读完需要
速读仅需 2 分钟
请尊重原创劳动成果
转载请注明本文链接
及文章作者：机器学习之心
摘要：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
1
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。
购买后可加博主QQ1153460737咨询交流。注意：其他非官方渠道购买的盗版代码不含模型咨询交流服务，大家注意甄别，谢谢。
参考文献
2
数据集
2.2
运行效果
完整代码链接：https://mbd.pub/o/bread/mbd-ZpqblJZt
也可扫描二维码：
3
X = xlsread('北半球光伏数据.xlsx','C2:E296');save origin_data XL=length(X);%采样点数,即有多少个数据t=(0:L-1)*Ts;%时间序列STA=0; %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);
4
嗯，细心的你会发现：https://mbd.pub/o/slowtrain/work
博客专家认证，机器学习领域创作者，2023博客之星TOP50，主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析。
技术交流群：购买博主任意代码或分享博主博文到任意三方平台后即可添加博主QQ进群
