【预测模型】基于粒子群算法优化BP神经网络预测风电功率matlab源码

傷城~ 2022-08-28 00:51 179阅读 0赞

## 1 模型 ##

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种粒子群优化BP神经网络预测模型的算法.在该算法中,粒子群优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测.将该算法应用到几个典型的混沌时间序列预测.实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能.

### 1.1 BP神经网络 ###

![img][]

![img][img 1]

### 1.2 粒子群算法 ###

![img][img 2]

![img][img 3]

## 2 部分代码 ##

%% PSO-BP神经网络

%% 清空环境

clear all;

close all;

clc;

data=xlsread('Test.xlsx','Sheet1','A2:G46');%读取数据

\[M,NN\]=size(data);%M是样本数，N是变量数

inputn=data(:,1:NN-1)';%训练样本输入

outputn=data(:,NN)';%训练样本输出

%节点个数

inputnum=NN-1;%输入个数

hiddennum=12;%隐藏层

outputnum=1;%输出个数

%构建网络

net=newff(inputn,outputn,hiddennum);

tic

%% 粒子群

numWolf=60;

limit = \[-10, 10;\]; % 设置位置参数限制(矩阵的形式可以多维)

vlimit = \[-0.01, 0.01;\]; % 设置速度限制

c\_1 = 0.8; % 惯性权重

c\_2 = 0.5; % 自我学习因子

c\_3 = 0.5; % 群体学习因子

N=inputnum\*hiddennum+hiddennum+hiddennum\*outputnum+outputnum;

x = zeros(numWolf,N);

% 初始化种群

for i = 1:numWolf

x(i,:)=rands(1,N);

% fitness(i)=fun(x(i,:),inputnum,hiddennum,outputnum,net,inputn,outputn);

end

% \[xm,LeadWolf\] = min(fitness);

% ym = x(LeadWolf,:);

% globalMin = xm;

v = 0.1\*rand(numWolf,N); % 初始种群的速度

xm = x; % 每个个体的历史最佳位置

ym = zeros(1, N); % 种群的历史最佳位置

fxm = 100000\*ones(numWolf, 1); % 每个个体的历史最佳适应度

fym = 100000; % 种群历史最佳适应度

%% 粒子群工作

iter = 1;

end

time = toc;

disp(\['用时= ',num2str(time)\])

X=ym;

%% BP网络训练

%网络进化参数

net.trainParam.epochs=2000;%bp神经网络的代数

net.trainParam.lr=0.1;

%net.trainParam.goal=0.00001;

%网络训练

\[net,per2\]=train(net,inputn,outputn);

%% BP网络预测

% load data inputn\_test output\_test

inputn\_test=inputn;%测试数据输入

output\_test=outputn;%测试数据输出

an=sim(net,inputn\_test);%预测

error=(an-output\_test);%误差

error\_xiangdui=(an-output\_test)./output\_test;%相对误差

figure(1)

plot(error\_xiangdui,'ko-')

ylabel('相对误差值')

title('粒子群优化BP神经网络')

figure(2)

plot(error,'ro-')

ylabel('误差值')

title('粒子群优化BP神经网络')

figure(3)

plot(output\_test,'r + -');

hold on;

plot(an,'b \* -')

hold off

legend('真实值','预测值');

title('粒子群优化BP神经网络')

figure(4)

plot( record)

xlabel('迭代次数')

ylabel('均方差值')

## 3 仿真结果 ##

![21399ecb06c04ee9dc78474fa3b58a33.png][]

![e1fa78c11f727c07d949a055d2e9cc65.png][]

![cd1300792e85d36ee8b9a0f1f5d44cc2.png][]

## 4 参考文献 ##

\[1\]卢辉斌, 李丹丹, 孙海艳. PSO优化BP神经网络的混沌时间序列预测\[J\]. 计算机工程与应用, 2015, 51(2):224-229.

![img][img 4]

[img]: /images/20220828/e2ae7f91a3a24266bb6af0a341426b08.png
[img 1]: /images/20220828/9ed7711dfa6945b289f4b18e37c15096.png
[img 2]: /images/20220828/ddaa61a64c8a4d3da461570ee3242cbe.png
[img 3]: /images/20220828/7b160e62f453496bbe64bdf17901e3a6.png
[21399ecb06c04ee9dc78474fa3b58a33.png]: /images/20220828/dbb9653f035347a88caad58759884e81.png
[e1fa78c11f727c07d949a055d2e9cc65.png]: /images/20220828/f0c259ae955845fd84bf1a1e2cbb5a89.png
[cd1300792e85d36ee8b9a0f1f5d44cc2.png]: /images/20220828/bbdc948714b34f25a814b1ca9b1b23a2.png
[img 4]: /images/20220828/4446783245a4474a9ef7d53828b50837.png