【负荷预测】基于改进灰狼算法（IGWO）优化的LSSVM进行负荷预测（Matlab代码实现）

最新推荐文章于 2024-03-13 10:46:01 发布
最新推荐文章于 2024-03-13 10:46:01 发布
阅读量730 收藏 2
点赞数 2
文章标签： matlab 算法 ELM 负荷预测 改进灰太狼
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46039719/article/details/127836150
版权

 📝个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

准确的电力负荷预测对电网稳定运行有着重要作用。电力负荷大小受多种关键信息影响:温度湿度、风速、日期类型、地区GDP等。然而，通常情况下难以获得所有关键信息的准确数据。因此
,若能在关键信息缺失情况下实施较为准确的电力负荷预测，则可以省去收集和处理多种数据的繁琐过程，简化电力负荷预测步骤。
现有短期电力负荷预测的研究主要分为多元时间序列分析和单一时间序列分析。多元时间序列分析考虑天气等多种关键信息数据。

本文基于改进灰狼算法（IGWO）优化的LSSVM进行负荷预测，并用matlab代码实现。

📚2 运行结果

 部分代码：

namafile = {'Hasil Simulasi IGWO 1';
    'Hasil Simulasi IGWO 2';
    'Hasil Simulasi IGWO 3';
    'Hasil Simulasi IGWO 4';
    'Hasil Simulasi IGWO 5';
    'Hasil Simulasi IGWO 6';
    'Hasil Simulasi IGWO 7';
    'Hasil Simulasi IGWO 8';
    'Hasil Simulasi IGWO 9';
    'Hasil Simulasi IGWO 10';
    'Hasil Simulasi IGWO 11';
};
% hasilsimulasi = zeros(4,30);
hasilsimulasi = zeros(8,30);
for jj = 1:25
    %% I-GWO
    starting = matriksawalhari(jj);
    hasilsimulasi = zeros(8,30);
    for k = 1:30 %% ambil data 30 kali
        %% susun data yang diregress
        barisdata = [];
        %         harilibur = [];
        % weekend = [];
        awalhari = starting;
        panjangdata = 5*7; %%5 minggu -> 4 minggu data forecast + 1 minggu input
        akhirhari = panjangdata+awalhari-1;
        for i = awalhari:akhirhari %%1:35
            barisdata = [barisdata,matriksdata(i,:)];
            %     weekend = [weekend,ones(1,24)*liburdata(i,1)];
            %             harilibur = [harilibur,ones(1,24)*liburdata(i,2)];
        end
        barisdata = barisdata';
        % weekend = weekend';
        %         harilibur = harilibur';
        %% Windowize data
        predictrange = 24*7;
        lagend = 29*24; %%7 hari input+1 output
        lagstep = 24*7;
        datatable = windowize(barisdata,1:lagstep:lagend); %%Y part might be filled by indices
        Xtraindata = datatable(:,1:end-1); %%input training
        Ytraindata = datatable(:,end); %%output training
        skala = 0;
        for ss = 2:168 %% for computing MASE
            skala = skala + abs(Ytraindata(ss) - Ytraindata(ss-1));
        end
        skala = skala/(168-1);
        % datatable = windowize(weekend,1:lagstep:lagend);
        % Xtraindata = [Xtraindata,datatable(:,1)];
        %         datatable = windowize(harilibur,1:lagstep:lagend);
        %         Xtraindata = [Xtraindata,datatable(:,1:end)];
        %% create Xtestdata and Ytestdata
        awalhari = akhirhari-27; %%
        panjangdata = 5*7; %%2 minggu -> 1 input 1 output
        akhirhari = panjangdata+awalhari-1;
        barisdata = [];
        %         harilibur = [];
        % weekend = [];
        for i = awalhari:akhirhari %% 7 dari 7 hari atau 24*7 jam
            barisdata = [barisdata,matriksdata(i,:)];
            %     weekend = [weekend,ones(1,24)*liburdata(i,1)];
            %             harilibur = [harilibur,ones(1,24)*liburdata(i,2)];
        end
        barisdata = barisdata';
        % weekend = weekend';
        %         harilibur = harilibur';
        datatable = windowize(barisdata,1:lagstep:lagend); %%Y part might be filled by indices
        Xtestdata = datatable(:,1:end-1); %%input training
        Ytestdata = datatable(:,end); %%output training
        % datatable = windowize(weekend,1:lagstep:lagend);
        % Xtestdata = [Xtestdata,datatable(:,1)];
        %         datatable = windowize(harilibur,1:lagstep:lagend);
        %         Xtestdata = [Xtestdata,datatable(:,1:end)];
        %% Start 4-fold CV tuning. Error function MAE. Optimization Method Coupled SA then Nelder-Mead Simplex Algorithm
        tic;
        [gam,sig2] = tunelssvmigwo({Xtraindata,Ytraindata,'f',[],[],'RBF_kernel'},'simplex','crossvalidatelssvm',{4,'mae'});
        waktusim = toc;
        %% Get Alpha Beta from best tuning
        [alpha,b] = trainlssvm({Xtraindata,Ytraindata,'f',gam,sig2,'RBF_kernel'});
        %% Start Prediction
        prediction = simlssvm({Xtraindata,Ytraindata,'f',gam,sig2,'RBF_kernel'},{alpha,b},Xtestdata);
        %     plot([prediction Ytestdata]);
        errorMAE = mean(abs(prediction-Ytestdata)); %Forecast error MAE
        errorMAPE = mean(abs(100*(prediction-Ytestdata)./Ytestdata)); %MAPE
        errorMASE = mean(abs((prediction-Ytestdata)./skala)); %error MASE
        [errorR,RPval] = corr(prediction,Ytestdata); %korelasi
        hasilsimulasi(:,k) = [gam;sig2;errorMAE;waktusim;errorMAPE;errorMASE;errorR^2;RPval];
    end
    %     xlswrite(char(namafile(jj)),hasilsimulasi,'GWO','B2');
    xlswrite(char(namafile(jj)),hasilsimulasi,'IGWO','B2');
    % %% GWO
    hasilsimulasi = zeros(8,30);
    for k = 1:30 %% ambil data 30 kali
        %% susun data yang diregress
        barisdata = [];
        %         harilibur = [];
        % weekend = [];
        awalhari = starting;
        panjangdata = 5*7; %%5 minggu -> 4 minggu data forecast + 1 minggu input
        akhirhari = panjangdata+awalhari-1;
        for i = awalhari:akhirhari %%1:35
            barisdata = [barisdata,matriksdata(i,:)];
            %     weekend = [weekend,ones(1,24)*liburdata(i,1)];
            %             harilibur = [harilibur,ones(1,24)*liburdata(i,2)];
        end
        barisdata = barisdata';
        % weekend = weekend';
        %         harilibur = harilibur';
        %% Windowize data
        predictrange = 24*7;
        lagend = 29*24; %%7 hari input+1 output
        lagstep = 24*7;
        datatable = windowize(barisdata,1:lagstep:lagend); %%Y part might be filled by indices
        Xtraindata = datatable(:,1:end-1); %%input training
        Ytraindata = datatable(:,end); %%output training
        skala = 0;
        for ss = 2:168 %% for computing MASE
            skala = skala + abs(Ytraindata(ss) - Ytraindata(ss-1));
        end
        skala = skala/(168-1);
        % datatable = windowize(weekend,1:lagstep:lagend);
        % Xtraindata = [Xtraindata,datatable(:,1)];
        %         datatable = windowize(harilibur,1:lagstep:lagend);
        %         Xtraindata = [Xtraindata,datatable(:,1:end)];
        %% create Xtestdata and Ytestdata
        awalhari = akhirhari-27; %%
        panjangdata = 5*7; %%2 minggu -> 1 input 1 output
        akhirhari = panjangdata+awalhari-1;
        barisdata = [];
        %         harilibur = [];
        % weekend = [];
        for i = awalhari:akhirhari %% 7 dari 7 hari atau 24*7 jam
            barisdata = [barisdata,matriksdata(i,:)];
            %     weekend = [weekend,ones(1,24)*liburdata(i,1)];
            %             harilibur = [harilibur,ones(1,24)*liburdata(i,2)];
        end
        barisdata = barisdata';
        % weekend = weekend';
        %         harilibur = harilibur';
        datatable = windowize(barisdata,1:lagstep:lagend); %%Y part might be filled by indices
        Xtestdata = datatable(:,1:end-1); %%input training
        Ytestdata = datatable(:,end); %%output training
        % datatable = windowize(weekend,1:lagstep:lagend);
        % Xtestdata = [Xtestdata,datatable(:,1)];
        %         datatable = windowize(harilibur,1:lagstep:lagend);
        %         Xtestdata = [Xtestdata,datatable(:,1:end)];
        %% Start 4-fold CV tuning. Error function MAE. Optimization Method Coupled SA then Nelder-Mead Simplex Algorithm
        tic;
        [gam,sig2] = tunelssvmgwo({Xtraindata,Ytraindata,'f',[],[],'RBF_kernel'},'simplex','crossvalidatelssvm',{4,'mae'});
        waktusim = toc;
        %% Get Alpha Beta from best tuning
        [alpha,b] = trainlssvmgwo({Xtraindata,Ytraindata,'f',gam,sig2,'RBF_kernel'});
        %% Start Prediction
        prediction = simlssvm({Xtraindata,Ytraindata,'f',gam,sig2,'RBF_kernel'},{alpha,b},Xtestdata);
        %     plot([prediction Ytestdata]);
        errorMAE = mean(abs(prediction-Ytestdata)); %Forecast error MAE
        errorMAPE = mean(abs(100*(prediction-Ytestdata)./Ytestdata)); %MAPE
        errorMASE = mean(abs((prediction-Ytestdata)./skala)); %error MASE
        [errorR,RPval] = corr(prediction,Ytestdata); %korelasi
        hasilsimulasi(:,k) = [gam;sig2;errorMAE;waktusim;errorMAPE;errorMASE;errorR^2;RPval];
    end

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]刘雨薇,刘辉,陈馨凝,李侯君,邹琪骁.基于DE-GWO-LSSVM模型的用电负荷预测[J].湖北工业大学学报,2019,34(4):30-3462

[2]李威. 基于灰狼优化算法地区电网负荷预测研究[D].沈阳农业大学,2022.DOI:10.27327/d.cnki.gshnu.2022.000510.

[3]于军琪,聂己开,赵安军,侯雪妍.基于特征挖掘的ARIMA-GRU短期电力负荷预测[J].电力系统及其自动化学报,2022,34(3):91-99

🌈4 Matlab代码实现

荔枝科研社
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
【负荷预测】基于自适应灰狼算法（IGWO）改进LSSVM实现负荷预测附Matlab代码
qq_59747472的博客
11-15 236
随着现代智能交通系统的发展,准确的交通流量预测,尤其是短时交通流量的预测,对实时交通控制的重要性日益凸显.为了解决交通流量数据强非线性对预测精度的影响,本文基于最小二乘支持向量机研究交通流量预测方法.提出了一种灰狼优化算法优化LSSVM的惩罚因子γ和核函数参数σ,实现对短时交通流的精准预测.实验结果表明,GWO优化LSSVM的泛化性能和鲁棒性优于其他同类方法,可以实现交通流的精准预测.
【预测模型】基于改进粒子群优化最小二乘支持向量机lssvm求解短期电力负荷预测matlab源码
qq_59747472的博客
10-14 756
1 模型 电力系统正常运行时,负荷预测是其运行和规划的重要依据之一.因此,针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)存在的速度变化梯度方向产生的非最优粒子问题,提出了一种基于自适应粒子群优化LSSVM参数的短期电力负荷预测方法.该预测模型在保持PSO优点的基础上,引入了自适应步长,使PSO在速度梯度上找到更优的粒子;引入遗传算法的变异操作保持粒子群的多样性,减小
基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测（VMD-SSA-LSSVM）
qq_41043389的博客
08-21 6948
短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSTM 为短期电力负荷预测提供了一个新的研究方向。本文将LSTM用于短期电力负荷预测 , 提出基于LSTM的短期电力负荷预测模型 , 同时建立布谷鸟算法模型对 LSTM进行参数优化以提高预测精度, 并以浙江某地区的历史负荷数据和气象数据为例进行验证 , 实例验证表明 , CS-LSTM 模型的预测效果明显提高。 布谷鸟搜索（Cu...
【优化算法】改进的灰狼优化算法（IGWO）【含Matlab源码 1349期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
10-03 4143
1 前言：灰狼优化算法（Grey Wolf Optimizer，GWO）由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。近年来受到了学者的广泛关注，它己被成功地应用到了车间调度、参数优化、图像分类等领域中。2 算法原理：灰狼隶属于群居生活的犬科动物，且处于食物链的顶层。灰狼严格遵守着一个社会支配等级关系。
LSSVM -matlab
08-26
LSSVM -matlab
MATLAB中利用最小二乘支持向量机LS-SVM做图像分类的代码
最新发布
weixin_46508095的博客
03-13 142
【代码】MATLAB中利用最小二乘支持向量机LS-SVM做图像分类的代码。
最小二乘支持向量机(LSSVM)matlab相关代码.zip
12-01
最小二乘支持向量机(LSSVM)matlab相关代码 最小二乘支持向量机(LSSVM)matlab相关代码
LSSVM程序代码
11-22
最小二乘支持向量机matlab代码，实现预测
分类预测 | MATLAB实现LSSVM(最小二乘支持向量机)分类
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
08-05 2044
分类预测 | MATLAB实现LSSVM(最小二乘支持向量机)分类 目录分类预测 | MATLAB实现LSSVM(最小二乘支持向量机)分类最小二乘法最小二乘支持向量机程序设计主程序子程序拓展知识参考资料致谢 最小二乘法 最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。 使误差平方和达到最小以寻求估计值的方法，就叫做最小二乘法，用最小二乘法得到的估计，叫做最小二乘估计
基于Cat混沌与高斯变异的改进灰狼优化算法(IGWO)（Matlab代码实现）
weixin_46039719的博客
11-28 492
👨‍🎓💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁参考文献：I-GWO算法受益于一种新的运动策略，称为基于维度学习的狩猎（DLH）搜索策略，该策略继承自自然界中狼的个体狩猎行为。DLH使用不同的方法为每只狼构建一个邻域，其中相邻的信息可以在狼之间共享。DLH搜索策略中使用的这种维度学习可以增强本地和全球搜索之间的平衡并保持多样性。
混沌tent映射tent分叉程序_IGWO_改进预测_神经网络_改进灰狼_灰狼算法_
10-02
构建基于改进灰狼优化算法的神经网络数据预测模型(IGWO-BPNN)，目的在于用改进的灰狼优化算法优化神经网络模型，利用神经网络的反向传播优势，改善神经网络算法易于陷入局部最小值的缺陷，提高神经网络模型的预测精度。
现有的LSSVM工具箱，自带PSO优化，参数无需调整
11-23
现有的LSSVM工具箱，自带PSO优化，参数无需调整,Matlab编写的人工蜂群算法代码,含详细注释和测试函数,简短易懂,执行顺畅。可用于解决无约束优化问题。
时序预测 | MATLAB实现LSSVM最小二乘支持向量机时间序列预测未来
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
09-05 589
时序预测 | MATLAB实现LSSVM最小二乘支持向量机时间序列预测未来
IGWO-SVM：改良的灰狼优化算法改进支持向量机
m0_72458015的博客
06-30 691
IGWO-SVM：改良的灰狼优化算法改进支持向量机。 采用三种改进思路：两种Logistic和Tent混沌映射和采用DIH策略。 采用基于DIH维度学习的狩猎搜索策略为每只狼构建邻域，增强局部和全局搜索能力，收敛速度比GWO更快，适用于paper。 ...
IGWO算法
weixin_44943389的博客
10-19 580
IGWO（Improved Grey Wolf Optimizer）算法是一种基于群体智能的优化算法，它是对原始灰狼优化算法的改进版本。
matlab中tunelssvm函数,lssvm中的tunelssvm的问题
weixin_28749997的博客
03-22 605
请教各位，我做多类分类的程序，为什么老是跑不完就提示出错退出了？X是训练数据，Y是标签[Ycode, codebook, old_codebook] = code(Y,'code_OneVsOne');modelxuncan = initlssvm(X,Y,'c',[],[],'RBF_kernel');modelxuncan = tunelssvm(modelxuncan,[0.0001 100...
matlab中tunelssvm函数,SVM与LSSVM的区别(附LSSVM代码)
weixin_34231032的博客
03-22 1668
SVM标准算法在应用中存在着超平面参数选择，以及QP问题求解中矩阵规模受训练样本数目的影响很大，导致求解规模过大的问题。Suykens等人提出的最小二乘支持向量机(Least Squares Support VectorMachines,LS-SVM)从机器学习损失函数着手，在其优化问题的目标函数中使用二范数，并利用等式约束条件代替SVM标准算法中的不等式约束条件，使得LS-SVM方法的优化问题的...
lssvm回归 matlab,用lssvm做回归预测，预测的结果偏差很大，如何进行参数寻优
weixin_29580355的博客
03-23 2056
本帖最后由 xzlcqxy 于 2016-3-30 15:19 编辑%清除变量空间clc;clear;close all%%%数据导入、预处理t=[0 6 10 11 12 13 14 15 16 17 18 22 26 30 36];P=t';a=[0 0 0 0.2 0.34 0.4 0.45 0.5 0.49 0.44 0.4 0 -0.17 0 0];T=a';%数据可视化figure(1...
sig2 matlab,MATLAB用lssvm分类时参数gam和sig2交叉优化问题
weixin_34565946的博客
03-23 1067
本帖最后由 415098398 于 2013-6-25 16:15 编辑原代码如下~~~clcclearclose all%---------------------------------------------------% 产生训练样本与测试样本，每一列为一个样本n1 = [rand(2,150),rand(2,150)+1,rand(2,150)+2];x1 = [1*ones(1,150...
基于灰狼算法优化支持向量机svm实现分类matlab源码
12-09
灰狼算法是一种基于自然界灰狼群体行为的优化算法，它模拟了灰狼群体的寻食行为和等级结构，...通过以上步骤，可以在Matlab中实现基于灰狼算法优化支持向量机的分类器，提高SVM的分类性能，适用于各种分类问题的解决。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

荔枝科研社

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值