基于白鲸优化算法(BWO)优化CNN-BiGUR-Attention风电功率预测研究（Matlab代码实现）

          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。

本文目录如下：

目录

 ⛳️赠与读者

1 概述

一、研究背景与意义

二、算法介绍

1. 白鲸优化算法（BWO）

2. 卷积神经网络（CNN）

3. 双向门控循环单元（BiGRU）

4. 注意力机制（Attention）

三、模型构建与优化

1. 模型结构

2. 模型优化

四、实验结果与分析

五、结论与展望

2 运行结果

3 参考文献

4 Matlab代码、数据

---

 ⛳️赠与读者

‍做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......

1 概述

基于白鲸优化算法（BWO）优化CNN-BiGRU-Attention风电功率预测的研究，是一个结合了多种先进算法和技术领域的复杂课题。以下是对该研究的详细分析：

一、研究背景与意义

风电作为一种清洁可再生能源，其在全球能源结构转型和环境保护中扮演着重要角色。然而，风电的间歇性和随机性给电力系统带来了巨大挑战。准确的风电功率预测对于提高电力系统稳定性、降低运营成本至关重要。传统预测方法如统计模型、物理模型和混合模型在预测精度和泛化能力上存在一定局限性。因此，探索新的预测方法具有重要的理论和实际意义。

二、算法介绍

1. 白鲸优化算法（BWO）

白鲸优化算法是一种基于种群的元启发式算法，其灵感来源于自然界中白鲸的游泳、捕食和鲸落行为。BWO通过模拟这些行为来实现模型参数的优化，具有结构简单、全局和局部搜索能力强等优点。在算法中，白鲸的位置可视为搜索代理，通过勘探阶段（游泳）和开发阶段（捕食）来寻找最优解，并通过鲸落阶段来增强算法跳出局部最优的能力。

2. 卷积神经网络（CNN）

卷积神经网络是一种前馈神经网络，其核心是卷积层和池化层。CNN能够有效地提取输入数据的空间特征，非常适合处理图像和视频等具有空间结构的数据。在风电功率预测中，CNN可以提取风速时间序列中的局部特征，为后续的预测提供重要信息。

3. 双向门控循环单元（BiGRU）

双向门控循环单元是一种特殊的循环神经网络（RNN），它能够同时处理输入序列的正向和反向信息，从而捕捉到序列中的双向依赖关系。在风电功率预测中，BiGRU能够学习风速时间序列中的长时依赖关系，提高预测的准确性。

4. 注意力机制（Attention）

注意力机制能够识别不同时间步长特征的权重，突出重要的特征信息。在风电功率预测中，注意力机制可以帮助模型识别影响预测结果的关键时间段，进一步提高预测的精度。

三、模型构建与优化

1. 模型结构

基于BWO优化CNN-BiGRU-Attention的风电功率预测模型主要包含以下几个部分：

• 输入层：输入风速时间序列数据，并进行预处理。
• CNN层：利用CNN提取风速时间序列中的空间特征。
• BiGRU层：利用BiGRU学习风速时间序列中的双向长时依赖关系。
• Attention层：利用注意力机制识别不同时间步长特征的权重，突出重要的特征信息。
• 输出层：输出预测的风电功率值。

2. 模型优化

BWO算法被用于优化CNN-BiGRU-Attention模型的参数，以提高模型的预测精度。具体步骤包括：

• 初始化白鲸群体，设置算法的初始参数。
• 计算每个白鲸个体的适应度值，即预测误差。
• 根据适应度值更新白鲸个体的位置，并计算新的适应度值。
• 重复上述步骤，直到满足停止条件（如达到最大迭代次数或预测误差小于预设阈值）。

四、实验结果与分析

通过在真实风电数据上进行实验，可以验证基于BWO优化CNN-BiGRU-Attention风电功率预测模型的有效性和优越性。实验结果通常包括预测精度、稳定性等指标的对比分析。与传统预测模型相比，该模型在预测精度和稳定性方面均表现出更好的性能。

五、结论与展望

综上所述，基于BWO优化CNN-BiGRU-Attention的风电功率预测模型充分利用了深度学习模型的优势，并通过BWO算法优化模型参数，进一步提高了预测精度。未来研究可以进一步探索模型的泛化能力和鲁棒性，以及将该模型应用于其他能源预测领域的可能性。

2 运行结果

部分代码：

% 指标计算
disp('…………训练集误差指标…………')
[mae1,rmse1,mape1,error1]=calc_error(T_train1,T_sim1);
fprintf('\n')

figure('Position',[200,300,600,200])
plot(T_train1);
hold on
plot(T_sim1)
legend('真实值','预测值')
title('CNN-BiGRU-ATTENTION训练集预测效果对比')
xlabel('样本点')
ylabel('发电功率')

disp('…………测试集误差指标…………')
[mae2,rmse2,mape2,error2]=calc_error(T_test2,T_sim2);
fprintf('\n')

figure('Position',[200,300,600,200])
plot(T_test2);
hold on
plot(T_sim2)
legend('真实值','预测值')
title('CNN-BiGRU-ATTENTION预测集预测效果对比')
xlabel('样本点')
ylabel('发电功率')

figure('Position',[200,300,600,200])
plot(T_sim2-T_test2)
title('CNN-BiGRU-ATTENTION误差曲线图')
xlabel('样本点')
ylabel('发电功率')

%% 优化CNN-BiGRU-Attention

disp(' ')
disp('优化CNN_BiLSTM_attention神经网络：')

%% 初始化参数 
popsize=10;   %初始种群规模 
maxgen=8;   %最大进化代数
fobj = @(x)objectiveFunction(x,numFeatures,outdim,vp_train,vt_train,vp_test,T_test,ps_output);
% 优化参数设置
lb = [0.001 10 2  2]; %参数的下限。分别是学习率，biGRU的神经元个数，注意力机制的键值, 卷积核大小
ub = [0.01 50 50 10];    %参数的上限
dim = length(lb);%数量

% 可选：'DBO','GWO','OOA','PSO','SABO','SCSO','SSA','BWO','RIME','WOA','HHO','NGO';

[Best_score,Best_pos,curve]=NGO(popsize,maxgen,lb,ub,dim,fobj); %修改这里的函数名字即可
setdemorandstream(pi);

%% 绘制进化曲线 
figure
plot(curve,'r-','linewidth',2)
xlabel('进化代数')
ylabel('均方误差')
legend('最佳适应度')
title('进化曲线')

%% 把最佳参数Best_pos回带
[~,optimize_T_sim] = objectiveFunction(Best_pos,numFeatures,outdim,vp_train,vt_train,vp_test,T_test,ps_output);
setdemorandstream(pi);

%% 比较算法预测值 
str={'真实值','CNN-BiGRU-Attention','优化后CNN-BiGRU-Attention'};
figure('Units', 'pixels', ...
    'Position', [300 300 860 370]);
plot(T_test,'-','Color',[0.8500 0.3250 0.0980]) 
hold on
plot(T_sim2,'-.','Color',[0.4940 0.1840 0.5560]) 
hold on
plot(optimize_T_sim,'-','Color',[0.4660 0.6740 0.1880])
legend(str)
set (gca,"FontSize",12,'LineWidth',1.2)
box off
legend Box off

%% 比较算法误差
test_y = T_test;
Test_all = [];

y_test_predict = T_sim2;
[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y);
Test_all=[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];

y_test_predict = optimize_T_sim;
[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y);
Test_all=[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];
     

str={'真实值','CNN-BiGRU-Attention','优化后CNN-BiGRU-Attention'};
str1=str(2:end);
str2={'MAE','MAPE','MSE','RMSE','R2'};
data_out=array2table(Test_all);
data_out.Properties.VariableNames=str2;
data_out.Properties.RowNames=str1;
disp(data_out)

%% 柱状图 MAE MAPE RMSE 柱状图适合量纲差别不大的
color=    [0.66669    0.1206    0.108
    0.1339    0.7882    0.8588
    0.1525    0.6645    0.1290
    0.8549    0.9373    0.8275   
    0.1551    0.2176    0.8627
    0.7843    0.1412    0.1373
    0.2000    0.9213    0.8176
      0.5569    0.8118    0.7882
       1.0000    0.5333    0.5176];
figure('Units', 'pixels', ...
    'Position', [300 300 660 375]);
plot_data_t=Test_all(:,[1,2,4])';
b=bar(plot_data_t,0.8);
hold on

for i = 1 : size(plot_data_t,2)
    x_data(:, i) = b(i).XEndPoints'; 
end

for i =1:size(plot_data_t,2)
    b(i).FaceColor = color(i,:);
    b(i).EdgeColor=[0.3353    0.3314    0.6431];
    b(i).LineWidth=1.2;
end

for i = 1 : size(plot_data_t,1)-1
    xilnk=(x_data(i, end)+ x_data(i+1, 1))/2;
    b1=xline(xilnk,'--','LineWidth',1.2);
    hold on
end 

ax=gca;
legend(b,str1,'Location','best')
ax.XTickLabels ={'MAE', 'MAPE', 'RMSE'};
set(gca,"FontSize",10,"LineWidth",1)
box off
legend box off

3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]许亮,任圆圆,李俊芳.基于NGO-CNN-BiLSTM神经网络的动态质子交换膜燃料电池剩余使用寿命预测[J].汽车工程师, 2024(003):000.

[2]李卓,叶林,戴斌华,等.基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法[J].高电压技术, 2022(6):2117-2127.

[3]贾睿,杨国华,郑豪丰,等.基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法[J].中国电力, 2022, 55(5):47-56.DOI:10.11930/j.issn.1004-9649.202104023.

[4]李艳、彭春华、傅裕、孙惠娟.基于CNN-LSTM网络模型的风电功率短期预测研究[J].华东交通大学学报, 2020, 37(4):7.DOI:CNKI:SUN:HDJT.0.2020-04-017.

[5]张子华,李琰,徐天奇,等.基于VMD-CNN-LSTM的短期风电功率预测研究[J].云南民族大学学报：自然科学版, 2023.

4 Matlab代码、数据

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取