基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
在全球加速向清洁能源转型的背景下，风能作为重要的可再生能源，其发电规模持续扩大。然而，风电功率的间歇性和波动性给电力系统的稳定运行带来挑战。准确的风电功率预测对于电力系统调度、机组组合以及电力市场交易至关重要。本文探讨利用鱼鹰优化算法（OOA）对 CNN - BiGRU - Attention 模型进行优化，以提升风电功率预测的精度。
二、风电功率预测面临的挑战
复杂的影响因素：风电功率受多种因素影响，如风速、风向、温度、气压、湿度等气象条件，以及风力发电机的性能、地形地貌等。这些因素相互交织，呈现出复杂的非线性关系，增加了预测的难度。
数据的不确定性：气象数据本身存在测量误差和不确定性，并且未来气象条件难以精确预知。此外，风力发电机可能出现故障或性能衰退，进一步影响风电功率数据的稳定性和可预测性。
三、CNN - BiGRU - Attention 模型
卷积神经网络（CNN）：CNN 能够自动提取数据的局部特征。在风电功率预测中，通过卷积层对输入的多变量时间序列数据（如不同时间点的风速、温度等）进行卷积操作，捕捉数据在时间和变量维度上的局部模式和特征。池化层则用于降低数据维度，减少计算量，同时保留关键特征。
双向门控循环单元（BiGRU）：BiGRU 是 GRU 的双向扩展。GRU 通过重置门和更新门解决了循环神经网络（RNN）中的梯度消失和爆炸问题，能有效捕捉时间序列的长期依赖关系。BiGRU 从正向和反向两个方向处理时间序列，充分利用前后文信息，对于风电功率这种依赖历史和未来短期趋势的数据，能更好地挖掘其时间序列特征。
注意力机制（Attention）：注意力机制可让模型在处理序列数据时，自动聚焦于输入序列中与当前预测任务相关的部分信息。在风电功率预测中，通过计算不同时间步或不同变量的注意力权重，模型能突出对风电功率预测最重要的信息，从而提高预测精度。
四、鱼鹰优化算法（OOA）
仿生原理：鱼鹰优化算法模拟了鱼鹰的捕食行为。鱼鹰在捕食时，会在天空中盘旋观察，发现猎物后迅速俯冲抓取。在算法中，每只鱼鹰代表问题的一个潜在解，通过模拟鱼鹰的搜索、俯冲和捕获猎物等行为，在解空间中寻找最优解。
算法流程：
初始化：随机生成一定数量的鱼鹰个体，每个个体包含位置和速度信息，位置表示问题的解，速度决定个体在解空间中的移动方向和步长。同时，设定算法的参数，如最大迭代次数、搜索空间范围等。
搜索阶段：鱼鹰个体根据自身位置和速度在搜索空间中移动，评估每个位置对应的适应度值（在风电功率预测中，可将预测误差的倒数作为适应度值，误差越小，适应度值越高）。
俯冲阶段：部分鱼鹰个体根据一定概率进入俯冲阶段，快速向当前最优解靠近，模拟鱼鹰发现猎物后迅速俯冲的行为。在这个过程中，更新鱼鹰个体的位置和速度。
捕获阶段：当鱼鹰个体的适应度值满足一定条件或达到最大迭代次数时，认为捕获到猎物，即找到了最优解。
更新与迭代：根据搜索、俯冲和捕获阶段的结果，更新鱼鹰个体的位置和速度，进入下一次迭代，直到满足终止条件。
五、OOA 优化 CNN - BiGRU - Attention 模型
参数优化：CNN - BiGRU - Attention 模型包含众多参数，如 CNN 的卷积核大小、数量，BiGRU 的隐藏单元数量，Attention 机制的相关参数等。将这些参数编码为鱼鹰个体的位置，通过 OOA 算法搜索最优的参数组合，以提升模型性能。
模型训练：在每次迭代中，根据鱼鹰个体的位置（即参数组合）构建 CNN - BiGRU - Attention 模型，使用训练数据集对模型进行训练，计算预测误差，并将其倒数作为鱼鹰个体的适应度值。根据适应度值，OOA 算法调整鱼鹰个体的位置和速度，引导模型向最优参数组合搜索。
模型评估：经过 OOA 算法多次迭代优化后，使用测试数据集对优化后的 CNN - BiGRU - Attention 模型进行评估。采用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等指标衡量模型的预测精度。
⛳️ 运行结果
🔗 参考文献
[1]蒋建东,张海峰,郭嘉琦.基于改进蜣螂优化算法的短期风电功率预测[J].郑州大学学报（工学版）, 2025(4).
🍅更多创新智能优化算法模型和应用场景可扫描关注
🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌟电力系统方面：
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心