MATLAB实现基于ELM-PSO极限学习机模型ELM结合粒子群优化算法PSO进行电动汽车EV充电负荷预测的详细项目实例项目背景介绍电动汽车产业正处于快速扩张阶段车主数量持续增长城市公共充电站、园区充电桩、居民小区慢充设施以及高速服务区快充网络共同构成了多层级充电体系。随着车辆保有量提升充电行为呈现出明显的时空聚集特征负荷曲线波动加剧峰谷差不断拉大局部区域还会出现短时功率冲击对配电网的稳定运行、变压器容量配置、站端功率分配和运营成本控制造成直接影响。电动汽车充电负荷预测因此成为智能电网、综合能源系统与充电基础设施协同优化中的关键环节。准确预测充电负荷能够帮助运营方提前安排功率资源、优化电价策略、缓解排队拥堵并为配电网侧的需求响应、储能调度和设备扩容提供依据。电动汽车充电负荷与传统居民负荷、工业负荷存在显著差异。其一充电行为受车主出行规律、到站时间、SOC初始状态、充电偏好、气温、节假日和交通态势等多因素共同作用具有更强的非线性和随机性其二快充与慢充混合并存不同场景的充电持续时间、启动频率和功率曲线差异明显其三新能源渗透率提升后充电负荷与光伏出力、分时电价、需求响应政策之间出现耦合关系使得负荷序列不再是单纯的单变量平稳信号而是具有明显扰动特征的复杂时序。若仅依赖简单线性模型往往难以刻画这种多维耦合与非平稳变化导致预测误差在高峰时段明显放大。极限学习机是一类单隐层前馈神经网络具有结构简单、训练速度快、泛化能力较强等特点适合处理中小规模样本的回归预测任务。与传统神经网络相比极限学习机通过随机初始化隐层参数并利用解析方式求解输出权重避免了反向传播迭代训练带来的收敛慢、局部最优和参数调节复杂等问题。对于电动汽车充电负荷预测这种既需要较高拟合能力又需要快速训练与部署响应的应用场景极限学习机具备天然优势。然而极限学习机的性能对输入权重、隐层偏置以及隐层节点数较为敏感若随机参数选择不佳可能导致泛化性能波动较大预测结果稳定性不足。粒子群优化算法具有概念清晰、实现简便、全局搜索能力较强的特点能够在连续参数空间中对目标函数进行高效寻优。将粒子群优化用于极限学习机参数寻优可以围绕隐层节点数、输入权重和偏置等关键超参数构建目标函数以验证集误差或交叉验证误差作为适应度指标搜索更优参数组合从而提升模型鲁棒性和预测精度。ELM 与 PSO 结合后既保留了极限学习机训练速度快的优势又增强了参数选择的自适应能力能够在电动汽车充电负荷这种高波动、强耦合场景中取得更稳定的预测表现。在 MATLAB 环境中实现 ELM-PSO 模型具有较强的工程价值。MATLAB 数据处理与矩阵运算能力较强适合快速完成数据清洗、特征构造、模型训练、参数寻优、性能评估和可视化展示等任务。通过脚本化实现可以形成一套从数据读取、特征处理、样本划分、粒子群优化、极限学习机训练到结果评估的完整流程既便于算法验证也便于后续迁移到实际充电站运营平台或配电网仿真系统中。尤其在充电负荷预测项目中MATLAB 对时间序列建模、统计分析与工程绘图的支持较强能够更直观地展示预测曲线、误差分布和模型对比结果为项目汇报、系统演示和后续扩展提供良好基础。项目目标与意义目标一提升电动汽车充电负荷预测精度项目首要目标是构建一套能够准确预测电动汽车充电负荷的模型体系使模型在不同日期类型、不同温度区间、不同交通时段和不同充电场景下都能保持较高预测精度。充电负荷具有波动大、峰值突出的特征单纯依靠历史均值或线性回归很难有效捕捉其动态变化。ELM-PSO 方案通过粒子群优化自动搜索更优网络结构与参数组合能够减少随机初始化带来的性能不稳定问题使模型更好地拟合复杂非线性关系。高精度预测不仅提升负荷曲线还原能力也有助于提前识别峰值时段、识别异常充电行为并为后续站端功率调度和储能控制提供更可信的数据基础。目标二增强模型训练效率与部署可行性项目第二个目标是兼顾预测精度与训练效率避免模型复杂度过高导致实际部署困难。极限学习机的核心优势在于输出权重可通过矩阵解析方式快速求解无需长时间迭代训练这对于需要频繁更新模型的充电站场景非常重要。粒子群优化虽然会增加一定寻优开销但其搜索过程结构清晰、参数易于控制通常能够在较少迭代轮次内收敛到较优解。这样形成的 ELM-PSO 模型能够在保证预测质量的前提下适应站端边缘计算、局部服务器和云端批量更新等多种运行模式既适合离线建模也适合周期性滚动预测具备较好的工程落地价值。目标三支持配电网与充电基础设施协同管理项目第三个目标是将预测结果服务于配电网调度、充电站运营与设备规划等业务环节。准确的充电负荷预测可以帮助运营侧合理安排变压器容量、线路负载和充电桩功率分配减少因负荷突增导致的越限风险也能帮助电网侧开展需求响应、削峰填谷和储能协同控制提升局部电网承载能力。对于新建或扩建充电场站预测结果还能辅助判断未来负荷增长趋势减少盲目扩容或容量不足带来的成本浪费。该目标体现了算法不只是追求数值指标更要服务实际业务流程形成预测、决策、控制之间的闭环。目标四为多场景推广提供通用建模范式项目第四个目标是形成一套可迁移、可扩展、可复用的建模范式使方法能够推广到城市公共充电、园区慢充、高速快充、换电站补能负荷等不同场景。不同场景虽然数据分布不同但都存在时序波动、外部因素驱动和非线性关联等共同特征。通过规范特征构造、标准化处理、参数寻优、模型评估与结果可视化流程可以建立统一的建模框架后续只需替换部分输入变量或重新训练参数即可适配新的业务场景。该意义在于提升方法的通用性和工程复用率降低后续项目开发与维护成本。项目挑战及解决方案挑战一充电负荷序列强非线性且受外部因素扰动明显电动汽车充电负荷并非稳定平滑的时序数据而是与温度、湿度、节假日、交通高峰、出行半径、工作日与休息日差异等因素密切相关。尤其在早晚高峰、节假日前后和极端天气条件下充电需求会呈现明显突变负荷峰值不但出现时间难以固定而且幅值变化也较大。若模型只使用单一历史负荷序列往往难以识别这些外部扰动引起的动态变化。解决方案是在特征层面同时引入历史负荷、时间特征、气象特征和日历特征形成多维输入向量并通过归一化处理降低量纲差异对模型训练的影响。这样可以把原本分散的影响因素统一映射到可学习空间使极限学习机更容易捕捉非线性映射关系提高复杂工况下的预测稳定性。挑战二极限学习机随机性强单次训练结果不稳定极限学习机虽然训练速度快但其隐层参数通常随机生成不同随机种子可能带来较大性能差异特别是在样本量不大或特征相关性较强时这种波动会更加明显。对于要求稳定输出的工程场景随机性过强会降低模型可信度也会影响不同批次训练结果的一致性。解决方案是引入粒子群优化机制对隐层节点数、输入权重和偏置等关键参数进行全局搜索使模型从“随机试错”转变为“有目标寻优”。同时在评估环节采用验证集误差、交叉验证误差或多指标综合评价避免只依据训练集结果选择参数。通过这种方式能够显著减少随机初始化带来的偶然性提高模型在不同数据切分条件下的稳健表现。挑战三工程实现中需要兼顾效率、可维护性与结果可解释性实际项目不仅要追求预测精度还要考虑 MATLAB 代码的可执行性、版本兼容性与后续维护成本。若实现方式过于复杂后续调试、参数替换和业务扩展都会变得困难若可视化和评估不足又难以向业务方说明模型为何有效。解决方案是在 MATLAB R2025b 环境中采用清晰的脚本结构完成数据预处理、参数寻优、模型训练和结果评估避免使用不兼容的新旧混合接口确保代码能够稳定运行。同时增加误差曲线、拟合曲线和预测对比图结合 MAE、RMSE、MAPE、R² 等指标进行综合评价使模型不仅在数值上表现良好也能在图形层面展示拟合趋势和误差分布提升项目可解释性和汇报效果。项目模型架构一、数据输入层数据输入层负责接收电动汽车充电负荷相关原始数据包括历史负荷、时间戳、温度、湿度、节假日标识、星期类型以及充电站运行状态等信息。该层的核心作用是把原始业务数据整理为模型可用的结构化样本。若数据来源来自多个系统还需要完成字段对齐、时间粒度统一和缺失值补齐。电动汽车充电负荷预测通常以小时级、半小时级甚至更细粒度为单位建模因此输入层需要保证时间序列顺序完整避免因时钟漂移或采样间隔不一致造成标签错位。对预测任务而言输入层相当于整个模型的感知入口输入质量直接影响后续模型拟合效果。若原始数据噪声较大后续即使模型结构合理也难以得到稳定预测结果因此数据输入阶段通常会配合异常值检测与基础清洗机制为后续建模创造可靠基础。二、特征构造层特征构造层的任务是将原始数据转换为更具预测能力的输入变量。对于充电负荷预测常见做法包括构建历史滞后特征、移动平均特征、峰谷时段标记、工作日与周末标记、节假日哑变量以及天气特征交互项等。其基本原理在于电动汽车充电行为往往具有显著的时间依赖性和外部环境依赖性单点负荷值难以完整表达未来趋势而多维特征能够更充分地揭示潜在规律。历史滞后特征可以帮助模型感知短期惯性移动平均特征可以平滑局部波动日历特征可以反映人群出行模式变化天气特征则可刻画气温对续航焦虑和补能需求的影响。通过这一层处理输入信息从单一负荷序列升级为多源融合特征空间为后续极限学习机的非线性映射提供更丰富的学习信号。三、ELM 回归层极限学习机回归层是整个模型的核心。ELM 由输入层、单隐层和输出层组成其中输入层到隐层的权重以及隐层偏置通常随机赋值隐层到输出层的权重则通过最小二乘思想求解。其基本原理是利用激活函数将输入映射到高维特征空间再通过线性输出层完成回归。与传统神经网络相比ELM 不需要通过反向传播反复调整参数从而大幅提高训练效率。对于负荷预测这类需要快速迭代的任务ELM 在速度上具有明显优势。其限制在于随机参数对性能影响较大因此需要通过粒子群优化改进。ELM 回归层的任务并不是单纯执行预测而是承担输入到输出的复杂非线性逼近作用决定了模型能否准确学习充电负荷的隐含规律。四、PSO 优化层粒子群优化层负责搜索更优的 ELM 参数配置。PSO 的基本思想来源于群体协同行为每个粒子代表一个候选解粒子在参数空间中根据自身历史最优位置和群体全局最优位置不断更新速度和位置。应用于 ELM 时可把隐层节点数、输入权重、偏置范围或特定超参数编码为粒子位置将验证集误差作为适应度函数。粒子在迭代中逐步逼近误差更低的区域从而找到更优模型配置。PSO 的优势在于实现简单、收敛速度较快、适合连续参数寻优特别适合处理 ELM 这种对参数敏感但结构简洁的模型。通过将 PSO 与 ELM 联合可显著降低随机初始化带来的不稳定性让模型从一次随机训练提升为具有搜索能力的优化训练过程。五、预测输出与评估层预测输出与评估层负责将模型结果转化为可分析的业务指标。该层首先输出未来时段的充电负荷预测值再与真实值进行对比计算 MAE、RMSE、MAPE 和 R² 等指标从不同角度评价模型性能。MAE 反映平均绝对偏差RMSE 强调大误差惩罚MAPE 则便于衡量相对偏差R² 反映整体拟合解释度。对于电动汽车充电负荷预测而言单一指标难以完整刻画模型效果因此通常需要多指标联合评估。该层还可提供预测曲线与真实曲线对比图、残差分布图和误差箱线图以直观展示模型在高峰时段和低谷时段的表现。评价结果不仅用于模型优选也可用于参数再训练、业务告警和调度辅助决策形成从预测到反馈的闭环机制。项目模型描述及代码示例一、生成电动汽车充电负荷模拟数据并构造输入特征 clear; % 清空工作区变量避免历史变量干扰当前实验 clc; % 清空命令窗口便于观察本次运行输出 rng(2025,twister); % 固定随机种子保证实验可复现 n 720; % 设置样本数量对应30天半小时级数据 t (1:n); % 构造时间序列索引作为样本顺序基础 hourOfDay mod((t-1)/2,24); % 构造小时特征模拟半小时采样下的日内周期 dayIndex ceil(t/48); % 构造天序号特征每48个点代表一天 isWeekend double(mod(dayIndex,7)6 | mod(dayIndex,7)0); % 构造周末标记反映工作日与休息日差异 temperature 20 8*sin(2*pi*t/144) 2*randn(n,1); % 构造温度特征模拟昼夜温度周期与随机扰动 holidayFlag double(mod(dayIndex,10)0); % 构造节假日标记模拟节假日充电需求变化 baseLoad 35 6*sin(2*pi*t/48) 4*cos(2*pi*t/96); % 构造基础负荷模拟充电站稳定负荷背景 chargeDemand 12*isWeekend 10*holidayFlag 0.8*(25-temperature) 5*sin(2*pi*hourOfDay/24); % 构造需求驱动项体现天气、日历和时段影响 noise 2.5*randn(n,1); % 构造随机噪声模拟真实充电行为中的不可观测扰动 loadValue baseLoad chargeDemand noise; % 生成目标负荷值作为预测对象 data [loadValue, hourOfDay, dayIndex, isWeekend, temperature, holidayFlag]; % 汇总为特征矩阵第一列为目标值 save(ev_charge_load_demo.mat,data); % 保存数据文件便于后续训练与结果复现 二、读取数据、划分训练集与测试集并进行标准化 load(ev_charge_load_demo.mat,data); % 读取前面保存的数据文件 Y data(:,1); % 提取负荷目标值作为回归标签 X data(:,2:end); % 提取输入特征作为模型自变量 n size(X,1); % 获取样本总数便于后续划分 trainRatio 0.7; % 设置训练集比例兼顾拟合与评估 nTrain floor(n*trainRatio); % 计算训练样本数量 XTrain X(1:nTrain,:); % 取前段样本作为训练集保持时间序列顺序 YTrain Y(1:nTrain,:); % 对应训练标签 XTest X(nTrain1:end,:); % 取后段样本作为测试集验证未来预测能力 YTest Y(nTrain1:end,:); % 对应测试标签 muX mean(XTrain,1); % 计算训练集均值用于标准化 sigmaX std(XTrain,0,1); % 计算训练集标准差用于标准化 sigmaX(sigmaX0) 1; % 防止某些特征方差为零导致除零错误 XTrainZ (XTrain - muX) ./ sigmaX; % 对训练集做Z-score标准化 XTestZ (XTest - muX) ./ sigmaX; % 使用训练集参数标准化测试集避免数据泄漏 muY mean(YTrain); % 计算标签均值便于输出层训练稳定 sigmaY std(YTrain); % 计算标签标准差 if sigmaY 0, sigmaY 1; end % 防止标签无波动时出现异常 YTrainZ (YTrain - muY) ./ sigmaY; % 对训练标签标准化 YTestZ (YTest - muY) ./ sigmaY; % 对测试标签进行同尺度变换 三、构建单隐层极限学习机并完成输出权重求解 hiddenNum 30; % 设置隐层节点数作为ELM核心结构参数 inputNum size(XTrainZ,2); % 获取输入特征维度 W rand(hiddenNum,inputNum)*2-1; % 随机生成输入权重矩阵取值范围为[-1,1] b rand(hiddenNum,1)*2-1; % 随机生成隐层偏置增强非线性映射能力 H 1 ./ (1 exp(-(XTrainZ*W b))); % 计算隐层输出采用Sigmoid激活函数 beta pinv(H) * YTrainZ; % 通过广义逆求解输出权重实现快速闭式训练 Htest 1 ./ (1 exp(-(XTestZ*W b))); % 计算测试集隐层输出 YPreZ Htest * beta; % 得到标准化空间下的预测值 YPre YPreZ * sigmaY muY; % 将预测值反标准化回原始量纲 四、定义粒子群适应度函数并进行参数寻优 particleNum 12; % 设置粒子数量平衡搜索能力与计算成本 iterMax 20; % 设置最大迭代次数控制优化时间 dim 1; % 设置寻优维度这里仅优化隐层节点数 lb 10; % 设置隐层节点数下界避免网络过小 ub 80; % 设置隐层节点数上界避免网络过大 pos lb (ub-lb)*rand(particleNum,dim); % 初始化粒子位置 vel zeros(particleNum,dim); % 初始化粒子速度 pBest pos; % 初始化个体最优位置 pBestVal inf(particleNum,1); % 初始化个体最优适应度 gBest pos(1,:); % 初始化全局最优位置 gBestVal inf; % 初始化全局最优适应度 for iter 1:iterMax % 开始粒子群迭代 for i 1:particleNum % 遍历每个粒子 hNum max(5, round(pos(i))); % 将粒子位置映射为整数隐层节点数 Wp rand(hNum,inputNum)*2-1; % 为当前粒子生成随机输入权重 bp rand(hNum,1)*2-1; % 为当前粒子生成随机偏置 Hp 1 ./ (1 exp(-(XTrainZ*Wp bp))); % 计算当前粒子对应的隐层输出 betap pinv(Hp) * YTrainZ; % 求解当前粒子对应输出权重 Yhat Hp * betap; % 计算训练集拟合值 mseVal mean((YTrainZ - Yhat).^2); % 计算适应度采用均方误差 if mseVal pBestVal(i) % 判断是否更新个体最优 pBestVal(i) mseVal; % 保存更优适应度 pBest(i) pos(i); % 保存更优位置 end if mseVal gBestVal % 判断是否更新全局最优 gBestVal mseVal; % 保存更优全局适应度 gBest pos(i); % 保存更优全局位置 end end w 0.72; % 设置惯性权重控制搜索惯性 c1 1.5; % 设置个体学习因子 c2 1.5; % 设置群体学习因子 r1 rand(particleNum,dim); % 生成个体随机因子 r2 rand(particleNum,dim); % 生成群体随机因子 vel w*vel c1*r1.*(pBest-pos) c2*r2.*(gBest-pos); % 更新粒子速度 pos pos vel; % 更新粒子位置 pos max(lb, min(ub, pos)); % 将位置限制在搜索边界内 end bestHiddenNum max(5, round(gBest)); % 得到最优隐层节点数 五、基于最优参数重新训练 ELM 并评估预测性能 Wbest rand(bestHiddenNum,inputNum)*2-1; % 根据最优隐层节点数重新初始化输入权重 bbest rand(bestHiddenNum,1)*2-1; % 重新初始化隐层偏置 HbestTrain 1 ./ (1 exp(-(XTrainZ*Wbest bbest))); % 计算最优结构下的训练集隐层输出 betabest pinv(HbestTrain) * YTrainZ; % 重新求解输出权重 HbestTest 1 ./ (1 exp(-(XTestZ*Wbest bbest))); % 计算测试集隐层输出 YPredZ HbestTest * betabest; % 得到测试集标准化预测值 YPred YPredZ * sigmaY muY; % 将预测值转换回原始负荷尺度 maeVal mean(abs(YTest - YPred)); % 计算平均绝对误差 rmseVal sqrt(mean((YTest - YPred).^2)); % 计算均方根误差 mapeVal mean(abs((YTest - YPred) ./ max(abs(YTest),eps))) * 100; % 计算平均绝对百分比误差 sst sum((YTest - mean(YTest)).^2); % 计算总平方和 sse sum((YTest - YPred).^2); % 计算残差平方和 r2Val 1 - sse/sst; % 计算决定系数 fprintf(MAE %.4f\n,maeVal); % 输出平均绝对误差 fprintf(RMSE %.4f\n,rmseVal); % 输出均方根误差 fprintf(MAPE %.2f%%\n,mapeVal); % 输出平均绝对百分比误差 fprintf(R2 %.4f\n,r2Val); % 输出决定系数 六、绘制真实值与预测值对比图并展示误差趋势 fig1 figure(Color,w,Name,EV Charge Load Forecast); % 创建白底图窗便于结果展示 plot(YTest,k-,LineWidth,1.5); % 绘制真实负荷曲线 hold on; % 保持当前图形叠加预测曲线 plot(YPred,r--,LineWidth,1.5); % 绘制预测负荷曲线 grid on; % 显示网格便于观察变化趋势 legend({真实值,预测值},Location,best); % 添加图例区分曲线含义 xlabel(测试样本序号); % 设置横轴标签 ylabel(充电负荷); % 设置纵轴标签 title(ELM-PSO 电动汽车充电负荷预测结果); % 设置图表标题 figure(Color,w,Name,Prediction Error); % 创建误差图窗 err YTest - YPred; % 计算残差 plot(err,b-,LineWidth,1.2); % 绘制误差曲线 grid on; % 显示网格 xlabel(测试样本序号); % 设置横轴标签 ylabel(预测误差); % 设置纵轴标签 title(预测误差分布一、生成电动汽车充电负荷模拟数据并构造输入特征clear; % 清空工作区变量避免历史变量干扰当前实验clc; % 清空命令窗口便于观察本次运行输出rng(2025,twister); % 固定随机种子保证实验可复现n 720; % 设置样本数量对应30天半小时级数据t (1:n); % 构造时间序列索引作为样本顺序基础hourOfDay mod((t-1)/2,24); % 构造小时特征模拟半小时采样下的日内周期dayIndex ceil(t/48); % 构造天序号特征每48个点代表一天isWeekend double(mod(dayIndex,7)6 | mod(dayIndex,7)0); % 构造周末标记反映工作日与休息日差异temperature 20 8*sin(2*pi*t/144) 2*randn(n,1); % 构造温度特征模拟昼夜温度周期与随机扰动holidayFlag double(mod(dayIndex,10)0); % 构造节假日标记模拟节假日充电需求变化baseLoad 35 6*sin(2*pi*t/48) 4*cos(2*pi*t/96); % 构造基础负荷模拟充电站稳定负荷背景chargeDemand 12*isWeekend 10*holidayFlag 0.8*(25-temperature) 5*sin(2*pi*hourOfDay/24); % 构造需求驱动项体现天气、日历和时段影响noise 2.5*randn(n,1); % 构造随机噪声模拟真实充电行为中的不可观测扰动loadValue baseLoad chargeDemand noise; % 生成目标负荷值作为预测对象data [loadValue, hourOfDay, dayIndex, isWeekend, temperature, holidayFlag]; % 汇总为特征矩阵第一列为目标值save(ev_charge_load_demo.mat,data); % 保存数据文件便于后续训练与结果复现二、读取数据、划分训练集与测试集并进行标准化load(ev_charge_load_demo.mat,data); % 读取前面保存的数据文件Y data(:,1); % 提取负荷目标值作为回归标签X data(:,2:end); % 提取输入特征作为模型自变量n size(X,1); % 获取样本总数便于后续划分trainRatio 0.7; % 设置训练集比例兼顾拟合与评估nTrain floor(n*trainRatio); % 计算训练样本数量XTrain X(1:nTrain,:); % 取前段样本作为训练集保持时间序列顺序YTrain Y(1:nTrain,:); % 对应训练标签XTest X(nTrain1:end,:); % 取后段样本作为测试集验证未来预测能力YTest Y(nTrain1:end,:); % 对应测试标签muX mean(XTrain,1); % 计算训练集均值用于标准化sigmaX std(XTrain,0,1); % 计算训练集标准差用于标准化sigmaX(sigmaX0) 1; % 防止某些特征方差为零导致除零错误XTrainZ (XTrain - muX) ./ sigmaX; % 对训练集做Z-score标准化XTestZ (XTest - muX) ./ sigmaX; % 使用训练集参数标准化测试集避免数据泄漏muY mean(YTrain); % 计算标签均值便于输出层训练稳定sigmaY std(YTrain); % 计算标签标准差if sigmaY 0, sigmaY 1; end % 防止标签无波动时出现异常YTrainZ (YTrain - muY) ./ sigmaY; % 对训练标签标准化YTestZ (YTest - muY) ./ sigmaY; % 对测试标签进行同尺度变换三、构建单隐层极限学习机并完成输出权重求解hiddenNum 30; % 设置隐层节点数作为ELM核心结构参数inputNum size(XTrainZ,2); % 获取输入特征维度W rand(hiddenNum,inputNum)*2-1; % 随机生成输入权重矩阵取值范围为[-1,1]b rand(hiddenNum,1)*2-1; % 随机生成隐层偏置增强非线性映射能力H 1 ./ (1 exp(-(XTrainZ*W b))); % 计算隐层输出采用Sigmoid激活函数beta pinv(H) * YTrainZ; % 通过广义逆求解输出权重实现快速闭式训练Htest 1 ./ (1 exp(-(XTestZ*W b))); % 计算测试集隐层输出YPreZ Htest * beta; % 得到标准化空间下的预测值YPre YPreZ * sigmaY muY; % 将预测值反标准化回原始量纲四、定义粒子群适应度函数并进行参数寻优particleNum 12; % 设置粒子数量平衡搜索能力与计算成本iterMax 20; % 设置最大迭代次数控制优化时间dim 1; % 设置寻优维度这里仅优化隐层节点数lb 10; % 设置隐层节点数下界避免网络过小ub 80; % 设置隐层节点数上界避免网络过大pos lb (ub-lb)*rand(particleNum,dim); % 初始化粒子位置vel zeros(particleNum,dim); % 初始化粒子速度pBest pos; % 初始化个体最优位置pBestVal inf(particleNum,1); % 初始化个体最优适应度gBest pos(1,:); % 初始化全局最优位置gBestVal inf; % 初始化全局最优适应度for iter 1:iterMax % 开始粒子群迭代for i 1:particleNum % 遍历每个粒子hNum max(5, round(pos(i))); % 将粒子位置映射为整数隐层节点数Wp rand(hNum,inputNum)*2-1; % 为当前粒子生成随机输入权重bp rand(hNum,1)*2-1; % 为当前粒子生成随机偏置Hp 1 ./ (1 exp(-(XTrainZ*Wp bp))); % 计算当前粒子对应的隐层输出betap pinv(Hp) * YTrainZ; % 求解当前粒子对应输出权重Yhat Hp * betap; % 计算训练集拟合值mseVal mean((YTrainZ - Yhat).^2); % 计算适应度采用均方误差if mseVal pBestVal(i) % 判断是否更新个体最优pBestVal(i) mseVal; % 保存更优适应度pBest(i) pos(i); % 保存更优位置endif mseVal gBestVal % 判断是否更新全局最优gBestVal mseVal; % 保存更优全局适应度gBest pos(i); % 保存更优全局位置endendw 0.72; % 设置惯性权重控制搜索惯性c1 1.5; % 设置个体学习因子c2 1.5; % 设置群体学习因子r1 rand(particleNum,dim); % 生成个体随机因子r2 rand(particleNum,dim); % 生成群体随机因子vel w*vel c1*r1.*(pBest-pos) c2*r2.*(gBest-pos); % 更新粒子速度pos pos vel; % 更新粒子位置pos max(lb, min(ub, pos)); % 将位置限制在搜索边界内endbestHiddenNum max(5, round(gBest)); % 得到最优隐层节点数五、基于最优参数重新训练 ELM 并评估预测性能Wbest rand(bestHiddenNum,inputNum)*2-1; % 根据最优隐层节点数重新初始化输入权重bbest rand(bestHiddenNum,1)*2-1; % 重新初始化隐层偏置HbestTrain 1 ./ (1 exp(-(XTrainZ*Wbest bbest))); % 计算最优结构下的训练集隐层输出betabest pinv(HbestTrain) * YTrainZ; % 重新求解输出权重HbestTest 1 ./ (1 exp(-(XTestZ*Wbest bbest))); % 计算测试集隐层输出YPredZ HbestTest * betabest; % 得到测试集标准化预测值YPred YPredZ * sigmaY muY; % 将预测值转换回原始负荷尺度maeVal mean(abs(YTest - YPred)); % 计算平均绝对误差rmseVal sqrt(mean((YTest - YPred).^2)); % 计算均方根误差mapeVal mean(abs((YTest - YPred) ./ max(abs(YTest),eps))) * 100; % 计算平均绝对百分比误差sst sum((YTest - mean(YTest)).^2); % 计算总平方和sse sum((YTest - YPred).^2); % 计算残差平方和r2Val 1 - sse/sst; % 计算决定系数fprintf(MAE %.4f\n,maeVal); % 输出平均绝对误差fprintf(RMSE %.4f\n,rmseVal); % 输出均方根误差fprintf(MAPE %.2f%%\n,mapeVal); % 输出平均绝对百分比误差fprintf(R2 %.4f\n,r2Val); % 输出决定系数六、绘制真实值与预测值对比图并展示误差趋势fig1 figure(Color,w,Name,EV Charge Load Forecast); % 创建白底图窗便于结果展示plot(YTest,k-,LineWidth,1.5); % 绘制真实负荷曲线hold on; % 保持当前图形叠加预测曲线plot(YPred,r--,LineWidth,1.5); % 绘制预测负荷曲线grid on; % 显示网格便于观察变化趋势legend({真实值,预测值},Location,best); % 添加图例区分曲线含义xlabel(测试样本序号); % 设置横轴标签ylabel(充电负荷); % 设置纵轴标签title(ELM-PSO 电动汽车充电负荷预测结果); % 设置图表标题figure(Color,w,Name,Prediction Error); % 创建误差图窗err YTest - YPred; % 计算残差plot(err,b-,LineWidth,1.2); % 绘制误差曲线grid on; % 显示网格xlabel(测试样本序号); % 设置横轴标签ylabel(预测误差); % 设置纵轴标签title(预测误差分布); % 设置误差图标题更多详细内容请访问http://智能交通MATLAB实现基于ELM-PSO极限学习机模型ELM结合粒子群优化算法PSO进行电动汽车EV充电负荷预测的详细项目实例含完整的程序GUI设计和代码详解_带GUI的LSSVM分类预测资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/90379675https://download.csdn.net/download/xiaoxingkongyuxi/90379675http:// https://download.csdn.net/download/xiaoxingkongyuxi/90379675