1 主要内容
该程序采用白鲸优化算法+变分模态分解+核极限学习机三种方法组合对短期光伏功率进行预测，当然，该方法同样适用于风电、负荷等方面的预测，通过采用原始数据进行训练和测试，验证了方法的有效性，同时，该程序包内还包括变分模态分解+核极限学习机（vmd+kelm）以及核极限学习机（kelm）预测对比程序，方便对比学习，程序包括必要注释，通用性强！
白鲸优化（BWO）算法一种基于群体的元启发式算法，用于解决优化问题。BWO的灵感来自白鲸的行为，包括三个阶段：探索阶段，开发阶段和鲸鱼坠落阶段。
核极限学习机KELM
KELM 是在传统 ELM 的基础上延展而来，用核映射代替随机映射，进而将高复杂低维的空间问题转化为高维空间内积运算问题，相较于 ELM 具有更强的网络输出稳定性和泛化能力。在KELM算法中，核参数g 和正则化系数C 是影响KELM预测性能的重要因素。在 KELM 训练学习过程中，核参数 g 具有调节经验风险比例和置信区间的作用，而正则化系数C 用于控制训练误差所占比例的范围，若核参数和正则化系数选择不当，则会使 KELM 的泛化能力大大减弱，从而导致网络输出不稳定，因此对 KELM的核参数和正则化系数进行优化十分必要。因此，这两个参数需要采用智能算法进行参数优化。
2 部分代码
%% 优化(调用函数) [Best_pos,Best_score,Convergence_curve]=BWO(pop,Max_iteration,lb,ub,dim,fun); x=Best_pos ; %最优个体 C = x(1); %正则化系数 Kernel_type = 'RBF'; %核函数名 Kernel_para = x(2); %核函数参数矩阵 %% xunlian=[]; cesi=[]; for mode=1:K shuchu1 = uoutput(mode,:)'; input_train =shuru(nn(1:geshu),:);input_train=input_train'; output_train=shuchu1(nn(1:geshu),:);output_train=output_train'; input_test =shuru(nn((geshu+1):end),:);input_test=input_test'; output_test=shuchu1(nn((geshu+1):end),:);output_test=output_test'; %% %样本输入输出数据归一化 [aa,bb]=mapminmax([input_train input_test]); [cc,dd]=mapminmax([output_train output_test]); inputn=mapminmax('apply',input_train,bb); outputn=mapminmax('apply',output_train,dd); x_test=mapminmax('apply',input_test,bb); y_test=mapminmax('apply',output_test,dd); train_x=inputn; train_y=outputn; test_x=x_test; test_y=y_test ; [predict_trainy, predict_testy] = KELM(train_x,train_y,test_x,test_y, C, Kernel_type, Kernel_para); % 测试集 test_s1=mapminmax('reverse',predict_testy,dd);%反归一化 % 训练集 train_s1=mapminmax('reverse',predict_trainy,dd);%反归一化 xunlian=[xunlian;train_s1]; cesi=[cesi;test_s1;]; end
3 程序结果
