DBO优化BiLSTM-Attention实现风电功率预测

今天出一期基于DBO-BiLSTM-Attention的风电功率预测。流程大致如下：

①采用LSTM对实现风电功率预测；

②采用BiLSTM对实现风电功率预测；

③采用BiLSTM-Attention实现风电功率预测；

④采用蜣螂优化算法(DBO)优化BiLSTM-Attention的三个超参数，实现实现风电功率预测。三个超参数包括：隐含层节点个数，最大训练次数和学习率。

⑤画四个算法的误差对比图，雷达图，柱状图等。

---

数据准备

数据集采用风电功率数据。

数据包含特征如下：测风塔10m风速(m/s) 、测风塔30m风速(m/s) 、测风塔50m风速(m/s) 、测风塔70m风速(m/s)、 轮毂高度风速(m/s) 、测风塔10m风向(°) 、测风塔30m风向(°) 、测风塔50m风向(°) 、测风塔70m风向(°)、 轮毂高度风向(°) 、温度(°) 、气压(hPa)、 湿度(%) 实际发电功率（mw）。部分数据截图如下：

每个样本组成为：延时步长为6，跨时间步长为1。也就是以前6个样本的所有特征（也包含功率），去预测下一个样本的发电功率。

以表格中数据为例，以2019年1月1日0点~2019年1月1日1点15的所有数据（包括功率）按照特征类别组合起来放一块并变成一行，然后把1点30的数据也组合到这一行，这就形成了第一个样本。最后一列是1点30的功率。就这样以此类推，得到好多好多样本。然后划分训练集和测试集就ok了。

---

本实验以3月份的数据为例，划分测试集(887个）和训练集(2083个)，测试结果如下：

结果展示

LSTM：

---

BiLSTM：

---

BiLSTM-Attention:

Attention为一个单头，2个键和值的自注意力机制。代码中也可以方便改为多头多键和值。代码中写明了改动方法！

---

DBO-BiLSTM-Attention结果:

雷达图：

预测对比图：

误差指标对比图：

不同指标柱状图：

以上绘图代码，部分来自公众号 “ Lvy的口袋”。如有侵权请联系删除。

代码目录

以上图片，此代码均可实现！

点击下方卡片获取更多代码！