💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
3. OOA优化CNN-BiGRU-Attention的可行性
⛳️赠与读者
👨💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......🔎🔎🔎
💥1 概述
1. 研究背景与意义
风电功率预测对电网稳定性至关重要,但面临风速随机性、数据噪声及模型参数敏感三大挑战。传统预测方法(如物理模型、统计机器学习)存在建模复杂和适应性弱的问题。结合深度学习与智能优化算法可提升预测精度,其中:
- CNN-BiGRU-Attention模型:通过CNN提取空间特征、BiGRU捕捉时序依赖、Attention聚焦关键信息,形成高效预测框架。
- 鱼鹰优化算法(OOA) :新型元启发式算法,具有全局探索能力强、收敛速度快的优势,适用于优化深度学习模型超参数。
二者结合可显著提升预测精度,为风电并网调度提供可靠支持。
2. 核心算法原理
2.1 鱼鹰优化算法(OOA)
- 生物行为模拟:模拟鱼鹰捕鱼的 探索(定位鱼群) 与 开发(运输猎物) 两阶段。
- 数学模型:
- 种群初始化:
- 种群初始化:
-
位置更新:
-
探索阶段:
-
开发阶段:引入自适应权重调整位置,增强局部搜索。
-
改进策略(IOOA):
- Fuch混沌映射初始化种群,提升多样性。
- 柯西变异和反向学习策略避免局部最优。
- Warner机制平衡全局与局部搜索。
2.2 CNN-BiGRU-Attention模型
-
结构组成:
-
风电预测流程:
- 输入:历史功率+气象数据(风速、温度等)。
- 特征提取:CNN处理高维数据。
- 时序建模:BiGRU捕捉长短期依赖。
- 输出:Attention加权后全连接层预测功率。
3. OOA优化CNN-BiGRU-Attention的可行性
3.1 技术适配性
- 参数优化目标:OOA可优化CNN卷积核数量、BiGRU隐藏层神经元数、学习率等超参数。
- 案例验证:
- IOOA优化LSTM参数,风电预测误差降低30%。
- 鲸鱼算法(WOA)优化Attention-BiGRU,电力负荷预测精度达98.8%。
3.2 优势分析
传统方法缺陷 | OOA优化解决方案 |
---|---|
超参数手动调优效率低 | 自动化全局搜索 |
模型易陷入局部最优 | 柯西变异增强逃逸能力 |
长序列训练不稳定 | Attention机制聚焦关键时序点 |
4. 风电功率预测实验设计
4.1 数据预处理
- 数据集:风电场历史功率+气象数据(温度、湿度、风速等)。
- 预处理步骤:
- 缺失值填充:相邻时段均值插补。
- 异常值处理:Z-score标准化剔除离群点。
- 归一化:Min-Max缩放至[0,1]。
- 特征筛选:Pearson相关系数选取关键因子。
4.2 模型优化流程
4.3 评估指标
- 误差指标:均方根误差(RMSE)、平均绝对百分比误差(MAPE)。
- 稳定性:预测曲线与真实值拟合度可视化。
5. 应用案例与效果验证
5.1 典型案例
- 新疆哈密风电场:
- 方法:VMD分解数据 + IOOA优化LSTM参数。
- 结果:MAPE降至0.85%,滞后现象显著改善。
- 瓦斯浓度预测:
- 方法:IOOA优化ATT-CNN-LSTM。
- 结果:MAPE=0.0347,精度提升40%。
5.2 性能对比
模型 | RMSE | MAPE(%) |
---|---|---|
CNN-BiGRU(未优化) | 0.152 | 7.2 |
IOOA-CNN-BiGRU-Attention | 0.087 | 3.8 |
传统BP网络 | 0.210 | 12.5 |
6. 挑战与未来方向
现存问题
- 数据质量:NWP数值天气预报误差影响精度。
- 模型复杂度:多模块集成导致训练耗时增加。
- 极端天气适应性:强湍流场景预测波动大。
优化方向
- 多算法融合:结合VMD/SSA分解降低数据噪声。
- 实时预测:轻量化模型部署边缘设备。
- 跨行业应用:推广至光伏功率预测。
结论
OOA通过仿生优化策略有效解决了CNN-BiGRU-Attention模型超参数敏感问题,在风电功率预测中展现精度高(MAPE<4%)、稳定性强的优势。未来研究需进一步探索自适应权重机制与多模态数据融合,推动清洁能源智能调度。
📚2 运行结果
部分代码:
% 指标计算
disp('…………训练集误差指标…………')
[mae1,rmse1,mape1,error1]=calc_error(T_train1,T_sim1);
fprintf('\n')
figure('Position',[200,300,600,200])
plot(T_train1);
hold on
plot(T_sim1)
legend('真实值','预测值')
title('CNN-BiGRU-ATTENTION训练集预测效果对比')
xlabel('样本点')
ylabel('发电功率')
disp('…………测试集误差指标…………')
[mae2,rmse2,mape2,error2]=calc_error(T_test2,T_sim2);
fprintf('\n')
figure('Position',[200,300,600,200])
plot(T_test2);
hold on
plot(T_sim2)
legend('真实值','预测值')
title('CNN-BiGRU-ATTENTION预测集预测效果对比')
xlabel('样本点')
ylabel('发电功率')
figure('Position',[200,300,600,200])
plot(T_sim2-T_test2)
title('CNN-BiGRU-ATTENTION误差曲线图')
xlabel('样本点')
ylabel('发电功率')
%% 优化CNN-BiGRU-Attention
disp(' ')
disp('优化CNN_BiLSTM_attention神经网络:')
%% 初始化参数
popsize=10; %初始种群规模
maxgen=8; %最大进化代数
fobj = @(x)objectiveFunction(x,numFeatures,outdim,vp_train,vt_train,vp_test,T_test,ps_output);
% 优化参数设置
lb = [0.001 10 2 2]; %参数的下限。分别是学习率,biGRU的神经元个数,注意力机制的键值, 卷积核大小
ub = [0.01 50 50 10]; %参数的上限
dim = length(lb);%数量
% 可选:'DBO','GWO','OOA','PSO','SABO','SCSO','SSA','BWO','RIME','WOA','HHO','NGO';
[Best_score,Best_pos,curve]=NGO(popsize,maxgen,lb,ub,dim,fobj); %修改这里的函数名字即可
setdemorandstream(pi);
%% 绘制进化曲线
figure
plot(curve,'r-','linewidth',2)
xlabel('进化代数')
ylabel('均方误差')
legend('最佳适应度')
title('进化曲线')
%% 把最佳参数Best_pos回带
[~,optimize_T_sim] = objectiveFunction(Best_pos,numFeatures,outdim,vp_train,vt_train,vp_test,T_test,ps_output);
setdemorandstream(pi);
%% 比较算法预测值
str={'真实值','CNN-BiGRU-Attention','优化后CNN-BiGRU-Attention'};
figure('Units', 'pixels', ...
'Position', [300 300 860 370]);
plot(T_test,'-','Color',[0.8500 0.3250 0.0980])
hold on
plot(T_sim2,'-.','Color',[0.4940 0.1840 0.5560])
hold on
plot(optimize_T_sim,'-','Color',[0.4660 0.6740 0.1880])
legend(str)
set (gca,"FontSize",12,'LineWidth',1.2)
box off
legend Box off
%% 比较算法误差
test_y = T_test;
Test_all = [];
y_test_predict = T_sim2;
[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y);
Test_all=[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];
y_test_predict = optimize_T_sim;
[test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y);
Test_all=[Test_all;test_MAE test_MAPE test_MSE test_RMSE test_R2];
str={'真实值','CNN-BiGRU-Attention','优化后CNN-BiGRU-Attention'};
str1=str(2:end);
str2={'MAE','MAPE','MSE','RMSE','R2'};
data_out=array2table(Test_all);
data_out.Properties.VariableNames=str2;
data_out.Properties.RowNames=str1;
disp(data_out)
%% 柱状图 MAE MAPE RMSE 柱状图适合量纲差别不大的
color= [0.66669 0.1206 0.108
0.1339 0.7882 0.8588
0.1525 0.6645 0.1290
0.8549 0.9373 0.8275
0.1551 0.2176 0.8627
0.7843 0.1412 0.1373
0.2000 0.9213 0.8176
0.5569 0.8118 0.7882
1.0000 0.5333 0.5176];
figure('Units', 'pixels', ...
'Position', [300 300 660 375]);
plot_data_t=Test_all(:,[1,2,4])';
b=bar(plot_data_t,0.8);
hold on
for i = 1 : size(plot_data_t,2)
x_data(:, i) = b(i).XEndPoints';
end
for i =1:size(plot_data_t,2)
b(i).FaceColor = color(i,:);
b(i).EdgeColor=[0.3353 0.3314 0.6431];
b(i).LineWidth=1.2;
end
for i = 1 : size(plot_data_t,1)-1
xilnk=(x_data(i, end)+ x_data(i+1, 1))/2;
b1=xline(xilnk,'--','LineWidth',1.2);
hold on
end
ax=gca;
legend(b,str1,'Location','best')
ax.XTickLabels ={'MAE', 'MAPE', 'RMSE'};
set(gca,"FontSize",10,"LineWidth",1)
box off
legend box off
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]许亮,任圆圆,李俊芳.基于NGO-CNN-BiLSTM神经网络的动态质子交换膜燃料电池剩余使用寿命预测[J].汽车工程师, 2024(003):000.
[2]李卓,叶林,戴斌华,等.基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法[J].高电压技术, 2022(6):2117-2127.
[3]贾睿,杨国华,郑豪丰,等.基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法[J].中国电力, 2022, 55(5):47-56.DOI:10.11930/j.issn.1004-9649.202104023.
[4]李艳、彭春华、傅裕、孙惠娟.基于CNN-LSTM网络模型的风电功率短期预测研究[J].华东交通大学学报, 2020, 37(4):7.DOI:CNKI:SUN:HDJT.0.2020-04-017.
[5]张子华,李琰,徐天奇,等.基于VMD-CNN-LSTM的短期风电功率预测研究[J].云南民族大学学报:自然科学版, 2023.
🌈4 Matlab代码、数据
资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取