前言

本文基于前期介紹的電力變壓器，介紹一種基于VMD+CEEMDAN二次分解的TCN-Transforme預(yù)測(cè)模型，以提高時(shí)間序列數(shù)據(jù)的預(yù)測(cè)性能。電力變壓器數(shù)據(jù)集的詳細(xì)介紹可以參考下文：

電力變壓器數(shù)據(jù)集介紹和預(yù)處理

1 二次分解與數(shù)據(jù)集制作

1.1 導(dǎo)入數(shù)據(jù)

1.2 VMD分解

第一步，根據(jù)不同K值條件下， 觀察中心頻率，選定K值；從K=4開始出現(xiàn)中心頻率相近的模態(tài)，出現(xiàn)過分解，故模態(tài)數(shù) K 選為4。

第二步，分解可視化

1.3 樣本熵

樣本熵是一種用于衡量序列復(fù)雜度的方法，可以通過計(jì)算序列中的不確定性來評(píng)估其復(fù)雜性。樣本熵越高，表示序列的復(fù)雜度越大。

通過對(duì)VMD分解出四個(gè)分量的樣本熵計(jì)算，高樣本熵有著更豐富的不可控信息，為進(jìn)一步提取分量中的有效信息，對(duì)VMD的最高熵值項(xiàng)，進(jìn)行CEEMDAN分解

1.4 CEEMDAN分解

對(duì) VMD分解出的 最高熵值項(xiàng)分量進(jìn)行再分解

1.5 數(shù)據(jù)集制作

先合并VMD和CEEMDAN分解的分量，按照8：2劃分訓(xùn)練集和測(cè)試集

2 基于Pytorch的 TCN-Transformer 預(yù)測(cè)模型

2.1 定義TCN-Transformer預(yù)測(cè)模型

2.2 設(shè)置參數(shù)，訓(xùn)練模型

50個(gè)epoch，MSE 為0.0148，VMD+CEEMDAN二次分解的TCN-Transformer并行預(yù)測(cè)效果良好，二次分解后，能夠提取序列中更多的信息，TCN-Transformer模型能夠提取出分量特征的時(shí)空信息，預(yù)測(cè)效果提升明顯，性能優(yōu)越，適當(dāng)調(diào)整模型參數(shù)，還可以進(jìn)一步提高模型預(yù)測(cè)表現(xiàn)。

注意調(diào)整參數(shù)：

• 可以修改TCN層數(shù)和每層通道數(shù)；
• 調(diào)整Transformer編碼器層數(shù)和注意力維度數(shù)、多頭注意力頭數(shù)，增加更多的 epoch （注意防止過擬合）
• 可以改變滑動(dòng)窗口長(zhǎng)度（設(shè)置合適的窗口長(zhǎng)度）

3 模型評(píng)估與可視化

3.1 結(jié)果可視化

3.2 模型評(píng)估

? 圖片 ?

本文轉(zhuǎn)載自 ??建模先鋒??，作者： 小蝸愛建模