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

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

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 optimizer，NRBO）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 X

L=length(X);%采样点数,即有多少个数据
t=(0:L-1)*Ts;%时间序列
STA=0; %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 + 1
    res(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?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501