好看的网站页面,阿里巴巴做网站接单几率,推广网发布的信息准确吗,wordpress建站显示网站图标今天为大家带来一期基于DBO-SVM的电力负荷预测。 原理详解 文章对支持向量机(SVM)的两个参数进行优化#xff0c;分别是#xff1a;惩罚系数c和 gamma。 其中#xff0c;惩罚系数c表示对误差的宽容度。c越高#xff0c;说明越不能容忍出现误差,容易过拟合。c越小#xff0… 今天为大家带来一期基于DBO-SVM的电力负荷预测。 原理详解 文章对支持向量机(SVM)的两个参数进行优化分别是惩罚系数c和 gamma。 其中惩罚系数c表示对误差的宽容度。c越高说明越不能容忍出现误差,容易过拟合。c越小容易欠拟合。c过大或过小泛化能力都会变差。 gamma是选择RBF函数作为kernel后该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布gamma越大支持向量越少gamma值越小支持向量越多。支持向量的个数影响训练与预测的速度。 本文所选SVM是从官网下载的libsvm-3.3版本作者已编译好大家可以直接运行。如果想自行编译的童鞋可以从网站下载https://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html编译步骤可以参考https://blog.csdn.net/qq_42457960/article/details/109275227 采用蜣螂优化SVM参数设置范围分别是 惩罚系数c[0.001, 1000]gamma[2^-8,2^8] 将DBO种群数设置为30迭代次数设置为60。 数据准备 对电力负荷数据进行处理 本次数据包含负荷值温度湿度风速压强降水量能见度水汽压和体感温度部分数据截图如下 选取1200个样本作为训练集每个样本组成为当天24个小时的全部数据因此训练集的输入数据大小为1200*216其中21624*924代表24个小时9代表9个特征。训练集的输出数据大小为1200*1。1代表未来一小时的负荷值。 选取100个样本作为测试集同理测试集的输入数据大小为100*216训练集的输出数据大小为100*1。 结果展示 采用SVM对电力负荷数据进行训练和预测 SVM的预测结果如下 可以看到未优化的SVM预测效果还是不错的但是仍然有改进空间。 DBO-SVM模型的预测效果如下 误差对比图如下 DBO-SVM的进化曲线 可以看到DBO-SVM预测效果有了明显提升DBO-SVM的MSE误差为0.79022相比于未优化SVM的17.2023有了很大提升 DBO-SVM的回归拟合图 误差直方图 部分代码 %% 初始化DBO参数
pop30; %初始种群规模
maxgen60; %最大进化代数
lb [10^-3, 2^-8];
ub [10^3, 2^8];
dim 2;
[fMin,bestX,Convergence_curve ] DBOforSVM(pop, maxgen,lb,ub,dim,inputn,output_train,inputn_test,output_test);
bestcbestX(1);
bestgbestX(2);
disp([最佳参数为,num2str(bestX)])
cmd [ -t 2, -c ,num2str(bestc), -g ,num2str(bestg), -s 3 -h 0 -q];
mode1 libsvmtrain(output_train,inputn,cmd);
[test_simu1,~,~] libsvmpredict(output_test,inputn_test,mode1);
mse1mse(output_test,test_simu1);
error1 output_test - test_simu1;%% 绘制进化曲线
figure
plot(Convergence_curve,r-,linewidth,2)
xlabel(进化代数)
ylabel(均方误差)
legend(最佳适应度)
title(DBO-SVM的MSE进化曲线)
% 绘制误差对比图
figure
plot(abs(error1),-*)
hold on
plot(abs(error0),-or)
title([SVM的MSE:,num2str(mse0),newline,DBO-SVM的MSE,num2str(mse1)])
xlabel(预测样本,fontsize,12)
ylabel(误差绝对值,fontsize,12)
legend(DBO-SVM预测器预测,SVM预测器预测)
% 绘制结果对比曲线图
figure
plot(output_test,b-.)
hold on
plot(test_simu0,r)
hold on
plot(test_simu1,g)
hold off
grid on
title([结果对比曲线图])
legend(真实值,SVM预测值,DBO-SVM预测值)
xlabel(样本编号)
ylabel(负荷值)%% 回归图与误差直方图
figure;
plotregression(test_simu1,output_test,[优化后回归图]);
set(gcf,color,w)figure;
ploterrhist(test_simu1-output_test,[误差直方图]);
set(gcf,color,w)%% 打印出评价指标
% 预测结果评价
ae abs(test_simu1-output_test);
rmse (mean(ae.^2)).^0.5;
mse mean(ae.^2);
mae mean(ae);
mape mean(ae./test_simu1);
[R,r] corr(output_test,test_simu1);
R2 1 - norm(output_test - test_simu1)^2 / norm(output_test-mean(output_test ))^2;
disp(预测结果评价指标)
disp([RMSE , num2str(rmse)])
disp([MSE , num2str(mse)])
disp([MAE , num2str(mae)])
disp([MAPE , num2str(mape)])
disp([决定系数R^2为,num2str(R2)]) 代码获取 完整代码获取点击下方卡片后台回复关键词 DBOSVM
