【预测模型-ELAMN预测】基于海鸥算法优化ELMAN神经
网络实现数据回归预测matlab代码
1 简介
风能,作为一种重要,有潜力,无污染,可再生、可持续的能源,已经成为全球发电最为迅速的能源之一,越来越
受到世界各国的青睐。近年来,为缓解能源短缺问题,改善环境,实现经济乃至人类的可持续发展,世界各国
纷纷大力发展风能资源。然而,在实际操作中,风能固有的波动性和间歇性通常会增加风能入网的难度,致
使风电场输出功率不稳定,严重影响输出的电能质量,大大增加了电网安全性和稳定性运行风险,因此,风速
预测在风电相关工作中至关重要,准确、可靠的预测结果不仅有利于调度人员事先掌握风电场的功率变化
情况,及时制定调度运行计划,提高能量转换效率、降低风险,增加发电量等,同时也有利于风电并网稳定运
行和有效消纳,对可能存在影响电网安全稳定运行的风险及时预警,从而避免风电功率随机波动造成电能损
耗甚至电网崩溃。近年来,国内外学者进行了大量风速预测相关研究,风速预测水平得到一定程度的提升。
单一预测模型虽简单容易实施,但其预测精度往往较低,难以满足风电场发电的需求。相比之下,基于优化
算法和数据分解法的混合预测模型对风速预测性能有很大的提升。然而,现有的模型只是使用单目标优化
算法,针对预测模型精度的提高,很少关注预测结果稳定性的增强,涉及多目标优化算法的混合预测模型更
是少之又少。因此,这些模型往往会降低预测结果的稳定性,对风电场发电以及风电并网的安全性和稳定性
带来巨大的挑战。针对如上问题,本文构建出一个基于海鸥算法和Elman神经网络的混合预测模型，本文
所提出的混合预测模型不仅可以降低预测误差,提高风速预测精度,增强预测结果的稳定性,同时对风电场
发电的完善,发展以及风电并网安全管理也大有裨益。
Elman 神经网络是一种局部反馈递归神经网络，包括输入层、隐藏层、承接层和输出层，由于其良好的
动态记忆和时变能力，自1990年Elman首次提出以来，Elman神经网络在时间序列预测中得到了广泛的
应用，但由于随机选择初始值和阈值，且采用梯度下降法寻优，其网络学习速度较慢且预测的精度比较
低。本文利用 SOA优化 Elman神经网络的初始权值及阈值，提高了 Elman 神经网络的预测精度。
第一步 初始化 Elman 网络所需参数，并新建 Elman 网 络，net=newelm（minmax（input），［11，
1］，｛'tansig'，'purelin'｝，'traingdx'），其中 input 是训练集数据，tansig 是隐藏层的激活函数，
purelin是输出层激活函数，traingdx是梯度下降函数；
第二步 初始化SOA各参数，包括海鸥的数量m 、最大迭代次数Maxiter，参数的上界ub及下界lb；
第三步 SOA通过不断更新海鸥位置迭代优化网络，直到迭代结束形成最优个体，其中最优个体包括权值
w1、w2及w3，阈值b1和b2；
第四步 Elman 神经网络解析最优个体，利用解析后的权值及阈值训练Elman神经网络并预测风速数据。
2 部分代码
function[Score,Position,Convergence]=SOA(Search_Agents,Max_iterations,Lower_bound,Upper_b
ound,dimension,objective)
Position=zeros(1,dimension);
Score=inf;
Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);
