分解+降維+預測！多重創新！直接寫核心！EMD-KPCA-Transformer多變量時間序列光伏功率預測

效果一覽

基本介紹

1.MATLAB實現EMD-KPCA-Transformer多變量時間序列光伏功率預測;

2.多變量時間序列預測 就是先emd把原輸入全分解變成很多維作為輸入KPCA降維 再輸入Transformer預測 ;

3.運行環境Matlab2023b及以上，輸出RMSE、R2、MAPE、MAE等多指標對比，

先運行main1_EMD，進行emd分解；再運行main2_KPCA降維；再運行main3_EMD_KPCA_Transformer建模預測。

注意：一種算法不是萬能的，不同的數據集效果會有差別，后面的工作就是需要調整參數；

4.運行環境為Matlab2023b及以上；

5.數據集為excel，光伏數據集，輸入多個特征，輸出單個變量，考慮歷史特征的影響，多變量時間序列預測,所有文件放在一個文件夾；

6.命令窗口輸出R2、RMSE、MAE、MAPE等多指標評價。

購&買后可加點擊文章底部卡片博主咨詢交流。注意：其他非官方渠道購&買的盜版代碼不含模型咨詢交流服務，大家注意甄別，謝謝。

程序設計

• 完整程序和數據下載私信博主回復分解+降維+預測！多重創新！直接寫核心！EMD-KPCA-Transformer多變量時間序列光伏功率預測。

clc;
clear 
close all%% Transformer預測
tic
load origin_data.mat
load emd_data.mat
load KPCA_data.mat%% EMD-KPCA-Transformer預測
tic
disp('…………………………………………………………………………………………………………………………')
disp('EMD-KPCA-Transformer預測')
disp('…………………………………………………………………………………………………………………………')data=[KPCA_data X(:,end)];num_samples = length(data);    % 樣本個數 
kim = 5;                       % 延時步長（kim個歷史數據作為自變量）
zim =  1;                      % 跨zim個時間點進行預測
or_dim = size(data,2);
res=[];
%  重構數據集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(data(i: i + kim - 1,:), 1, kim*or_dim), data(i + kim + zim - 1,:)];
end% 訓練集和測試集劃分
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;                  % 輸入特征維度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);%%  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] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502