基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究（Matlab代码实现）

💥💥💞💞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

⛳️赠与读者

💥1 概述

1. 研究背景与意义

2. 核心算法原理

2.1 鱼鹰优化算法（OOA）

2.2 CNN-BiGRU-Attention模型

3. OOA优化CNN-BiGRU-Attention的可行性

3.1 技术适配性

3.2 优势分析

4. 风电功率预测实验设计

4.1 数据预处理

4.2 模型优化流程

4.3 评估指标

5. 应用案例与效果验证

5.1 典型案例

5.2 性能对比

6. 挑战与未来方向

现存问题

优化方向

结论

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

---

⛳️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：

• 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：

  1. 输入：历史功率+气象数据（风速、温度等）。
  2. 特征提取：CNN处理高维数据。
  3. 时序建模：BiGRU捕捉长短期依赖。
  4. 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

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：
  1. 缺失值填充：相邻时段均值插补。
  2. 异常值处理：Z-score标准化剔除离群点。
  3. 归一化：Min-Max缩放至[0,1]。
  4. 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

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

1. 多算法融合：结合VMD/SSA分解降低数据噪声。
2. 实时预测：轻量化模型部署边缘设备。
3. 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