基于多目标蝗虫优化算法的全国棉花产量预测

随着全球气候变化和农业发展的影响,棉花产量的预测分析对于农业规划和资源配置至关重要。为了对全国棉花产量进行更精确的预测,本文提出了一种多目标蝗虫优化(MOGOA)组合预测方法。首先运用ARIMA时间序列模型、最小二乘支持向量机LSSVM模型、循环神经网络RNN模型3种单项模型对2009-2023年全国棉花产量数据进行预测。然后,通过多目标蝗虫迭代优化过程,得到了一组最优解,并将单项模型预测结果与组合预测方法预测结果相对比。通过实例验证,运用多目标蝗虫优化的组合预测方法预测结果误差更小、拟合程度更高,证明了该模型在实际应用中具有良好的价值,更好地反映出棉花产量的实际变化情况。最后使用该方法对2024—2026年的全国棉花产量进行预测,为棉花产业发展提供参考。

基于多方面特征提取和迁移学习的风速预测

为满足风电场远程集控中心高效、低成本预测不同地理位置风电场风速的要求,结合“离线训练,在线预测”的思想,提出一种基于多方面特征提取和迁移学习的多变量风速预测模型。离线模型融合双通道卷积神经网络和双向长短时记忆神经网络捕捉风速信息,学习各典型位置风电场的风速特性,然后迁移至任意风电场实现快速在线预测,通过改进的多目标蝗虫优化算法集成各典型风电场预测结果,进一步提高预测精度。最后通过河北一集控中心验证表明,该文所提模型的适应性与准确性均优于其他基线模型。

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。