MATLAB实现基于WHO-DESN 短期风力发电回归预测（matlab完整源码+数据）

十七算法实验室

已于 2024-09-23 19:31:31 修改

阅读量874

点赞数 8

文章标签：回归数据挖掘人工智能支持向量机随机森林启发式算法散列表

于 2024-07-17 21:27:25 首次发布

本文链接：https://blog.csdn.net/w971656545/article/details/140505889

版权

目录
1.内容介绍
2.部分代码
3.实验结果
4.内容获取

1.内容介绍

野马优化算法（Wild Horse Optimizer, WHO）是一种基于群智能的优化算法，灵感来源于野马群体的迁徙与捕食行为。该算法通过模拟野马在自然环境中的群体协作，利用个体间的相互作用来实现对复杂优化问题的有效求解。在WHO中，每个野马代表一个潜在的解决方案，通过探索、开发和竞争三个主要过程来逐步逼近全局最优解。探索阶段旨在广泛搜索解空间，开发阶段则专注于已有优质解附近的精细搜索，而竞争机制确保了种群多样性的维持。

将WHO应用于深度回声状态网络（Deep Echo State Network, DeepESN）的超参数优化，能够显著提升模型的学习效率与泛化能力。DeepESN作为一种先进的递归神经网络结构，擅长处理具有长时依赖性的序列数据。通过WHO优化DeepESN的关键超参数，例如储备池的规模、连接密度、输入权重的范围等，可以自动发现最优或接近最优的配置方案，进而增强模型对特定任务的适应性，改善其预测性能。这种方法不仅简化了人工调参的过程，还为深度学习模型的自动化优化提供了一条新的途径。

代码说明：

利用WHO 对DESN储层结构进行超参数寻优，得到最优超参数组合并建立WHO-DESN模型。并采用预测区间覆盖率（PICP）和预测区间平均宽度（PINAW）作为区间预测误差评价指标，分别在置信度为90%和 85%的条件下使该模型与DESN模型、和WHO-DESN模型进行对比分析。

2.部分代码

%% 数据归一化
method=@mapminmax;% 最大最小化方法
% 训练集输入归一化
[train_xn,inputps]=method(train_x);
% 训练集输出归一化
[train_yn,outputps]=method(train_y);
% 测试集输入归一化
test_xn=method('apply',test_x,inputps);
% 测试集输出归一化
test_yn=method('apply',test_y,outputps);
%% 转置
% 训练集
% train_xn=train_xn';
% train_yn=train_yn';
% 测试集
% test_xn=test_xn';
% test_yn=test_yn';
%% desn参数设定
alpha = 1;
nLayers = 2;
nInputDim = size(train_xn,1);
nOutputDim = size(train_yn,1);
scalefactor=[1,0.80*ones(1,nLayers)];
delayorder = 5*ones(nLayers,1);
% desn主要参数
nReservoirDim = 10*ones(1,nLayers);
nSpectraRadius = [0.2,0.75*ones(1,nLayers)];
nSparseDegree = 0.2*ones(1,nLayers);
SD_p = 0.4;
%% 样本设置
nSamNum=Ls;
nNeglectSampleNum=100;
% 普通desn
t1=clock;
disp('building the network......');
tic
StackedESN= BuildStackedESN(nLayers,nInputDim,nOutputDim,...
nReservoirDim,nSpectraRadius,nSparseDegree,SD_p,nSamNum);
disp('done......');
toc
disp('training network......');
tic
StackedESN=TrainStackedESN(train_xn',train_yn',StackedESN,nLayers,...
nNeglectSampleNum,delayorder,scalefactor,alpha);
disp('done......');
toc
disp('testing network......');
tic
[StackedESN,PredictedOutput] = TestStackedESN(test_xn',StackedESN,...
nLayers,1,delayorder,scalefactor,alpha,nSamNum);
disp('done......');
toc
PredictedOutput=PredictedOutput(1:end);
test_yn1=method('reverse',PredictedOutput,outputps);
test_sim=test_yn1';
t2=clock;
tt=etime(t2,t1);
% figure
% plot(1:length(test_y),test_y,'b-o','linewidth',1)
% hold on
% plot(1:length(test_sim),test_sim,'r-s','linewidth',1)
% xlabel('时间(15min)')
% ylabel('实际功率(MW)')
% axis tight
% legend('实际值','DESN预测值')