- 博客(241)
- 收藏
- 关注
RSS订阅原创 梯级水光互补系统最大化可消纳电量期望短期优化调度模型——代码复现
在已有研究的基础上，以机组为最小调度单位，采用模糊聚类方法构建出力场景描述光伏不确定性，精细化考虑互补系统面临的电站约束、机组约束和电网约束，构建了梯级水光互补系统最大化可消纳电量期望短期优化调度模型。为实现模型的高效求解，对于模型中涉及的非线性约束，采用分段线性逼近、引入0-1整数变量、发电水头离散等线性化方法和建模技巧，将原MNLP问题转化为MLP问题，并在Matlab环境中采用CPLEX工具实现求解。
2024-07-22 11:11:58
105
原创 DA-SVM多变量分类预测|蜻蜓优化算法-支持向量机|Matalb
SVM的核心思想是将数据映射到高维特征空间，并在该空间中寻找一个最优超平面，以最大化不同类别样本点之间的分离程度。在实际应用中，通常使用高斯核函数，该核函数具有参数C和g。参数C控制对误分类样本的惩罚程度，而参数g控制高斯核函数的宽度。参数g（gamma）：g（或gamma）是RBF（径向基函数）核函数的一个参数，它隐含地决定了数据映射到新的特征空间后的分布。gamma值越大，支持向量越少，可能会影响训练与预测的速度。gamma值越小，支持向量越多。C值越高，表明越不能容忍误差，可能导致过拟合。
2024-07-19 14:00:00
301
原创 PSO-RF|粒子群算法-随机森林-分类|多变量特征筛选-分类预测|Matlab
更新速度：根据个体最佳位置和全局最佳位置的差异，调整粒子的速度，使粒子向最优解的方向移动。PSO模拟了鸟群觅食的行为，每个解空间中的潜在解被称为粒子，每个粒子代表了一个潜在的解。初始化：随机初始化一定数量的粒子，包括位置和速度，同时初始化个体最佳位置和全局最佳位置。粒子根据自身的经验和群体的经验不断调整自己的位置，以寻找最优解。迭代优化：在每次迭代中，根据粒子当前位置和速度，更新粒子的位置。位置更新：根据速度更新粒子的位置，并确保位置在搜索空间内。适应度评估：计算每个粒子的适应度值，用于评价解的优劣。
2024-07-17 14:50:35
1010
1原创 DA-LSTM多输入回归|蜻蜓算法-长短期神经网络|Matlab
算法中的蜻蜓个体会根据自身的适应度值和邻居蜻蜓的信息来调整自己的位置，以期望找到更好的解决方案。通过交流信息，蜻艇优化算法能韵够更好地利用种群中个体之间的信息，加速找到最优解或接近最优解的过程。这种行为类似于算法中的个体在解空间中搜索最优解的过程。根据个体的适应度值和邻居蜻蜓的信息，蜻蜓个体会调整自己的位置，以期望找到更好的解。这个过程类似于蜻蜓根据周围环境和其他蜻蜓的信息来调整自己的飞行路径，以寻找更好的食物或繁殖地点。在算法中，每个蜻艇个体会根据问题的适应度函数进行评估，以确定其在解空间中的位置。
2024-07-04 14:30:00
512
原创 (创新)基于VMD-CNN-BiLSTM的电力负荷预测—代码+数据
首先采用 VMD 技术将输入负荷数据分解为多个有限带宽的本征模态分量，分解结果表明了人们生产生活中不同的用电习惯，并且分离了数据中的噪声和信号，然后对每个模态分量建立 CNN-BiLSTM 神经网络进行预测，结合模型输出重构预测结果。其中，CNN用于提取负荷分量中的用电特征信息，BiLSTM用于提取负荷分量中的用电时序信息。为分离负荷数据中的信号和噪声，提高预测模型的精度，本文首先采用变分模态分解技术 将历史负荷数据分解成若干个本征模态分量，使其频率带宽之和最小化。（4）结合每个模型的输出，重构预测结果。
2024-06-20 22:15:51
785
原创 SSA-CNN-LSTM多输入时序|樽海鞘算法-卷积-长短期神经网络|Matlab
樽海鞘算法（Sea Cucumber Algorithm）是一种基于海洋生物樽海鞘行为的启发式优化算法。樽海鞘是一种海洋无脊椎动物，其生活方式和行为特征启发了这一算法的设计。樽海鞘算法主要受到樽海鞘的聚集行为和自组织特性的启发。在算法中，个体（代表樽海鞘）通过模拟樽海鞘的聚集和分散行为来搜索最优解。算法的基本思想是在搜索空间中随机生成一群个体（樽海鞘），然后通过模拟樽海鞘的聚集和散开过程，不断优化个体的位置，以寻找最优解。樽海鞘算法通常包括以下步骤：1. 初始化：随机生成一群个体（樽海鞘）作为初始种群。
2024-06-17 15:45:47
355
原创 SSA-CNN-LSTM多输入分类|樽海鞘算法-卷积-长短期神经网络|Matlab
樽海鞘算法主要受到樽海鞘的聚集行为和自组织特性的启发。在算法中，个体（代表樽海鞘）通过模拟樽海鞘的聚集和分散行为来搜索最优解。算法的基本思想是在搜索空间中随机生成一群个体（樽海鞘），然后通过模拟樽海鞘的聚集和散开过程，不断优化个体的位置，以寻找最优解。樽海鞘算法在解决优化问题中具有一定的优势，特别适用于复杂的多模态优化问题和具有高维度搜索空间的问题。通过模拟海洋生物的行为，樽海鞘算法能够有效地在搜索空间中寻找全局最优解或局部最优解。3. 聚集和分散：模拟樽海鞘的聚集和分散行为，更新个体的位置。
2024-06-17 15:43:15
498
原创 基于蒙特卡洛模拟的电动汽车充电行为生成方法——代码+数据
然后，通过随机抽样生成大量的样本，这些样本根据输入参数的分布随机生成，而不是通过确定性的规则。N_EV表示电动汽车的数量，S_char表示充电功率，E_EV表示电动汽车电池容量，soc_max和soc_min分别表示电池的最大和最小充电状态。绘制了行驶里程概率密度和分布曲线、昨日行驶后的荷电状态、昨日消耗的电量、充电开始和结束时刻的概率密度和分布曲线、电车充电总功率随时间的变化曲线。根据充电开始和结束时刻的概率密度f_time_in和f_time_out，利用蒙特卡洛方法生成多辆电车的充电开始和结束时间。
2024-06-14 10:00:00
296
原创 基于多时段动态电价的电动汽车有序充电策略优化——复现代码+数据
分时峰谷电价是电力系统中一种有效的调峰填谷措施，通过在不同时间段设定不同的电价，以引导用户在低谷时段增加用电，高峰时段减少用电，从而平衡电力系统的供需关系。电网运营商会根据当地的用电情况和基本负荷曲线来制定分时电价方案，以最大程度地发挥电力资源的利用效率。在中国，由于用电负荷呈现双峰形态，即在午间和晚间存在较高的用电高峰，而夜间用电需求相对较低，因此分时电价的划分原则通常是将这两个高峰时段设为电价峰期，而将夜间的用电谷期划分为电价谷期。
2024-06-13 10:30:00
632
原创 MFO-RF|飞蛾扑火算法-随机森林-回归|多变量特征筛选-回归预测|Matlab
这个算法模拟了飞蛾在夜晚受到光源吸引的行为，通过飞蛾在光源周围飞舞的方式来寻找最优解。光源的强度通常由目标函数值来表示，飞蛾会向光源移动，即朝着更优的解决方案靠近。飞蛾在搜索空间中随机飞行，模拟了飞蛾在光源周围飞舞的行为。MFO算法的优点包括简单易实现、不需要太多的参数调节、具有全局搜索能力和对多维优化问题的适应性。随机生成一群飞蛾（解空间中的候选解），每个飞蛾代表一个潜在的解决方案。根据飞蛾的位置和光源的亮度来更新飞蛾的位置，以便更好地探索解空间。，这两个关键参数，提升预测的精度。
2024-06-12 10:30:00
406
原创 考虑双碳分时价格的综合能源系统低碳优化调度
考虑双碳分时价格的综合能源系统低碳优化调度是指在综合能源系统中，结合考虑双碳排放和分时电价的情况下，通过优化调度各种能源设备和能源储备设施，以实现系统运行的低碳化目标和经济性。为实现综合能源系统的低碳优化调度，通常会采用一些优化算法，如遗传算法、粒子群算法、模拟退火算法等，通过这些算法优化各种能源设备的运行策略，以达到低碳化和经济性的双重目标。根据电力市场的分时电价情况，合理安排各种能源设备的运行时段和功率输出，以在高电价时段减少购电成本，在低电价时段增加自发电比例，从而降低系统运行成本。
2024-06-11 10:00:00
711
原创 基于LSTM-Adaboost的电力负荷预测—附数据集|长短期记忆神经网络
其核心思想是迭代地训练一系列弱分类器，每个分类器都在前一个分类器分类错误的样本上进行重点训练，通过加权组合多个弱分类器，构建一个性能更强的集成分类器。在每一轮迭代中，Adaboost会根据上一轮分类器的表现调整样本权重，使得被错误分类的样本在下一轮迭代中获得更高的权重，从而使得后续的分类器更加关注难以分类的样本。最终的分类器是所有弱分类器的加权组合，其中每个弱分类器的权重取决于其在训练过程中的表现。1. 初始化权重：开始时，将训练数据集中的每个样本赋予相等的权重，即每个样本对应的权重相同。
2024-05-21 10:30:00
795
原创 MVO-RF|多元宇宙算法-随机森林-分类|多变量特征筛选-分类预测|Matlab
该算法的灵感来源于天文学中的多元宇宙理论，通过模拟多个宇宙的演化过程来寻找最优解。多元宇宙优化算法的核心思想是将每个宇宙看作一个解空间，通过不断地移动这些“多元宇宙”来搜索最优解。具体实现中，算法首先初始化一个包含多个宇宙（解空间）的多元宇宙种群，然后在每个宇宙内部随机生成一些初始粒子，并使用粒子群算法来搜索最优解。在算法的执行过程中，所有宇宙会进行交换和融合操作，以在全局范围内搜索最优解。算法的设计受到多元宇宙理论的启发，通过模拟多个宇宙的演化过程来进行优化搜索。，这两个关键参数，提升预测的精度。
2024-05-20 10:30:00
732
原创 WOA-LSTM分类预测|多输入|鲸鱼算法-长短期神经网络|Matlab
该算法的灵感来自于座头鲸群体的狩猎行为，通过模拟鲸鱼的行为来进行优化搜索。在搜索觅食阶段，算法模拟了鲸鱼在寻找食物时的行为，通过随机调整候选解的位置来搜索最优解。在收缩包围阶段，算法将候选解逐渐收缩到全局最优解的附近，以提高搜索的精度。在螺旋更新位置阶段，算法通过螺旋运动更新候选解的位置，以进一步优化搜索结果。鲸鱼优化算法的三个种群更新机制相互独立，分别控制全局探索和局部开发过程，提高了算法的搜索效率和控制能力。与其他群体智能优化算法相比，鲸鱼优化算法不需要人为设置各种控制参数值，减少了算法的应用难度。
2024-05-17 13:53:39
783
原创 GA-RF|遗传算法-随机森林-回归|多变量特征筛选-回归预测|Matlab
在基于遗传算法优化的随机森林预测中，遗传算法被用来调整随机森林的超参数，例如树的数量、树的深度、特征子集大小等。在遗传算法中，需要定义一个适应度函数来评估每个个体（超参数配置）的性能。通过遗传算法，可以搜索超参数空间以找到最佳的超参数配置，以优化模型性能。通过结合遗传算法和随机森林模型，可以更有效地搜索超参数空间，找到最佳的超参数配置，从而提高随机森林模型的预测性能和泛化能力。编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码。，即通过18个输入值预测1个输出值。，这两个关键参数，提升预测的精度。
2024-05-15 10:30:00
630
原创 PSO-SVM多变量回归预测|粒子群算法优化支持向量机|Matalb
粒子群优化算法（Particle Swarm Optimization，PSO）是一种启发式优化算法，模拟了鸟群或鱼群等群体在搜索食物或资源时的群体行为，由美国学者Eberhart和Kennedy于1995年提出。PSO算法通过模拟粒子在解空间中的运动来寻找最优解。PSO算法的基本思想源于模拟鸟群或鱼群等群体在搜索食物时的行为。在算法中，每个候选解（也称为粒子）被视为搜索空间中的一个点，并且每个粒子都有一个位置和一个速度。粒子的位置代表了一个解，而速度代表了粒子在解空间中的搜索方向和速率。
2024-05-13 10:00:00
769
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人