电力负荷超前96步预测，采用2024最新鹭鹰算法优化ELM实现，MATLAB代码
本期电力负荷预测数据来源为：《第九届电工数学建模竞赛试题_2016》数据概况如下：简介本期内容：①对电力负荷数据进行简单综合处理，划分训练集和测试集②采用标准的极限学习机ELM实现电力负荷预测③采用2024年最新鹭鹰算法优化极限学习机的权值阈值，降低预测误差④采用白鲸算法优化ELM，并与鹭鹰算法对比，突出鹭鹰算法的高效准确性内容详解①对电力负荷数据进行处理本次数据包含最高温度℃，最低温度℃，平均温
本期电力负荷预测数据来源为：《第九届电工数学建模竞赛试题_2016》
数据概况如下：
简介
本期内容：
①对电力负荷数据进行简单综合处理，划分训练集和测试集
②采用标准的极限学习机ELM实现电力负荷预测
③采用2024年最新鹭鹰算法优化极限学习机的权值阈值，降低预测误差
④采用白鲸算法优化ELM，并与鹭鹰算法对比，突出鹭鹰算法的高效准确性
内容详解
①对电力负荷数据进行处理
本次数据包含最高温度℃，最低温度℃，平均温度℃，相对湿度(平均)，降雨量（mm）部分数据截图如下：
数据的处理方式如下：
将2012年1月1号到2015年1月17号的负荷数据和天气数据（因为只有这几天的数据是既有天气特征，又有负荷数据的）综合到一起，得到data变量。
选取前6天数据（包括负荷和当天的最高温度℃，最低温度℃，平均温度℃，相对湿度(平均)，降雨量（mm））去预测未来一天的数据。
代码中一共选取了60个样本作为训练集。
1个样本作为测试集，实现未来一天，也就是实现超前96个时刻的负荷预。
将MAPE作为误差指标（很多文献都这么做！）。
②采用极限学习机(ELM)对电力负荷数据进行训练和预测
预测结果如下：
可以看到，未优化的ELM预测效果不是很理想。
③采用2024年最新鹭鹰算法优化极限学习机的权值阈值，并与白鲸算法做对比。
由误差对比曲线和预测结果对比，可以看到鹭鹰算法(SBOA)优化ELM的收敛精度是非常高的！
原理代码
数据替换较为简单，代码简单易懂，可以二次开发。
代码获取
代码目录如下：
完整代码获取：
点击下方下卡片获取！
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
5
0- 0
已为社区贡献26条内容
所有评论(0)