目录
1主要内容
该程序采用蜣螂优化算法+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！
-
蜣螂优化算法DBO
蜣螂优化算法是东华大学教授于2022年提出来的，作为比较新的群智能优化算法，它具有其他智能算法同样的特征，包括种群设置、迭代优化等，算法参考的是屎壳郎滚球、跳舞、觅食、偷盗和繁殖行为，程序包内包括该新型智能算法的参考文献，方便大家学习！
-
变分模态分解VMD
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，需要采用智能算法进行参数优化。
2 部分代码
clear
close all
%% 导入数据
data = xlsread('原始数据.xlsx');
%%
global uoutput shuru geshu nn K shuchu
geshu=847;%训练集的个数
%读取数据
shuru=data(:,1:4);
shuchu=data(:,5);
%% vmd分解
uoutput=[];
alpha = 200; % moderate bandwidth constraint
tau = 0; % noise-tolerance (no strict fidelity enforcement)
K = 4; % 4 模
DC = 0; % no DC part imposed
init = 1; % initialize omegas uniformly
tol = 1e-7;
L=length(shuchu);%采样点数,即有多少个数据
for d=1:size(shuchu,2)
[u_0, u_hat, omega] = VMD(shuchu(:,d), alpha, tau, K, DC, init, tol);
K=size(u_0,1);
figure
subplot(K+1,1,1)
plot(shuchu(:,d))
ylabel('原始')
xlim([0 L])
title(['第',num2str(d),'个特征的VMD分解'])
for i=2:K+1
subplot(K+1,1,i)
plot(u_0(i-1,:))
xlim([0 L])
ylabel(['IMF',num2str(i-1)])
end
ylabel('res')
uoutput=[uoutput;u_0 ];
end
% nn = randperm(size(shuru,1));%随机排序
nn=1:size(shuru,1);%正常排序
%% 蜣螂算法参数设置
% 优化参数的个数dim为2 。
%目标函数
fun = @getObjValue;
dim = 2;
% 优化参数的取值上下限（正则化系数C 核函数参数矩阵g ）
lb = [25 2];
ub = [60 5];
%% 参数设置
pop =20; %种群数量
Max_iteration=100;%最大迭代次数
%% 优化(调用函数)
[Best_pos,Best_score,Convergence_curve]=DBO(pop,Max_iteration,lb,ub,dim,fun);
3 程序结果
