基于智能优化的LSSVM短期风光功率预测研究

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 %% 添加路径 addpath('LSSVM_ToolBox\') %% 数据导入 res = xlsread("数据集.xlsx"); %% 数据分析 res = rmmissing(res); % 删除缺失值 num_size = 0.7; % 训练集占数据集比例 outdim = 1; % 最后一列为输出 num_samples = size(res, 1); % 样本个数 %res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行） num_train_s = round(num_size * num_samples); % 训练集样本个数round 函数用于对输入的数值进行四舍五入，返回最接近的整数 f_ = size(res, 2) - outdim; % 输入特征维度2 表示获取 res 的第二个维度的大小，也就是列数。 %% 划分训练集和测试集 P_train = res(1: num_train_s, 1: f_)'; %训练集输入 T_train = res(1: num_train_s, f_ + 1: end)'; %训练集输出 M = size(P_train, 2); P_test = res(num_train_s + 1: end, 1: f_)'; T_test = res(num_train_s + 1: end, f_ + 1: end)'; N = size(P_test, 2); %测试组的数据数量 %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); %p_train：这是归一化后的数据，输出变量。（输入的归一化） % ps_input：这是一个结构体，包含归一化过程中的一些信息，例如原始数据的最小值和最大值，以及归一化的参数。 p_test = mapminmax('apply', P_test, ps_input); %将之前计算的归一化参数 ps_input 应用到测试数据 P_test 上，防止有不同的归一化。 [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 转置以适应模型 p_train = p_train'; p_test = p_test'; %进行转置 t_train = t_train'; t_test = t_test'; %% 参数设置 type = 'f'; % 模型类型f回归，c分类，如果p值小于显著性水平（如0.05），则拒绝零假设，认为模型显著。 kernel = 'RBF_kernel'; % RBF 核函数 % poly_kernel % 多项式核函数 % MLP_kernel % 多层感知机核函数 % lin_kernel % 线性核函数 proprecess = 'preprocess'; % 是否归一化 % gam核函数参数 % sig惩罚参数 a=[1,500]; b=[35,800]; [gBestScore,gBest,cg_curve,sig,gam]=PSO(80,200,a,b,2,p_train,t_train,T_train,ps_output) ; % sig惩罚参数 %% 建立模型 model = initlssvm(p_train, t_train, type, gam, sig, kernel, proprecess); %p_train：训练数据的特征矩阵（自变量），每一行代表一个样本，每一列代表一个特征。 %t_train：训练数据的目标值（因变量），通常是一个列向量，包含与 p_train 中每个样本对应的目标值。 %type：模型类型，通常为 'f'（回归）或 'c'（分类）。 %gam：正则化参数，控制模型的复杂度，较大的值可能导致过拟合。 %sig：核函数的参数，具体取决于所选的核函数类型。 %kernel：核函数类型，例如 'RBF_kernel'（径向基核）、'linear_kernel'（线性核）等。 %proprecess：预处理选项，这里设置为 'preprocess'，表示在训练之前对数据进行预处理。 %% 训练模型 model = trainlssvm(model); %% 测试模型 t_sim1 = simlssvm(model, p_train); %用训练集进行预测 t_sim2 = simlssvm(model, p_test ); %用测试集进行预测 %% 数据转置 t_sim1 = t_sim1'; t_sim2 = t_sim2'; %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1, ps_output); T_sim2 = mapminmax('reverse', t_sim2, ps_output); %R^2 SS_total = sum((mean(t_train) - T_train).^2); % 总变异，计算实际值与平均值之间的平方差和 SS_residual = sum((t_sim1 - T_train).^2); % 残差变异，计算实际值与预测值之间的平方差和 R_squared = 1 - (SS_residual / SS_total); % 计算决定系数R² % 输出结果 fprintf('决定系数 R²: %.4f\n', R_squared); % 打印决定系数，保留4位小数 %% *区间预测* (基于KDE) z = [0.975;0.95;0.875;0.75;0.625;0.55;0.525]; %分位数（列向量） %% *值评估指标* [Error] = PlotError(T_sim1,T_train,N,'#3D59AB'); % N测试组的数据数量 %% *自适应带宽核密度估计 figure; [y,t,optim_width,~,~,confb95] = ABKDE(Error); hold on window=fill([t,fliplr(t)],[confb95(1,:),fliplr(confb95(2,:))],[7 7 7]/8,'FaceAlpha',0.5); window.EdgeColor = 'none'; plot(t,confb95(1,:),'Color',[7 7 7]/9,'LineWidth',1); plot(t,confb95(2,:),'Color',[7 7 7]/9,'LineWidth',1); plot(t,y,'Color',[0.9 0.2 0.2],'LineWidth',2); [f0,xi0] = ksdensity(Error,'Function','pdf'); plot(xi0,f0,'LineWidth',1.5,'Color',"#7E2F8E"); xlim([min(t) max(t)]); legend({'95%置信核密度估计曲线','','','优化自适应带宽核密度估计曲线','未优化固定带宽核密度估计曲线'}); grid on; ylabel('概率密度'); xlabel('预测误差'); set(gca,'TickDir','out'); set(gcf,'color','w') for m = 1:length(z) Q1(m) = QuantSol_FUN(t,y,1-z(m)); % 下界 Q2(m) = QuantSol_FUN(t,y,z(m)); % 上界 end for m = 1:length(z) Lower(:,m) = T_sim2 + Q1(m); Upper(:,m) = T_sim2 + Q2(m); end %% *绘图* PlotProbability(T_sim2,T_test,numel(T_test),Lower,Upper,0,N,[0 100 0]/255); %概率绘图 %% *核密度估计* time_index = [25;50;75;100]; %确定采样点，注意元素不要超过预测样本的个数！！ num_KD = numel(time_index); PlotKernelDensity(Lower,Upper,time_index,T_test',num_KD); set(gcf,'color','w') %% *区间预测指标计算* eta = 0.5; % CWC 计算中使用的参数 % 对每个置信区间进行计算 for i = 1:length(z) confidence_percent = (1 - 2 * (1 - z(i))) * 100; % 计算指标 [PINAW, mean_PINAW] = PINAW_FUN(Lower, Upper, T_test); [PICP, mean_PICP] = PICP_FUN(Lower, Upper, T_test); [CRPS, mean_CRPS] = CRPS_FUN([Lower, T_sim2', Upper], T_test); [CWC, mean_CWC] = CWC_FUN(PINAW, PICP, eta, z); % 打印结果 fprintf('对于 %.2f%% 置信区间:\n', confidence_percent); fprintf('PINAW的值为：%f\n', PINAW(i)); fprintf('PICP的值为：%f\n', PICP(i)); fprintf('CRPS的值为：%f\n', CRPS(i)); fprintf('CWC的值为：%f\n\n', CWC(i)); end %% *点预测指标计算* R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test))^2; mae2 = sum(abs(T_sim2 - T_test )) ./ N ; RMSE2 = sqrt(sum((T_test - T_sim2).^2)./N); MAPE2 = mean(abs((T_test - T_sim2)./T_test)); disp(['测试集数据的R2为：', num2str(R2)]) disp(['测试集数据的MAE为：', num2str(mae2)]) disp(['测试集数据的RMSE为：', num2str(RMSE2)]) disp(['测试集数据的MAPE为：', num2str(MAPE2)])