改进的蜣螂优化算法及光伏发电功率预测应用

陈庆明; 廖鸿飞; 孙颖楷; 梁奇峰

doi:doi:10.19912/j.0254-0096.tynxb.2024-0715

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

改进的蜣螂优化算法及光伏发电功率预测应用

更新时间：2025-10-22

- 改进的蜣螂优化算法及光伏发电功率预测应用
- 暂无标题
- 太阳能学报 2025年46卷第9期页码：445-454
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0715
  中图分类号： TP301
- 网络出版：2025-10-14，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
陈庆明, 廖鸿飞, 孙颖楷, 等. 改进的蜣螂优化算法及光伏发电功率预测应用[J]. 太阳能学报, 2025,46(9):445-454.
陈庆明, 廖鸿飞, 孙颖楷, 等. 改进的蜣螂优化算法及光伏发电功率预测应用[J]. 太阳能学报, 2025,46(9):445-454. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0715.

DOI：

摘要

针对蜣螂优化算法因陷入局部最优值而收敛精度低的问题

提出融合遗传算法改进的蜣螂优化算法

即遗传-蜣螂优化算法（GADBO）

同时结合初始化种群和变异扰动的策略

改善局部最优

提高全局搜索能力。通过10个基准函数的测试和对比

验证改进GADBO算法的有效性

且GADBO比其他群智能优化算法寻优精度更高。GADBO算法应用于长短期记忆神经网络（LSTM）超参数优化

并建立光伏发电功率预测模型。仿真结果表明

以GADBO算法优化而建立的LSTM预测模型拟合系数为98.45%

平均绝对误差和平均绝对百分比误差也最小

模型的准确度和精度都得到提高

验证GADBO在神经网络优化上的适用性和效果。

Abstract

A genetic algorithm-dung beetle optimization （GADBO） is proposed to address the problem of low convergence accuracy of the dung beetle optimization algorithm due to being trapped in local optima. This improved algorithm combines the strategies of initial population and mutation disturbance to escape local optima and enhance global search capabilities. Through the testing and comparison of 10 benchmark functions

the effectiveness of the GADBO algorithm improvement has been verified

and GADBO has higher optimization accuracy than other swarm intelligence optimization algorithms. The GADBO algorithm is applied to the hyperparameter optimization of long short-term memory （LSTM） neural networks

and a photovoltaic power generation prediction model is established. The simulation results show that the LSTM prediction model optimized by the GADBO algorithm has a fitting coefficient of 98.45%

and the average absolute error and average absolute percentage error are also minimized. The accuracy and precision of the model have been improved

verifying the applicability and effectiveness of GADBO in neural network optimization.

关键词

Keywords

references

李雅丽, 王淑琴, 陈倩茹, 等. 若干新型群智能优化算法的对比研究[J]. 计算机工程与应用, 2020, 56(22): 1-12.

袁建华, 谢斌斌, 何宝林, 等. 基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法[J]. 太阳能学报, 2022, 43(8): 58-66.

文爽, 马逸骋, 孙志强. 基于GWO-EEMD-BP神经网络的光伏发电功率短期预测[J]. 中南大学学报(自然科学版), 2022, 53(12): 4799-4808.

王晓霞, 俞敏, 冀明, 等. 基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测[J]. 太阳能学报, 2023, 44(6): 275-283.

谢丽蓉, 王斌, 包洪印, 等. 基于EEMD-WOA-LSSVM的超短期风电功率预测[J]. 太阳能学报, 2021, 42(7): 290-296.

雍龙泉, 黎延海, 贾伟. 正弦余弦算法的研究及应用综述[J]. 计算机工程与应用, 2020, 56(14): 26-34.

彭晓波, 桂卫华, 黄志武, 等. GAPSO: 一种高效的遗传粒子混合算法及其应用[J]. 系统仿真学报, 2008, 20(18): 5025-5027, 5031.

ZHANG X Q, ZHANG Y Y, MING Z F.Improved dynamic grey wolf optimizer[J]. Frontiers of information technology & electronic engineering, 2021, 22(6): 877-890.

XUE J K, SHEN B.Dung beetle optimizer: a new meta-heuristic algorithm for global optimization[J]. The journal of supercomputing, 2023, 79(7): 7305-7336.

卢苡锋, 王霄. 基于二次分解和IDBO-DABiLSTM的短期风电功率预测模型[J]. 计算机工程, 2024, 50(12): 99-109.

李斌, 高鹏, 郭自强. 改进蜣螂算法优化LSTM的光伏阵列故障诊断[J]. 电力系统及其自动化学报, 2024, 36(8): 70-78.

侯帅虎, 赵辉, 岳有军, 等. 基于IDBO-IP&O算法局部遮阴下光伏系统MPPT跟踪研究[J]. 复杂系统与复杂性科学, 2025, 22(1): 146-153.

郭琴, 郑巧仙. 多策略改进的蜣螂优化算法及其应用[J]. 计算机科学与探索, 2024, 18(4): 930-946.

NIKBAKHT S, ANITESCU C, RABCZUK T.Optimizing the neural network hyperparameters utilizing genetic algorithm[J]. Journal of Zhejiang University-SCIENCE A, 2021, 22(6): 407-426.

潘劲成, 李少波, 周鹏, 等. 改进正弦算法引导的蜣螂优化算法[J]. 计算机工程与应用, 2023, 59(22): 92-110.

王乐遥, 顾磊. 多策略融合改进的蜣螂优化算法[J]. 计算机系统应用, 2024, 33(2): 224-231.

SAITO A, YAMAGUCHI A.Pseudorandom number generation using chaotic true orbits of the Bernoulli map[J]. Chaos, 2016, 26(6): 063122.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多元变分模态分解和混合深度神经网络的短期光伏功率预测

基于Q学习组合模型的光伏电站发电功率预测方法研究