【回歸預測-ELM預測】基于粒子群算法PSO優(yōu)化極限學習機預測附matlab代碼
【回歸預測-ELM預測】基于粒子群算法PSO優(yōu)化極限學習機預測附matlab代碼
TT_Matlab
博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡預測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領域的Matlab仿真，完整matlab代碼或者程序定制加qq1575304183。
1 內(nèi)容介紹
風電功率預測為電網(wǎng)規(guī)劃提供重要的依據(jù),研究風電功率預測方法對確保電網(wǎng)在安全穩(wěn)定運行下接納更多的風電具有重要的意義.針對極限學習機(ELM)回歸模型預測結(jié)果受輸入?yún)?shù)影響的問題,現(xiàn)將粒子群優(yōu)化算法(PSO)應用于ELM中,提出了一種基于粒子群優(yōu)化極限學習機的風功率預測方法.該方法首先將數(shù)值天氣預報信息(NWP)數(shù)據(jù)進行數(shù)據(jù)預處理,并構(gòu)建出訓練樣本集,隨后建立ELM模型,利用粒子群算法優(yōu)化ELM中的輸入權(quán)值和閾值,從而建立起基于NWP和PSO-ELM風功率預測模型.對華東地區(qū)3個不同裝機容量的風場NWP數(shù)據(jù)進行實驗.結(jié)果表明:該方法的預測精度高且穩(wěn)定性能好,能夠為風電場功率預測以及風電并網(wǎng)安全可靠性提供科學有效的參考依據(jù).
風的隨機性和波動性導致了風電功率的不平 穩(wěn)性，風電場的接入影響電網(wǎng)的穩(wěn)定運行環(huán)境［１］。對風電場的輸出功率進行精準預測，有助于電網(wǎng)人 員根據(jù)風電場輸出功率的變化調(diào)整發(fā)電計劃，減少 電網(wǎng)的備用容量以節(jié)約能源的消耗。因此，有效的 風電功率預測方法可保障電網(wǎng)的穩(wěn)定經(jīng)濟運行。目前，國內(nèi)外研究人員做了大量的工 作，研 究 方法主要包括物理方法、統(tǒng)計方法以及神經(jīng)網(wǎng)絡方 法［２］。其中物理方法要求風機相關(guān)物理信息，建模 復雜且 精 度 不 穩(wěn) 定。統(tǒng) 計 方 法 模 型 簡 單、數(shù) 據(jù) 單 一，但預測的精度受時間的限制，預測時間越長精 度越低，通常應用于超短期預測。神經(jīng)網(wǎng)絡方法泛 化能力強，能夠處理回歸問題，適用于風功率預測。極 限 學 習 機 （Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ， ＥＬＭ）是一類基于前饋神經(jīng)網(wǎng)絡的算法［３］。ＥＬＭ 因結(jié)構(gòu)簡單、學習效率高，被用以解決回歸、聚類、 分類等問題。ＥＬＭ 算法的優(yōu)化問題被很多學者研 究，王浩等［４］利用遺傳算法優(yōu)化極限學習機，并將 風電系統(tǒng)參數(shù)模糊化，從而提高預測模型的精度。龍浩［５］提出了加權(quán)極限學習機方法，旨在解決樣本 數(shù)據(jù)不均衡的問題。王文錦等［６］利用蜂群算 法 優(yōu) 化 ＥＬＭ，旨在提高模型的穩(wěn)定性 能。王 宏 剛 等［７］ 將蜻蜓算法（ＤｒａｇｏｎｆｌｙＡｌｇｏｒｉｔｈｍ，ＤＡ）分布式應 用于 ＥＬＭ，優(yōu)化初始化輸入權(quán)重和閾值的影響，有 效提高了電能質(zhì)量擾動識別率。風電功率的預測主要基于當日的數(shù)值天氣預 報信 息 （Ｎｕｍｅｒｉｃａｌ ＷｅａｔｈｅｒＰｒｅｄｉｃｔｉｏｎ，ＮＷＰ）。ＮＷＰ包括風速、風向、溫度、濕度以及氣壓［８］。實 測 ＮＷＰ數(shù)據(jù)在同一風功率下存在奇異值以及波 動的問題。關(guān)于風功率 ＮＷＰ數(shù)據(jù)的預處理問題， 符楊等［９］針對 ＮＷＰ數(shù)據(jù)不準確、爬坡事件頻發(fā)等 原因?qū)?ＮＷＰ 數(shù)據(jù)分類，并對功率波動進 行 預 測。楊茂等［１０］利用經(jīng)驗模態(tài)分解對風功率數(shù)據(jù)進行分 解去噪重構(gòu)，一定程度上減少了噪點對預測結(jié)果的 影響。楊家然等［１１］利用模糊聚類的方法將原始信 號進行分類，采用不同的模型組合預測。本 文 將 粒 子 群 優(yōu) 化 算 法 （Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）和 ＥＬＭ 結(jié) 合，欲 提 高 傳 統(tǒng) ＥＬＭ 預測模型的精度和穩(wěn)定性能，從而 為 風 電 功 率預測技術(shù)提供新的方法。
基本理論
１．１ ＥＬＭ 算法
ＥＬＭ 因?qū)W習效率高被普遍應用于風電功率預測、變壓器故障診斷、風機故障診斷等方面。該 算法任意賦值輸入層權(quán)重和閾值，訓練過程中無需改變模型參數(shù)，僅設定隱層神經(jīng)元個數(shù)，便可通過最小二乘法獲得輸出層權(quán)重。
1．２ ＰＳＯ－ＥＬＭ 預測模型 如前文所述，ＥＬＭ 的 初 始 輸 入 權(quán) 值 和 閾 值 是 隨機確 定 的，其 訓 練 的 效 果 會 受 初 始 值 影 響。因 此，采用 ＰＳＯ 優(yōu)化 ＥＬＭ 的輸入權(quán)重和閾值，可避 免盲目 性 訓 練 ＥＬＭ 模 型。ＰＳＯ 算 法 優(yōu) 化 ＥＬＭ 的步驟中，先 初 始 化 ＰＳＯ 參 數(shù)，包括粒子群的規(guī) 模、空間維度、慣性參數(shù)ｗ、學習因子ｃ１ 和ｃ２、迭代 次數(shù)和最 大 速 度ｖｍａｘ等。ＰＳＯ－ＥＬＭ 預 測 模 型 是 將每個粒子對應的輸入權(quán)值和閾值代入 ＥＬＭ 預 測模型中，將 ＥＬＭ 學習樣本輸出與實際輸出的均 方誤差（ＭｅａｎＳｑｕａｒｅｄＥｒｒｏｒ，ＭＳＥ）作為 ＰＳＯ 的 適應度。將粒子的當前適應度與最優(yōu)適應度做對 比，若比最優(yōu)適應度小，說明當前輸入權(quán)值和閾值 所建立的 ＥＬＭ 模型進行預測產(chǎn)生的均方誤差較 小，則將當前適應度更新為最優(yōu)適應度，將當前位 置更新為Ｐｂ，否則保持最優(yōu)適應度不變。同 理 比 較適應度和全局適應 度，更 新 Ｇｂ。當 迭 代 次 數(shù) 達 到最大值或適應度達到設定值時停止算法。ＰＳＯ 優(yōu)化得到的最優(yōu)輸入權(quán)值 Ｗ 和 閾 值ｂ 后，代 入 ＥＬＭ 模型中進行預測。具體步驟如圖１所示。
2 仿真代碼
function
LW
=
elmtrain
(
IW,B,P,T,TF
)
[
R
,
Q
] =
size
(
P
)
;
% 計算隱含層輸出矩陣
BiasMatrix = repmat(B,
1
,Q);
tempH = IW * P + BiasMatrix;
switch
TF
case
’sig’
H =
1
./ (
1
+ exp(-tempH));
case
’sin’
H = sin(tempH);
case
’hardlim’
H = hardlim(tempH);
end
% 計算輸出權(quán)重矩陣
LW = pinv(H
’) * T’
;
3 運行結(jié)果
4 參考文獻
[1]趙睿智, and 丁云飛. "基于粒子群優(yōu)化極限學習機的風功率預測." 上海電機學院學報 22.4(2019):6.
[2]郭城, 劉新忠, and 苗宇. "基于粒子群優(yōu)化極限學習機的軋制力預測." 冶金自動化 45.S01(2021):4.