【ELM回归预测】基于蜂虎狩猎算法优化极限学习机BEH-ELM实现风电回归预测附Matlab实现

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，

代码获取、论文复现及科研仿真合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

内容介绍

摘要

风电作为一种清洁可再生能源，在全球能源结构中发挥着越来越重要的作用。然而，风电出力具有间歇性和波动性，给电网运行带来了一定的挑战。因此，准确的风电出力预测对于保证电网的安全稳定运行至关重要。

极限学习机（ELM）是一种单隐层前馈神经网络，具有学习速度快、泛化性能好等优点，在风电出力预测领域得到了广泛的应用。然而，传统的ELM算法存在着参数设置复杂、容易陷入局部最优等问题。

为了解决这些问题，本文提出了一种基于蜂虎狩猎算法（BHA）优化ELM的风电出力预测模型（BEH-ELM）。BHA是一种新型的元启发式算法，具有较强的全局搜索能力和收敛速度。在BEH-ELM模型中，BHA算法用于优化ELM的隐藏层节点数和正则化参数。

模型原理

1. 极限学习机（ELM）

ELM是一种单隐层前馈神经网络，其结构如图1所示。ELM的输入层节点数与输入变量的个数相同，输出层节点数与输出变量的个数相同。隐层节点数和正则化参数是ELM模型的两个重要参数，需要通过训练数据进行优化。

图1 ELM模型结构图

ELM的学习过程分为两个步骤：

1. 随机生成隐层节点的权重和偏置。

2. 根据训练数据计算输出层节点的权重。

ELM的学习速度非常快，并且具有较好的泛化性能。然而，传统的ELM算法存在着参数设置复杂、容易陷入局部最优等问题。

2. 蜂虎狩猎算法（BHA）

BHA是一种新型的元启发式算法，其灵感来源于蜂虎的狩猎行为。蜂虎是一种小型猛禽，以捕食昆虫为生。蜂虎在狩猎时，会先在高处盘旋观察猎物，然后俯冲而下捕食猎物。

BHA算法模拟了蜂虎的狩猎行为，将搜索空间划分为多个子空间，并让多个搜索代理在子空间中搜索最优解。搜索代理在子空间中移动时，会根据自己的位置和速度信息更新自己的位置。当搜索代理找到一个更好的解时，会将该解作为自己的当前解。

BHA算法具有较强的全局搜索能力和收敛速度，并且不易陷入局部最优。

BEH-ELM模型

BEH-ELM模型将BHA算法与ELM算法相结合，用于风电出力预测。在BEH-ELM模型中，BHA算法用于优化ELM的隐藏层节点数和正则化参数。

BEH-ELM模型的训练过程如下：

1. 初始化BHA算法的参数。

2. 随机生成ELM的隐层节点的权重和偏置。

3. 根据训练数据计算ELM的输出层节点的权重。

4. 计算ELM的预测误差。

5. 如果预测误差小于给定的阈值，则停止训练过程。否则，更新BHA算法的参数并重复步骤2-4。

部分代码

%%  清空环境变量warning off             % 关闭报警信息close all               % 关闭开启的图窗clear                   % 清空变量clc                     % 清空命令行​%%  导入数据res = xlsread('数据集.xlsx');​%%  划分训练集和测试集temp = randperm(357);​P_train = res(temp(1: 240), 1: 12)';T_train = res(temp(1: 240), 13)';M = size(P_train, 2);​P_test = res(temp(241: end), 1: 12)';T_test = res(temp(241: end), 13)';N = size(P_test, 2);​%%  数据归一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test  = mapminmax('apply', P_test, ps_input);t_train = ind2vec(T_train);t_test  = ind2vec(T_test );

⛳️ 运行结果

实验结果

为了验证BEH-ELM模型的性能，我们将其与传统的ELM算法和支持向量机（SVM）算法进行了比较。实验结果表明，BEH-ELM模型的预测精度最高，并且具有较强的鲁棒性。

图2 BEH-ELM模型、ELM模型和SVM模型的预测误差对比图

结论

本文提出了一种基于蜂虎狩猎算法优化极限学习机BEH-ELM实现风电回归预测的方法。实验结果表明，BEH-ELM模型的预测精度最高，并且具有较强的鲁棒性。因此，BEH-ELM模型可以作为风电出力预测的一种有效方法。

参考文献

[1] 吉威,刘勇,甄佳奇,等.基于随机权重粒子群优化极限学习机的土壤湿度预测[J].新疆大学学报：自然科学版, 2020, 37(2):7.DOI:10.13568/j.cnki.651094.651316.2019.11.27.0001.

[2] 刘萌萌.基于信息融合的改进极限学习机预测算法研究[D].辽宁大学,2015.

部分理论引用网络文献，若有侵权联系博主删除

 关注我领取海量matlab电子书和数学建模资料

 私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合