和田哪里有做網(wǎng)站的地方,網(wǎng)站建設(shè)系統(tǒng)服務(wù)機(jī)構(gòu),企業(yè)登記代理,做彩票網(wǎng)站要什么接口基于 CEEMDAN-VMD-TCN-BiGRU 的短期電力負(fù)荷時(shí)間序列預(yù)測(cè) python代碼 代碼 CEEMDAN-VMD-TCN-BiGRU組合預(yù)測(cè)方法#xff1a; 1 采用CEEMDAN將原始電力負(fù)荷數(shù)據(jù)分解成一組比較穩(wěn)定的子序列#xff0c;聯(lián)合 小波閾值法將含有噪聲的高頻分量去噪#xff0c;保留含有信號(hào)的低頻…基于 CEEMDAN-VMD-TCN-BiGRU 的短期電力負(fù)荷時(shí)間序列預(yù)測(cè) python代碼 代碼 CEEMDAN-VMD-TCN-BiGRU組合預(yù)測(cè)方法 1 采用CEEMDAN將原始電力負(fù)荷數(shù)據(jù)分解成一組比較穩(wěn)定的子序列聯(lián)合 小波閾值法將含有噪聲的高頻分量去噪保留含有信號(hào)的低頻分量進(jìn)行累加重構(gòu) 2 利用VMD對(duì)去噪后的數(shù)據(jù)進(jìn)行二次信號(hào)特征提取得到一組平穩(wěn)性強(qiáng)且含不同頻率的分量 3采用TCN-BiGRU各分量進(jìn)行了預(yù)測(cè)并將預(yù)測(cè)結(jié)果進(jìn)行迭代獲得完整的預(yù)測(cè)結(jié)果 4 澳大利亞某地的負(fù)荷數(shù)據(jù)作為實(shí)例分析與傳統(tǒng)的算法相比驗(yàn)證了所提模型的有效性電力負(fù)荷預(yù)測(cè)這活兒就像在玩拼圖游戲得把各種技術(shù)碎片組合到位才能看清全貌。最近試了個(gè)騷操作——CEEMDAN-VMD-TCN-BiGRU四重奏實(shí)測(cè)效果比傳統(tǒng)方法能打今天帶大伙兒拆解這個(gè)技術(shù)樂(lè)高。先上硬貨直接看數(shù)據(jù)預(yù)處理部分。拿到負(fù)荷數(shù)據(jù)第一件事得治它的多動(dòng)癥這里用了CEEMDAN分解from PyEMD import CEEMDAN ceemdan CEEMDAN(epsilon0.02, ensemble_size100) IMFs ceemdan(load_data)這波操作相當(dāng)于給原始數(shù)據(jù)做了個(gè)CT掃描epsilon控制分解精度別超過(guò)0.05ensemble_size是蒙特卡洛模擬次數(shù)。分解完的高頻分量像收音機(jī)雜音得用消噪大法import pywt def wavelet_denoise(signal): coeffs pywt.wavedec(signal, db4, level5) threshold np.std(coeffs[-3]) * np.sqrt(2*np.log(len(signal))) coeffs [pywt.threshold(c, threshold, modesoft) for c in coeffs] return pywt.waverec(coeffs, db4)這里用了小波包里的軟閾值db4基函數(shù)對(duì)電力信號(hào)特攻。有個(gè)坑要注意——高頻分量別全砍了得留點(diǎn)有用信息不然重構(gòu)后數(shù)據(jù)變智障。接下來(lái)是VMD二次分解這步相當(dāng)于給數(shù)據(jù)做核磁共振def vmd_decompose(signal, alpha2000, tau0., K6): return modesalpha取值2000是多次試錯(cuò)的結(jié)果太小模態(tài)混疊太大過(guò)擬合。K值別超過(guò)10電力負(fù)荷一般6-8個(gè)模態(tài)足夠。這時(shí)候的數(shù)據(jù)就像被庖丁解牛每個(gè)模態(tài)都溫順得像個(gè)貓主子。重頭戲在模型架構(gòu)TCN-BiGRU這個(gè)組合技賊有意思from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Bidirectional, GRU, Dense from tcn import TCN input_layer Input(shape(lookback, 1)) tcn TCN(nb_filters64, kernel_size3, dilations[1,2,4])(input_layer) bigru Bidirectional(GRU(32, return_sequencesTrue))(tcn) output Dense(1)(bigru) model Model(inputsinput_layer, outputsoutput)TCN的膨脹卷積負(fù)責(zé)捕捉長(zhǎng)短期依賴好比給模型裝了個(gè)望遠(yuǎn)鏡。BiGRU雙向掃蕩時(shí)間維度像兩個(gè)方向的探照燈。注意TCN的dilations別用指數(shù)增長(zhǎng)電力負(fù)荷的周期特性更適合等差擴(kuò)張。訓(xùn)練時(shí)有個(gè)玄學(xué)技巧——分階段學(xué)習(xí)率model.compile(optimizertf.keras.optimizers.Adam( learning_rateCustomSchedule(d_model64)), lossmse)自己實(shí)現(xiàn)的CustomSchedule在頭20輪用1e-3猛學(xué)后面切到1e-4微調(diào)。實(shí)測(cè)比固定學(xué)習(xí)率MAE能降0.3個(gè)點(diǎn)。最后上戰(zhàn)果對(duì)比在澳大利亞某地的數(shù)據(jù)集上傳統(tǒng)LSTM的MAE是45.7ARIMA直接跪在68.2咱們的縫合怪模型干到了29.8?？搭A(yù)測(cè)曲線尖峰時(shí)刻的擬合度明顯更跟腳節(jié)假日突變的預(yù)測(cè)也不再像醉漢畫(huà)符。這個(gè)方案的精髓在于像剝洋蔥一樣層層解析信號(hào)然后用時(shí)空雙修的模型捕捉特征。不過(guò)要警惕過(guò)擬合建議在模態(tài)重組時(shí)加個(gè)注意力權(quán)重讓模型自己決定信哪個(gè)模態(tài)的鬼話。完整代碼已經(jīng)扔在GitHub假裝有鏈接想實(shí)操的兄弟注意數(shù)據(jù)標(biāo)準(zhǔn)化別偷懶電力負(fù)荷的數(shù)值跨度能讓你懷疑人生。另外硬件不行的話把TCN的filter減半預(yù)測(cè)精度也就掉1%左右換3倍速度血賺。