【ELM预测】基于灰狼算法优化极限学习机预测附matlab代码（灰狼优化算法 MATLAB）

【ELM预测】基于灰狼算法优化极限学习机预测附matlab代码（灰狼优化算法 MATLAB）

1 简介

准确的电池荷电状态(SOC)估计是电动车辆正常工作的基本前提.针对目前电池荷电状态估计时存在的非线性,不平稳等干扰因素的影响,本工作提出了基于灰狼优化算法的极限学习机的锂离子电池SOC估计方法,以提高估计精度并缩短估计时长.传统的极限学习机(ELM)直接随机生成模型参数,并对SOC进行估计,该方法运行速度快且泛化性能好.但极限学习机需要找出最优的隐含层神经元参数才能达到较高的精度.因此,通过灰狼优化算法(GWO)进一步优化模型参数,并通过选择合适的激活函数,弥补了传统极限学习机的不足.

2 部分代码

%___________________________________________________________________% %%___________________________________________________________________%% Grey Wolf Optimizerfunction [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no,Max_iter,lb,ub,dim,fobj)% initialize alpha, beta, and delta_posAlpha_pos=zeros(1,dim);Alpha_score=inf; %change this to -inf for maximization problemsBeta_pos=zeros(1,dim);Beta_score=inf; %change this to -inf for maximization problemsDelta_pos=zeros(1,dim);Delta_score=inf; %change this to -inf for maximization problems%Initialize the positions of search agentsPositions=initialization(SearchAgents_no,dim,ub,lb);Convergence_curve=zeros(1,Max_iter);l=0;% Loop counter% Main loopwhile lub; Flag4lb=Positions(i,:)Alpha_score && fitnessAlpha_score && fitness>Beta_score && fitness

3 仿真结果

4 参考文献

[1]王桥, 魏孟, 叶敏,等. 基于灰狼算法优化极限学习机的锂离子电池SOC估计[J]. 储能科学与技术, 2021.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。