0、前言

        本文测试VMD结合ISSA优化LSSVM的功率预测方法：①VMD实现多尺度分解，以获取细节信息；②采用改进的SSA算法（ISSA算法）用于优化LSSVM的参数，实现功率预测。

        ISSA简介：文章《改进的麻雀搜索优化算法及其应用》针对麻雀搜索算法(SSA)在求解目标函数最优解时，种群多样性不丰富，易陷于局部最优和多维函数求解精度差等问题，提出改进的麻雀搜索算法(ISSA)。首先，利用反向学习策略初始化种群，增加种群多样性；然后，对步长因子进行动态调整，提高算法的求解精度；最后，对侦查预警的麻雀位置更新公式引入 Levy 飞行,提高算法寻优能力和跳出局部极值的能力。

        本文复现了该论文所提的改进麻雀搜索算法(ISSA)，并将其应用于LSSVM参数优化。

1、实现过程

1.1 VMD分解

        图1左边是原始数据（时序功率数据），右边是VMD分解示意图

1.2 LSSVM预测结果

采用上图所示方式构建样本数据（每个样本长度24），基于前24个时刻数据 预测下一个时刻。单独应用LSSVM预测结果如下：

 1.3 VMD+LSSVM 预测结果

        采用VMD分解样本数据（每个样本长度24），分解IMF个数为4，对每个分量单独建立LSSVM预测模型，最后将四个分量模型的预测结果叠加形成最后的预测结果。

1.3 SSA优化LSSVM预测结果

        采用SSA算法优化LSSVM的参数：gam与sig2，适应度曲线如下图左边，最终预测结果见下图右边

1.4 ISSA优化LSSVM预测结果

        首先将ISSA与SSA、GA、PSO等优化算法进行对比，在F1与F3上面的寻优效果如下图1、图2所示

 

        采用ISSA算法优化LSSVM的参数：gam与sig2，适应度曲线如下图左边，最终预测结果见下图右边

1.5 VMD+SSA+LSSVM效果

        采用VMD分解样本数据（每个样本长度24），分解IMF个数为4，对每个分量单独建立SSA+LSSVM的预测模型，最后将四个分量模型的预测结果叠加形成最后的预测结果。

1.6 VMD+ISSA+LSSVM

        采用VMD分解样本数据（每个样本长度24），分解IMF个数为4，对每个分量单独建立ISSA+LSSVM的预测模型，最后将四个分量模型的预测结果叠加形成最后的预测结果。

2 方法对比

上述方法的对比结果如下图：

 

1-结果分析-lssvm
根均方差(RMSE)：0.00070325
平均绝对误差（MAE）：0.00067433
平均相对百分误差（MAPE）：0.00067433%

2-结果分析-vmd-lssvm
根均方差(RMSE)：0.00037607
平均绝对误差（MAE）：0.00026844
平均相对百分误差（MAPE）：0.00026845%

3-结果分析-ssa-lssvm
根均方差(RMSE)：0.00027739
平均绝对误差（MAE）：0.00025854
平均相对百分误差（MAPE）：0.00025854%

4-结果分析-issa-lssvm
根均方差(RMSE)：0.00025952
平均绝对误差（MAE）：0.00023569
平均相对百分误差（MAPE）：0.0002357%

5-结果分析-vmd-ssa-lssvm
根均方差(RMSE)：0.00025872
平均绝对误差（MAE）：0.00021867
平均相对百分误差（MAPE）：0.00021867%

6-结果分析-vmd-issa-lssvm
根均方差(RMSE)：0.0002578
平均绝对误差（MAE）：0.00021783
平均相对百分误差（MAPE）：0.00021784%

 说明：此结果为运行一次的结果，模型每次运行后结果均会改变。