏发电作为一种清洁可再生能源,具有广阔的应用前景。然而,光伏发电具有间歇性和波动性,准确预测光伏发电功率对于电网稳定运行至关重要。本文提出了一种基于秃鹰搜索算法改进的深度学习极限学习机(BES-DELM)模型,用于光伏数据回归预测。BES-DELM 模型将秃鹰搜索算法应用于 DELM 模型的超参数优化,提高了模型的预测精度和鲁棒性。实验证明,BES-DELM 模型在光伏数据回归预测任务上取得了优异的性能,为光伏发电预测提供了新的思路。
引言
光伏发电是一种利用太阳能发电的清洁可再生能源。随着光伏产业的快速发展,光伏发电在全球能源结构中的占比不断提高。然而,光伏发电具有间歇性和波动性,这给电网稳定运行带来了挑战。准确预测光伏发电功率对于电网调度、储能系统优化以及可再生能源消纳等方面具有重要意义。
近年来,机器学习技术在光伏发电预测领域得到了广泛应用。极限学习机(ELM)是一种单隐层前馈神经网络,具有学习速度快、泛化能力强等优点。然而,传统的 ELM 模型超参数的设置依赖于经验或网格搜索,这可能会导致模型性能不佳。
为了提高 ELM 模型的预测精度和鲁棒性,本文提出了一种基于秃鹰搜索算法改进的 ELM 模型(BES-DELM)。秃鹰搜索算法是一种基于秃鹰觅食行为的元启发式算法,具有较强的全局搜索能力和收敛速度。通过将秃鹰搜索算法应用于 ELM 模型的超参数优化,可以有效地提高模型的性能。
方法
秃鹰搜索算法
秃鹰搜索算法是一种基于秃鹰觅食行为的元启发式算法。秃鹰在觅食时,会利用其敏锐的视力搜索猎物。当发现猎物后,秃鹰会盘旋在猎物上方,并逐渐降低高度,直到捕捉到猎物。秃鹰搜索算法模拟了秃鹰的觅食行为,通过不断更新秃鹰的位置来搜索最优解。
秃鹰搜索算法的具体步骤如下:
-
初始化秃鹰种群。
-
计算每个秃鹰的适应度值。
-
根据适应度值更新秃鹰的位置。
-
判断是否满足终止条件。
-
输出最优解。
极限学习机
极限学习机(ELM)是一种单隐层前馈神经网络。与传统的 BP 神经网络相比,ELM 模型具有学习速度快、泛化能力强等优点。ELM 模型的数学表达式为:
f(x) = h(x)β
其中,x 为输入数据,h(x) 为隐层节点的输出,β 为输出权重。
ELM 模型的超参数包括隐层节点数、激活函数和正则化参数。这些超参数的设置对模型的性能有很大的影响。
BES-DELM 模型
BES-DELM 模型将秃鹰搜索算法应用于 ELM 模型的超参数优化。秃鹰搜索算法负责搜索最优的超参数组合,而 ELM 模型负责回归预测任务。BES-DELM 模型的流程图如图 1 所示。
评价指标
本文使用以下评价指标来评估模型的预测性能:
-
均方根误差(RMSE)
-
平均绝对误差(MAE)
-
最大绝对误差(MAE)
-
决定系数(R2)
结论
本文提出了一种基于秃鹰搜索算法改进的深度学习极限学习机(BES-DELM)模型,用于光伏数据回归预测。BES-DELM 模型将秃鹰搜索算法应用于 ELM 模型的超参数优化,提高了模型的预测精度和鲁棒性。实验证明,BES-DELM 模型在光伏数据回归预测任务上取得了优异的性能,为光伏发电预测提供了新的思路。
📣 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);
⛳️ 运行结果
🔗 参考文献
[1]刘磊,杨鹏,刘作军,等.基于盲辨识模型和极限学习机的下肢假肢路况识别[J].振动与冲击, 2019, 38(23):178-185.
🎈 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
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类