十个app制作网站,如何免费建立一个自己的网站,什么优化,贵阳个人做网站一区牛顿-拉夫逊算法分解深度学习#xff01;VMD-NRBO-Transformer-GRU多变量时间序列光伏功率预测 目录 一区牛顿-拉夫逊算法分解深度学习#xff01;VMD-NRBO-Transformer-GRU多变量时间序列光伏功率预测预测效果基本介绍程序设计参考资料 预测效果 基本介绍
1.中科院一区…一区牛顿-拉夫逊算法分解深度学习VMD-NRBO-Transformer-GRU多变量时间序列光伏功率预测 目录 一区牛顿-拉夫逊算法分解深度学习VMD-NRBO-Transformer-GRU多变量时间序列光伏功率预测预测效果基本介绍程序设计参考资料 预测效果 基本介绍
1.中科院一区牛顿-拉夫逊优化算法分解组合对比VMD-NRBO-Transformer-GRU多变量时间序列光伏功率预测变分模态分解牛顿-拉夫逊优化算法Transformer结合门控循环单元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 牛顿-拉夫逊优化算法算法Newton-Raphson-based optimizerNRBO是一种全新的元启发式优化方法其灵感来源主要基于两个关键原理Newton-Raphson搜索规则(NRSR)和陷阱避免算子(TAO)。NRSR使用Newton-Raphson方法来提高NRBO的探索能力并提高收敛速度以达到改进的搜索空间位置。TAO有助于NRBO避免局部最优陷阱。NRBO具有进化能力强、搜索速度快、寻优能力强的特点。这一成果由Sowmya等人于2024年2月发表在中科院2区顶级SCI期刊《Engineering Applications of Artificial Intelligence》上。。 2.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main1VMD进行vmd分解再运行main2NRBOTransformerGRU四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。 程序设计
完整源码和数据获取方式私信回复一区牛顿-拉夫逊算法分解深度学习VMD-NRBO-Transformer-GRU多变量时间序列光伏功率预测。
X xlsread(北半球光伏数据.xlsx,C2:E296);save origin_data XLlength(X);%采样点数,即有多少个数据
t(0:L-1)*Ts;%时间序列
STA0; %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);参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm1001.2014.3001.5501
