【ePL-KRLS-DISCO】基于新型演化模糊系统应用于电力变压器研究(Matlab代码实现)
👨🎓个人主页:研学社的博客
💥💥💞💞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
💥1 概述
大数据的进步促使研究人员开发和改进智能模型,以高效和有效地处理数据。在这种情况下,时间序列预测会获得更多关注。文献表明,这些模型在该主题中表现更好。预测广泛用于战略规划以支持决策,为组织提供竞争差异。该文提出一种基于规则的演化模糊系统用于时间序列预测。这是一个强大的模型,能够在未知环境中开发和更新其结构,捕获流的动态和变化,即使在处理复杂数据时也能产生准确的结果。引入的模型实现了距离相关,通过降低规则的标准差来提高规则的质量。该模型使用两个合成数据集进行评估:麦基-格拉斯时间序列和非线性动态系统识别。最后,利用来自实际电力变压器的三个数据集实现所引入的系统来预测热点温度。热点监测对于最大限度地提高电力变压器的负载能力和使用寿命是必要的。从均方根误差、非维索引误差、平均绝对误差、运行时间和最终规则数等方面对所提方法进行了评估。将结果与传统预测模型以及一些相关的最先进的基于规则的进化模糊系统进行了比较。新的演进模糊系统的性能优于Mackey-Glass时间序列和电力变压器数据集的比较模型。统计检验包括所引入模型的卓越性能。该算法还获得了有竞争力的执行时间和最终规则的数量。结果表明,该模型具有高度的自主性和适应性,可以准确预测复杂和非平稳数据。看到准确模型处理数据以支持决策的重要性,结果表明该模型作为战略规划中的预测工具实施。ePL-KRLS-DISCO(使用核递归最小二乘和距离相关不断发展的参与式学习)
📚2 运行结果
2.1 算例1
2.2 算例2
2.3 算例3
2.4 算例4![](https://img-blog.csdnimg.cn/ca19e175b4484d669493e1809b0e2152.png)
2.5 算例5
2.6 算例6
部分代码:
clear all;
close all;
clc;
% Loading the data
Data = load('data/S03_Cemig_Day1');
% Defining the inputs and outputs
Inputs = Data.x;
Output = Data.y;
Data = [Inputs Output];
% Normalizing the input
Max_Input = max(max(Inputs));
Min_Input = min(min(Inputs));
Normalized_Input = (Inputs - Min_Input)/(Max_Input - Min_Input);
% Normalizing the output
Max_Output = max(max(Output));
Min_Output = min(min(Output));
Normalized_Output = (Output - Min_Output)/(Max_Output - Min_Output);
% Total number of observations
Num_Points = length(Output);
% Number of attributes
Num_Vars = size(Inputs, 2);
% Number of observations in the training phase
Num_Training_Points = 289;
% Model parameters
Arousal_Index_Init = 0;
% Rate of changing of the arousal index
beta = 0.04;
% Tresholding to adding a new rule
tau = beta;
% Learning rate
alpha = 0.05;
% Lambda
lambda = 0.0000000001;
% Kernel size
sigma = 0.5;
omega = 1;
% Threshold of the utility measure
e_Utility = 0.05;
% Calling the model
[y_Predicted Residual Num_Clusters] = ePL_KRLS_DISCO(Normalized_Input, Normalized_Output, Arousal_Index_Init, beta, tau, alpha, lambda, sigma, omega, Num_Training_Points, e_Utility);
% Denormalizing the results
y_PredictedDenormalized = y_Predicted*(Max_Output - Min_Output) + Min_Output;
ActualOutputTestData = Output(end-288:end);
ResidualTestData = (y_PredictedDenormalized(end-288:end)-ActualOutputTestData').^2;
y_PredictedTestData = y_PredictedDenormalized(end-288:end);
N_Points = length(ResidualTestData);
% Results
fprintf('\nResults:\n\n')
MSE = (1/N_Points)*sum(ResidualTestData);
RMSE = sqrt(MSE);
fprintf('RMSE: %.7f\n',RMSE);
NDEI= RMSE/std(ActualOutputTestData);
fprintf('NDEI: %.7f\n',NDEI);
MAE = (1/N_Points)*sum(abs(y_PredictedDenormalized(end-288:end)-ActualOutputTestData'));
fprintf('MAE: %.7f\n',MAE);
Final_Rules = Num_Clusters(end);
fprintf('Number of Final Rules: %d\n\n',Final_Rules);
% Plottting the graphic of the predictions
figure1 = figure();
y = ActualOutputTestData;
plot(y);
hold on;
plot(y_PredictedTestData,'r-');
xlabel('k');
ylabel('Output');
legend('Actual Value','ePL-KRLS-DISCO');
% Plottting the graphic of the number of rules
figure2 = figure();
plot(Num_Clusters);
xlim([1 Num_Training_Points]);
ylim([0 max(Num_Clusters)+1]);
xlabel('k');
ylabel('Number of rules');
% Runtime
simulations = 30;
for times = 1:simulations
initial = tic;
[y_Predicted Residual Num_Clusters] = ePL_KRLS_DISCO(Normalized_Input, Normalized_Output, Arousal_Index_Init, beta, tau, alpha, lambda, sigma, omega, Num_Training_Points, e_Utility);
duration(times) = toc(initial);
end
% Runtime results
Media = mean(duration);
fprintf('Mean runtime of %d simulations: %.2f\n', simulations, Media);
STD = std(duration);
fprintf('Runtime standard deviation for %d simulations: %.2f\n', simulations, STD);
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]Kaike Sa Teles Rocha Alves, Eduardo Pestana de Aguiar (2021) ePL-KRLS-DISCO (evolving Participatory Learning with Kernel Recursive Least Square and Distance Correlation)
🌈4 Matlab代码实现
相关文章
- 国内第一部C#.Net调用Matlab混合编程视频教程
- Matlab:序列分析法MATLAB代码
- 改进二进制粒子群算法在配电网重构中的应用(Matlab实现)【论文复现】
- 微电网两阶段鲁棒优化问题(Matlab代码实现)
- 最优孤岛划分下含分布式电源配电网可靠性评估(Matlab代码实现)
- 电力系统IEEE33节点Simulink仿真研究(Matlab实现)
- 【减速机设计、焊接梁设计、拉伸/压缩弹簧设计、压力容器设计】用于准确快速建模光伏模块/组串发生器的NLBBODE优化器及其在解决实际约束优化问题中的应用(Matlab代码实现)
- 【智能电网】分数阶微积分在决策系统中的应用,通过决策树实现智能电网管理(Matlab代码实现)
- 【雷达成像】雷达SAR成像仿真的应用(Matlab代码实现)
- 【物理应用】基于透镜傅里叶变换特性的4F相关器系统的Matlab仿真(Matlab代码实现)
- 【物理应用】使用标量衍射理论和菲涅耳和弗劳恩霍夫衍射的衍射对波动光学进行建模(Matlab代码实现)
- 【物理应用】大气辐射和透射率模型及太阳和月亮模型(Matlab代码实现)
- 基于小波变换的图像边缘检测算法的研究(Matlab代码实现)
- 【MATLAB】绘制向量场
- m基于MATLAB的通信系统仿真,包括信号源,载波信号,放大器,带宽滤波器,接收端包括放大器,带宽滤波器,载波解调,低通滤波器等
- 基于人工鱼群优化的电网规划算法matlab仿真
- 基于SPIHT小波变换的图像压缩解压缩matlab仿真,并输出解压后的图像PSNR值
- MATLAB 一行代码应用ggtheme主题--boxchart版(框须图,箱线图)
- MATLAB 一行代码应用ggtheme主题--bar版
- 【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现(更新完毕)
- 从入门到精通|Yalmip+Cplex在电力系统中的应用(Matlab代码实现)
- 衡量金融资产回报和波动溢出效应并应用于全球股票市场(Matlab代码实现)
- 基于matlab的LDPC译码算法误码率对比仿真,对比BP和BF译码
- Matlab使用笔记(十):生成Simulink模型记录的Dataset类型数据