外贸网站建设需要什么,网络网站建设公司,wordpress博客jin,在线公司取名分解优化组合对比#xff01;核心无忧#xff01;VMD-SSA-Transformer-LSTM多变量时间序列光伏功率预测 目录 分解优化组合对比#xff01;核心无忧#xff01;VMD-SSA-Transformer-LSTM多变量时间序列光伏功率预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍
1.…分解优化组合对比核心无忧VMD-SSA-Transformer-LSTM多变量时间序列光伏功率预测 目录 分解优化组合对比核心无忧VMD-SSA-Transformer-LSTM多变量时间序列光伏功率预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍
1.分解优化组合对比核心无忧VMD-SSA-Transformer-LSTM多变量时间序列光伏功率预测变分模态分解麻雀搜索算法优化Transformer结合长短期记忆神经网络多变量时间序列预测程序可以作为核心级论文代码支撑目前尚未发表
2.麻雀搜索算法优化参数为学习率、隐含层单元数目、最大训练周期运行环境为Matlab2023b及以上
3.数据集为excel光伏功率数据集输入辐射度、气温、气压、湿度输出光伏功率输入多个特征输出单个变量考虑历史特征的影响多变量时间序列预测主程序运行即可所有文件放在一个文件夹
4.命令窗口输出R2、MSE、RMSE、MAE、MAPE、MBE等多指标评价。
先运行main1_VMD进行vmd分解再运行main2_SSA_Transformer_LSTM三个模型对比注意一种算法不是万能的不同的数据集效果会有差别后面的工作就是需要调整参数。 数据集
参考文献
程序设计
完整程序和数据获取方式私信博主回复分解优化组合对比核心无忧VMD-SSA-Transformer-LSTM多变量时间序列光伏功率预测Matlab。
X xlsread(北半球光伏数据.xlsx,C2:E296);save origin_data XLlength(X);%采样点数,即有多少个数据
t(0:L-1)*Ts;%时间序列
STA0; %采样起始位置这里第0h开始采样%--------- some sample parameters forVMD对于VMD样品参数进行设置---------------
alpha 2500; % moderate bandwidth constraint适度的带宽约束/惩罚因子
tau 0; % noise-tolerance (no strict fidelity enforcement)噪声容限没有严格的保真度执行
K 5; % modes分解的模态数
DC 0; % no DC part imposed无直流部分
init 1; % initialize omegas uniformly omegas的均匀初始化
tol 1e-7
%--------------- Run actual VMD code:数据进行vmd分解---------------------------
[u, u_hat, omega] VMD(X(:,end), alpha, tau, K, DC, init, tol);% 重构数据集
for i 1: num_samples - kim - zim 1res(i, :) [reshape(X(i: i kim - 1,:), 1, kim*or_dim), X(i kim zim - 1,:)];
end% 训练集和测试集划分
outdim 1; % 最后一列为输出
num_size 0.7; % 训练集占数据集比例
num_train_s round(num_size * num_samples); % 训练集样本个数
f_ size(res, 2) - outdim; % 输入特征维度P_train res(1: num_train_s, 1: f_);
T_train res(1: num_train_s, f_ 1: end);
M size(P_train, 2);P_test res(num_train_s 1: end, 1: f_);
T_test res(num_train_s 1: end, f_ 1: end);
N size(P_test, 2);% 数据归一化
[P_train, ps_input] mapminmax(P_train, 0, 1);
P_test mapminmax(apply, P_test, ps_input);[t_train, ps_output] mapminmax(T_train, 0, 1);
t_test mapminmax(apply, T_test, ps_output);
参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/127931217 [2] https://blog.csdn.net/kjm13182345320/article/details/127418340
