0、前言
本文测试VMD结合ISSA优化LSSVM的功率预测方法:①VMD实现多尺度分解,以获取细节信息;②采用改进的SSA算法(ISSA算法)用于优化LSSVM的参数,实现功率预测。
ISSA简介:文章《改进的麻雀搜索优化算法及其应用》针对麻雀搜索算法(SSA)在求解目标函数最优解时,种群多样性不丰富,易陷于局部最优和多维函数求解精度差等问题,提出改进的麻雀搜索算法(ISSA)。首先,利用反向学习策略初始化种群,增加种群多样性;然后,对步长因子进行动态调整,提高算法的求解精度;最后,对侦查预警的麻雀位置更新公式引入 Levy 飞行,提高算法寻优能力和跳出局部极值的能力。
本文复现了该论文所提的改进麻雀搜索算法(ISSA),并将其应用于LSSVM参数优化。
1、实现过程
1.1 VMD分解
图1左边是原始数据(时序功率数据),右边是VMD分解示意图
1.2 LSSVM预测结果
采用上图所示方式构建样本数据(每个样本长度24),基于前24个时刻数据 预测下一个时刻。单独应用LSSVM预测结果如下:
1.3 VMD+LSSVM 预测结果
采用VMD分解样本数据(每个样本长度24),分解IMF个数为4,对每个分量单独建立LSSVM预测模型,最后将四个分量模型的预测结果叠加形成最后的预测结果。
1.3 SSA优化LSSVM预测结果
采用SSA算法优化LSSVM的参数:gam与sig2,适应度曲线如下图左边,最终预测结果见下图右边
1.4 ISSA优化LSSVM预测结果
首先将ISSA与SSA、GA、PSO等优化算法进行对比,在F1与F3上面的寻优效果如下图1、图2所示
采用ISSA算法优化LSSVM的参数:gam与sig2,适应度曲线如下图左边,最终预测结果见下图右边
1.5 VMD+SSA+LSSVM效果
采用VMD分解样本数据(每个样本长度24),分解IMF个数为4,对每个分量单独建立SSA+LSSVM的预测模型,最后将四个分量模型的预测结果叠加形成最后的预测结果。
1.6 VMD+ISSA+LSSVM
采用VMD分解样本数据(每个样本长度24),分解IMF个数为4,对每个分量单独建立ISSA+LSSVM的预测模型,最后将四个分量模型的预测结果叠加形成最后的预测结果。
2 方法对比
上述方法的对比结果如下图:
1-结果分析-lssvm
根均方差(RMSE):0.00070325
平均绝对误差(MAE):0.00067433
平均相对百分误差(MAPE):0.00067433%
2-结果分析-vmd-lssvm
根均方差(RMSE):0.00037607
平均绝对误差(MAE):0.00026844
平均相对百分误差(MAPE):0.00026845%
3-结果分析-ssa-lssvm
根均方差(RMSE):0.00027739
平均绝对误差(MAE):0.00025854
平均相对百分误差(MAPE):0.00025854%
4-结果分析-issa-lssvm
根均方差(RMSE):0.00025952
平均绝对误差(MAE):0.00023569
平均相对百分误差(MAPE):0.0002357%
5-结果分析-vmd-ssa-lssvm
根均方差(RMSE):0.00025872
平均绝对误差(MAE):0.00021867
平均相对百分误差(MAPE):0.00021867%
6-结果分析-vmd-issa-lssvm
根均方差(RMSE):0.0002578
平均绝对误差(MAE):0.00021783
平均相对百分误差(MAPE):0.00021784%
说明:此结果为运行一次的结果,模型每次运行后结果均会改变。