本期电力负荷预测数据来源为：《第九届电工数学建模竞赛试题_2016》

数据概况如下：

简介

本期内容：

①对电力负荷数据进行简单综合处理，划分训练集和测试集

②采用标准的极限学习机ELM实现电力负荷预测

③采用2024年最新鹭鹰算法优化极限学习机的权值阈值，降低预测误差

④采用白鲸算法优化ELM，并与鹭鹰算法对比，突出鹭鹰算法的高效准确性

内容详解

①对电力负荷数据进行处理

本次数据包含最高温度℃，最低温度℃，平均温度℃，相对湿度(平均)，降雨量（mm）部分数据截图如下：

数据的处理方式如下：

将2012年1月1号到2015年1月17号的负荷数据和天气数据（因为只有这几天的数据是既有天气特征，又有负荷数据的）综合到一起，得到data变量。

选取前6天数据（包括负荷和当天的最高温度℃，最低温度℃，平均温度℃，相对湿度(平均)，降雨量（mm））去预测未来一天的数据。

代码中一共选取了60个样本作为训练集，

1个样本作为测试集，实现未来一天，也就是实现超前96个时刻的负荷预测

将MAPE作为误差指标（很多文献都这么做！）。

②采用极限学习机(ELM)对电力负荷数据进行训练和预测

预测结果如下：

可以看到，未优化的ELM预测效果不是很理想。

③采用2024年最新鹭鹰算法优化极限学习机的权值阈值，并与白鲸算法做对比。

由误差对比曲线和预测结果对比，可以看到鹭鹰算法(SBOA)优化ELM的收敛精度是非常高的！

原理代码

数据替换较为简单，代码简单易懂，可以二次开发。

代码获取

代码目录如下：