【风电功率预测】基于matlab麻雀算法优化最小二乘法支持向量机SSA-LSSVM风电功率预测（多输入单输出）【含Matlab源码 1718期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab智能算法神经网络预测与分类仿真内容点击👇
①Matlab神经网络预测与分类 （进阶版）
②付费专栏Matlab智能算法神经网络预测与分类（中级版）
③付费专栏Matlab智能算法神经网络预测与分类（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、麻雀算法优化LSSVM简介

1 标准麻雀算法
算法运算过程由探索者、追随者与预警者3部分构成，其中探索者与追随者的总数量与比例不变，根据适应度数值的改变，两者可以相互转化。通过觅食和反捕食行为来不断更新种群成员最优位置。

设种群数量为n,在第K次迭代中，探索者的位置更新方式如下：

追随者的位置更新方式如下：

预警者在种群中的比例在10%～20%,位置更新方式如下：

2 最小二乘支持向量机(LSSVM)原理
传统SVM模型中约束条件为不等式，而LSSVM将SVM 中的约束条件改为等式约束，把误差平方和作为经验损失，将求解凸二次规划的问题转换为了通过求解线性方程组[13,14],降低了求解难度，优化了整体运算速度。

设定训练集{xi,yi}ni=1,其中xi∈Rd为输入变量，yi为第i个输出，yi∈R,通过非线性函数φ(·)将输入的n维空间映射到对应的高维特征空间，因此LSSVM的回归估计函数为：
f(x)=ωTφ(x)+b (1)
式中：ω=[ω1,ω2,…,ωn]T表示超平面权值系数向量；b为偏置量。
LSSVM定义优化问题目标函数J及其约束条件为：

为求解上述优化问题，构造相应的拉格朗日函数，进行如下变换：

对式(3)中ω、b、e、α的分别求偏导，令导数为0,消除ω和ei,可得到线性方程组：

最终得到LSSVM回归函数：

本文中采用径向基(radial basis function, RBF)核函数，与其他核函数相比，RBF核函数能够实现非线性映射，且需计算的参数较少，其表达式为：

式中：σ为核函数参数。

3 麻雀算法优化LSSVM流程图
建立预测模型的具体流程如图4所示，算法步骤如下。

1. 辅助变量选择及预处理，并利用PCA进行降维。
2. 初始化相关参数，利用改进的麻雀优化算法对LSSVM中的关键参数进行优化。
3. 初始化种群，利用式(11),引入Logistic映射，提升初始种群分布均匀性。
4. 根据目标函数计算适应度值并排序。利用引入自适应权重公式(12)更新探索者位置。
5. 利用式(8)及(9)更新追随者及警戒者位置。
6. 判断是否停止，执行退出或继续循环。
7. 输出正则化参数与RBF核函数参数，LSSVM利用最优超参数进行数据预测。
   

⛄二、部分源代码

clc;clear;close all;format compact
addpath(genpath(‘LSSVMlabv1_8’));

%%
data=xlsread(‘预测数据.xls’,‘B2:K1000’);
[x,y]=data_process(data,24);%前24个时刻 预测下一个时刻
%归一化
[xs,mappingx]=mapminmax(x’,0,1);x=xs’;
[ys,mappingy]=mapminmax(y’,0,1);y=ys’;
%划分数据
n=size(x,1);
m=round(n*0.7);%前70%训练，对最后30%进行预测
train_x=x(1:m,:);
test_x=x(m+1:end,:);
train_y=y(1:m,:);
test_y=y(m+1:end,:);
%% ssa优化lssvm 参数
typeID=‘function estimation’;
kernelnamescell=‘RBF_kernel’;
[x,trace]=ssa_lssvm(typeID,kernelnamescell,train_x,train_y,test_x,test_y);
figure;plot(trace);title(‘适应度曲线/mse’)
%% 利用寻优得到的参数重新训练lssvm
disp(‘寻优得到的参数分别是：’)
gam=x(1)
sig2=x(2)

model=initlssvm(train_x,train_y,typeID,gam,sig2,kernelnamescell);
model=trainlssvm(model);
y_pre_test=simlssvm(model,test_x);

% 反归一化
predict_value=mapminmax(‘reverse’,y_pre_test’,mappingy);
true_value=mapminmax(‘reverse’,test_y’,mappingy);
save ssa_lssvm predict_value true_value
disp(‘结果分析’)
rmse=sqrt(mean((true_value-predict_value).^2));
disp([‘根均方差(RMSE)：’,num2str(rmse)])

mae=mean(abs(true_value-predict_value));
disp([‘平均绝对误差（MAE）：’,num2str(mae)])

mape=mean(abs(true_value-predict_value)/true_value);
disp([‘平均相对百分误差（MAPE）：’,num2str(mape*100),‘%’])

fprintf(‘\n’)

figure
plot(true_value,‘r-’,‘linewidth’,3)
hold on
plot(predict_value,‘b-’,‘linewidth’,3)
legend(‘实际值’,‘预测值’)
grid on
title(‘SSA-LSSVM’)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]仝卫国,郭超宇,赵如意.基于改进麻雀算法优化LSSVM的再循环箱浆液密度预测模型[J].电子测量技术. 2022,45(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合