【ELM回归预测】基于变模态结合麻雀算法优化核极限学习机（VMD-SSA-KELM）实现风电数据预测附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

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

风电数据存在复杂的非线性特征,传统的预测模型精度不足以满足现行的预测要求.为此本文提出了基于变分模态分解的麻雀优化-核极限学习机的预测模型,并对风电数据进行预测.首先,采用VMD程序把边坡位移序列分解为一系列有限带宽的子序列;其次,对各子序列分别采用相空间重构,并利用核极限学习机进行预测,采用鸟群算法优化相空间重构的嵌入维度、KELM中惩罚系数和核参数三个数值,以取得最优预测模型;最后,将各个子序列预测值叠加,得到边坡位移的最终预测值.结果表明,与KELM模型相比,基于VMD模型的SSA-KELM模型预测精度更高,为风电数据的预测提供一种更有效的方法.

⛄ 部分代码

function [Convergence_curve,bestX]=SSA(N, dim, ub, lb,M,hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test)

P_percent = 0.2;    % 发现者的种群规模占总种群规模的百分比

pNum = round(N*P_percent);    % 发现者数量20%

SD = pNum/2;      % 警戒者数量10%

ST = 0.8;           % 安全阈值

% 初始化

 X = initialization(N, dim, ub, lb);

for i = 1:N

%     X(i, :) = lb + (ub - lb) .* rand(1, dim);

    fitness1(i) = fitness(X(i, :),hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test);

end

pFit = fitness1;

pX = X;                            % 与pFit相对应的个体最佳位置

[fMin, bestI] = min(fitness1);      % fMin表示全局最优解

bestX = X(bestI, :);             % bestX表示全局最优位置

%% 开始进化

Convergence_curve = ones(M,1);  % 初始化每次迭代得到的最佳的适应度

%% 迭代寻优

for t = 1 : M       

    [~, sortIndex] = sort(pFit);            % 排序    

    [fmax, B] = max(pFit);

    worst = X(B, :);    

    %% 发现者位置更新

    r2 = rand(1);

    if r2 < ST

        for i = 1:pNum      % Equation (3)

            r1 = rand(1);

            X(sortIndex(i), :) = pX(sortIndex(i), :)*exp(-(i)/(r1*M));

            X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

            fitness1(sortIndex(i)) = fitness(X(sortIndex(i), :),hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test);

        end

    else

        for i = 1:pNum

            X(sortIndex(i), :) = pX(sortIndex(i), :)+randn(1)*ones(1, dim);

            X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

            fitness1(sortIndex(i)) = fitness(X(sortIndex(i), :),hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test);

        end

    end

    

    [~, bestII] = min(fitness1);

    bestXX = X(bestII, :);

    

    %% 跟随者位置更新

    for i = (pNum+1):N                     % Equation (4)

        A = floor(rand(1, dim)*2)*2-1;

        if i > N/2

            X(sortIndex(i), :) = randn(1)*exp((worst-pX(sortIndex(i), :))/(i)^2);

        else

            X(sortIndex(i), :) = bestXX+(abs((pX(sortIndex(i), :)-bestXX)))*(A'*(A*A')^(-1))*ones(1, dim);

        end

        X(sortIndex(i), :) = Bounds(X(sortIndex(i), :), lb, ub);

        fitness1(sortIndex(i)) = fitness(X(sortIndex(i), :),hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test);

    end

    

    %% 警戒者位置更新

    c = randperm(numel(sortIndex));

    b = sortIndex(c(1:SD));

    for j = 1:length(b)      % Equation (5)

        if pFit(sortIndex(b(j))) > fMin

            X(sortIndex(b(j)), :) = bestX+(randn(1, dim)).*(abs((pX(sortIndex(b(j)), :) -bestX)));

        else

            X(sortIndex(b(j)), :) = pX(sortIndex(b(j)), :)+(2*rand(1)-1)*(abs(pX(sortIndex(b(j)), :)-worst))/(pFit(sortIndex(b(j)))-fmax+1e-50);

        end

        X(sortIndex(b(j)), :) = Bounds(X(sortIndex(b(j)), :), lb, ub);

        fitness1(sortIndex(b(j))) = fitness(X(sortIndex(b(j)), :),hiddennum_best, inputn, outputn, output_train, inputn_test ,outputps, output_test);

    end

    

    for i = 1:N

        % 更新个体最优

        if fitness1(i) < pFit(i) 

            pFit(i) = fitness1(i);

            pX(i, :) = X(i, :);

        end

        % 更新全局最优

        if pFit(i) < fMin

            fMin = pFit(i);

            bestX = pX(i, :);

        end

    end

    Convergence_curve(t) = fMin;

    

    disp(['SSA: At iteration ', num2str(t), ' ,the best fitness is ', num2str(fMin)]);

end

⛄ 运行结果

⛄ 参考文献

[1]郑小霞, 蒋海生, 刘静,等. 基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断[J]. 轴承, 2021(9):6.

⛄ 完整代码

❤️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