預測效果

基本介紹

光伏功率預測！五模型對比！Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多變量時間序列預測(Matlab2023b 多輸入單輸出)
1.程序已經調試好，替換數據集后，僅運行一個main即可運行，數據格式為excel!!!
2.Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多變量時序光伏功率預測 (Matlab2023b 多輸入單輸出)，考慮歷史特征的影響。
3.運行環境要求MATLAB版本為2023b及其以上。
4.評價指標包括:R2、MAE、MSE、RPD、RMSE、MAPE等，圖很多，符合您的需要代碼中文注釋清晰，質量極高。

程序設計

• 完整程序和數據獲取方式：私信博主回復Matlab基于Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多變量時間序列預測。

%%  清空環境變量
warning off             % 關閉報警信息
close all               % 關閉開啟的圖窗
clear                   % 清空變量
clc                     % 清空命令行%%  導入數據
result = xlsread('北半球光伏數據.xlsx');%%  數據分析
num_samples = length(result);  % 樣本個數
kim = 2;                       % 延時步長（前面多行歷史數據作為自變量）
zim = 1;                       % 跨zim個時間點進行預測
nim = size(result, 2) - 1;     % 原始數據的特征是數目%%  劃分數據集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1 + zim, 1: end - 1)', 1, ...(kim + zim) * nim), result(i + kim + zim - 1, end)];
end%%  數據集分析
outdim = 1;                                  % 最后一列為輸出
num_size = 0.7;                              % 訓練集占數據集比例
num_train_s = round(num_size * num_samples); % 訓練集樣本個數
f_ = size(res, 2) - outdim;                  % 輸入特征長度%%  劃分訓練集和測試集
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);%%  數據歸一化
[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);

參考資料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501