【BP预测】基于粒子群PSO优化BP神经网络实现风电功率预测附Matlab代码.rar

%粒子群优化多输入多输出BP神经网络代码 clear clc tic global SamIn SamOut HiddenUnitNum InDim OutDim TrainSamNum %% 导入训练数据 data = xlsread('data.xlsx'); [data_m,data_n] = size(data);%获取数据维度 P = 80; %百分之P的数据用于训练，其余测试 Ind = floor(P * data_m / 100); train_data = data(1:Ind,1:4)'; train_result = data(1:Ind,6:7)'; test_data = data(Ind+1:end,1:4)';% 利用训练好的网络进行预测 test_result = data(Ind+1:end,6:7)'; %% 初始化参数 [InDim,TrainSamNum] = size(train_data);% 学习样本数量 [OutDim,TrainSamNum] = size(train_result); HiddenUnitNum = 8; % 隐含层神经元个数 [SamIn,PS_i] = mapminmax(train_data,0,1); % 原始样本对（输入和输出）初始化 [SamOut,PS_o] = mapminmax(train_result,0,1); W1 = HiddenUnitNum*InDim; % 初始化输入层与隐含层之间的权值 B1 = HiddenUnitNum; % 初始化输入层与隐含层之间的阈值 W2 = OutDim*HiddenUnitNum; % 初始化输出层与隐含层之间的权值 B2 = OutDim; % 初始化输出层与隐含层之间的阈值 L = W1+B1+W2+B2; %粒子维度 %% *********初始化 M=100; %种群规模 %初始化粒子位置 X=rand(M,L); c1=2; %学习因子 c2=2; wmax=0.9;%最大最小惯性权重 wmin=0.5; Tmax=1000;%迭代次数 v=zeros(M,L);%初始化速度 %*******全局最优粒子位置初始化 fmin=inf; for i=1:M fx = f(X(i,:)); if fx<fmin fmin=fx; gb=X(i,:); end end %********粒子个体历史最优位置初始化 pb=X; %********算法迭代 for t=1:Tmax w(t)=wmax-(wmax-wmin)*t/Tmax; %线性下降惯性权重 for i=1:M %******更新粒子速度 v(i,:)=w(t)*v(i,:)+c1*rand(1)*(pb(i,:)-X(i,:))+c2*rand(1)*(gb-X(i,:)); if sum(abs(v(i,:)))>1e3 v(i,:)=rand(size(v(i,:))); end %*******更新粒子位置 X(i,:)=X(i,:)+v(i,:); end %更新pbest和gbest for i=1:M if f(X(i,:))<f(pb(i,:)) pb(i,:)=X(i,:); end if f(X(i,:))<f(gb) gb=X(i,:); end end %保存最佳适应度 re(t)=f(gb); fprintf('经%d次训练，误差为%f，用时%fs\n\n',t,f(gb),toc); %可视化迭代过程 subplot(221) plot(gb) title('权阈值更新曲线') hold on subplot(222) mesh(v) title('粒子速度变化') pause(0.000000001) subplot(2,2,[3,4]) plot(re,'r') title('累计误差迭代曲线') img =gcf; %获取当前画图的句柄 print(img, '-dpng', '-r600', './img4.png') %即可得到对应格式和期望dpi的图像 %74-86会增加程序运行时间，注释掉可加快程序运行 end x = gb; W1 = x(1:HiddenUnitNum*InDim); L1 = length(W1); W1 = reshape(W1,[HiddenUnitNum, InDim]); B1 = x(L1+1:L1+HiddenUnitNum)'; L2 = L1 + length(B1); W2 = x(L2+1:L2+OutDim*HiddenUnitNum); L3 = L2 + length(W2); W2 = reshape(W2,[OutDim, HiddenUnitNum]); B2 = x(L3+1:L3+OutDim)'; HiddenOut = logsig(W1 * SamIn + repmat(B1, 1, TrainSamNum)); % 隐含层网络输出 NetworkOut = W2 * HiddenOut + repmat(B2, 1, TrainSamNum); % 输出层网络输出 Error = SamOut - NetworkOut; % 实际输出与网络输出之差 Forcast_data = mapminmax('reverse',NetworkOut,PS_o); [OutDim,ForcastSamNum] = size(test_result); SamIn_test= mapminmax('apply',test_data,PS_i); % 原始样本对（输入和输出）初始化 HiddenOut_test = logsig(W1 * SamIn_test + repmat(B1, 1, ForcastSamNum)); % 隐含层输出预测结果 NetworkOut = W2 * HiddenOut_test + repmat(B2, 1, ForcastSamNum); % 输出层输出预测结果 Forcast_data_test = mapminmax('reverse',NetworkOut,PS_o); %% 绘制结果 figure plot(re,'r') xlabel('迭代次数') ylabel('适应度') title('累计误差迭代曲线') img =gcf; %获取当前画图的句柄 print(img, '-dpng', '-r600', './img1.png') %即可得到对应格式和期望dpi的图像 figure subplot(2,2,1); plot(train_result(1,:), 'r-*') hold on plot(Forcast_data(1,:), 'b-o'); legend('真实值','拟合值') title('第1个输出训练集拟合效果') subplot(2,2,2); plot(test_result(1,:), 'r-*') hold on plot(Forcast_data_test(1,:), 'b-o'); legend('真实值','预测值') title('第1个输出测试集预测效果') subplot(2,2,3); stem(train_result(1,:) - Forcast_data(1,:)) title('第1个输出训练集误差') subplot(2,2,4); stem(test_result(1,:) - Forcast_data_test(1,:)) title('第1个输出测试集误差') img =gcf; %获取当前画图的句柄 print(img, '-dpng', '-r600', './img2.png') %即可得到对应格式和期望dpi的图像 figure subplot(2,2,1); plot(train_result(2,:), 'r-*') hold on plot(Forcast_data(2,:), 'b-o'); legend('真实值','拟合值') title('第2个输出训练集拟合效果') subplot(2,2,2); plot(test_result(2,:), 'r-*') hold on plot(Forcast_data_test(2,:), 'b-o'); legend('真实值','预测值') title('第2个输出测试集预测效果') subplot(2,2,3); stem(train_result(2,:) - Forcast_data(2,:)) title('第2个输出训练集误差') subplot(2,2,4); stem(test_result(2,:) - Forcast_data_test(2,:)) title('第2个输出测试集误差') img =gcf; %获取当前画图的句柄 print(img, '-dpng', '-r600', './img3.png') %即可得到对应格式和期望dpi的图像 toc