组合预测 | MATLAB实现EMD-KPCA-GRU、EMD-GRU、GRU多变量时间序列预测对比
目录
组合预测 | MATLAB实现EMD-KPCA-GRU、EMD-GRU、GRU多变量时间序列预测对比预测效果基本介绍模型描述程序设计参考资料
预测效果
基本介绍
MATLAB实现EMD-KPCA-GRU、EMD-GRU、GRU多变量时间序列预测对比
模型描述
提高光伏功率预测精度，对于保证电力系统的安全调度和稳定运行具有重要意义。提出一种经验模态分解（EMD）、核主成分分析（KPCA）和门控循环单元（GRU）相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素，首先利用EMD将环境因素序列进行分解，得到数据信号在不同时间尺度上的变化情况，降低环境因素序列的非平稳性；其次利用PCA提取特征序列的关键影响因子，消除原始序列的相关性和冗余性，降低模型输入的维度；最终利用门控循环单元（GRU）对多变量特征序列进行动态时间建模，实现对光伏发电功率的预测。EMD 的本质是由数据的特征时间尺度来获得数量不同的本征模函数（intrinsic mode function，IMF），不同的本征模分量IMF 代表不同的特征波动序列，使原始数据的波动特征在不同时间尺度下突显出来，由于环境时间序列具有一定的随机性和间断性，通过EMD 分解，可在丰富输入变量多样性的同时，根据得到的IMF 分量，突出环境序列在不同时间尺度下的局部特性，反映出原始环境序列的波动性、周期性和趋势变化。经过EMD 分解得到的数据序列充实了特征序列的数量，但是输入变量的维数也随之增多。为了在提高预测精度的同时，保持 网络模型的计算速度，同时克服过拟合的问题，需通过KPCA 对输入变量进行降维处理，在保证信息有效性和代表性的前提下，提升模型的计算效率和精度。
程序设计
完整程序和数据获取方式1：同等价值程序兑换；完整程序和数据获取方式2：私信博主获取。
figure
subplot(K+1,1,1)
plot(X(:,d))
ylabel('原始')
xlim([0 L])
title(['第',num2str(d),'个特征的EMD分解'])
for i=2:K+1
subplot(K+1,1,i)
plot(u_0(i-1,:))
xlim([0 L])
ylabel(['IMF',num2str(i-1)])
end
ylabel('res')
u=[u;u_0 ];
% 参数设置
options = trainingOptions('adam', ... % 优化算法Adam
'MaxEpochs', 100, ... % 最大训练次数
'MiniBatchSize',25,...
'GradientThreshold', 1, ... % 梯度阈值
'InitialLearnRate', 0.01, ... % 初始学习率
'LearnRateSchedule', 'piecewise', ... % 学习率调整
'LearnRateDropPeriod', 70, ... % 训练60次后开始调整学习率
'LearnRateDropFactor',0.2, ... % 学习率调整因子
'L2Regularization', 0.001, ... % 正则化参数
'ExecutionEnvironment', 'cpu',... % 训练环境
'Verbose', 0, ... % 关闭优化过程
'Plots', 'training-progress'); % 画出曲线
% 训练
net = trainNetwork(vp_train, vt_train, layers, options);
%analyzeNetwork(net);% 查看网络结构
% 预测
t_sim1 = predict(net, vp_train);
t_sim2 = predict(net, vp_test);
% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
T_train1 = T_train;
T_test2 = T_test;
% 数据格式转换
T_sim1 = cell2mat(T_sim1);% cell2mat将cell元胞数组转换为普通数组
T_sim2 = cell2mat(T_sim2);
% 指标计算
disp('训练集误差指标')
[mae1,rmse1,mape1,r1,error1]=calc_error(T_train1,T_sim1');
fprintf('\n')
disp('测试集误差指标')
[mae2,rmse2,mape2,r2,error2]=calc_error(T_test2,T_sim2');
fprintf('\n')
toc
% Options
%
%
% stopping criterion options:
%
% STOP: vector of stopping parameters [THRESHOLD,THRESHOLD2,TOLERANCE]
% if the input vector's length is less than 3, only the first parameters are
% set, the remaining ones taking default values.
% default: [0.05,0.5,0.05]
%
% FIX (int): disable the default stopping criterion and do exactly
% number of sifting iterations for each mode
%
% FIX_H (int): disable the default stopping criterion and do
% iterations with |#zeros-#extrema|<=1 to stop [4]
%
% bivariate/complex EMD options:
%
% COMPLEX_VERSION: selects the algorithm used for complex EMD ([3])
% COMPLEX_VERSION = 1: "algorithm 1"
% COMPLEX_VERSION = 2: "algorithm 2" (default)
%
% NDIRS: number of directions in which envelopes are computed (default 4)
% rem: the actual number of directions (according to [3]) is 2*NDIRS
%
% other options:
%
% T: sampling times (line vector) (default: 1:length(x))
%
% MAXITERATIONS: maximum number of sifting iterations for the computation of each
% mode (default: 2000)
%
% MAXMODES: maximum number of imfs extracted (default: Inf)
%
% DISPLAY: if equals to 1 shows sifting steps with pause
% if equals to 2 shows sifting steps without pause (movie style)
% rem: display is disabled when the input is complex
%
% INTERP: interpolation scheme: 'linear', 'cubic', 'pchip' or 'spline' (default)
% see interp1 documentation for details
%
% MASK: masking signal used to improve the decomposition according to [5]
%
%
% Examples
%
%
%X = rand(1,512);
%
%IMF = emd(X);
%
%IMF = emd(X,'STOP',[0.1,0.5,0.05],'MAXITERATIONS',100);
%
%T=linspace(0,20,1e3);
%X = 2*exp(i*T)+exp(3*i*T)+.5*T;
%IMF = emd(X,'T',T);
%
%OPTIONS.DISLPAY = 1;
%OPTIONS.FIX = 10;
%OPTIONS.MAXMODES = 3;
%[IMF,ORT,NBITS] = emd(X,OPTIONS);
参考资料
[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
推荐链接
您阅读本篇文章共花了：
发表评论