企业官网建设流程全解析

1 简介

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题，提出了基于樽海鞘群算法优化极限学习机（SSA–ELM）的风电场超短期风功率预测模型。通过训练集在训练过程中确定网络参数，利用樽海鞘群算法在迭代过程中不断优化极限学习机的输入权值矩阵及隐含层偏差值，建立樽海鞘群算法优化极限学习机的超短期风功率预测模型；最后，根据超短期风电并网的相关规定，针对河南省某风电场的实际数据，分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差3方面进行仿真实验，并与传统极限学习机（extreme learning machine，ELM）模型进行对比分析，结果表明本文提出的模型收敛速度快，预测精度较高。证明了基于SSA–ELM的超短期风功率预测模型具有良好的追踪性和泛化性。

2 部分代码

function [sFeat,Sf,Nf,curve] = jSSA(feat,label,N,max_Iter,HO)

lb = 0;

ub = 1;

thres = 0.5;

fun = @jFitnessFunction;

dim = size(feat,2);

X = zeros(N,dim);

for i = 1:N

for d = 1:dim

X(i,d) = lb + (ub - lb) * rand();

end

end

% Pre

fit = zeros(1,N);

fitF = inf;

curve = inf;

t = 1;

%---Iteration start----------------------------------------------------

while t <= max_Iter

for i = 1:N

fit(i) = fun(feat,label,(X(i,:) > thres),HO);

if fit(i) < fitF

Xf = X(i,:);

fitF = fit(i);

end

end

c1 = 2 * exp(-(4 * t / max_Iter) ^ 2);

for i = 1:N

if i == 1

for d = 1:dim

c2 = rand();

c3 = rand();

if c3 >= 0.5

X(i,d) = Xf(d) + c1 * ((ub - lb) * c2 + lb);

else

X(i,d) = Xf(d) - c1 * ((ub - lb) * c2 + lb);

end

end

else

for d = 1:dim

X(i,d) = (X(i,d) + X(i-1,d)) / 2;

end

end

XB = X(i,:); XB(XB > ub) = ub; XB(XB < lb) = lb;

X(i,:) = XB;

end

curve(t) = fitF;

fprintf('\nIteration %d Best (SSA)= %f',t,curve(t))

t = t + 1;

end

Pos = 1:dim;

Sf = Pos((Xf > thres) == 1);

Nf = length(Sf);

sFeat = feat(:,Sf);

end

​3 仿真结果

4 参考文献

[1]张红涛, 韩婧, 谭联,等. 基于FCM和SSA–ELM的超短期风功率预测.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。