前言
本文基于前期引见的电力变压器，引见一种基于VMD+CEEMDAN二次合成的TCN-Transforme预测模型，以提高期间序列数据的预测功能。电力变压器数据集的具体引见可以参考下文：
电力变压器数据集引见和预解决
1 二次合成与数据集制造
1.1 导入数据
1.2 VMD合成
第一步，依据不同K值条件下， 观察核心频率，选定K值；从K=4开局发生核心频率相近的模态，发生过合成，故模态数 K 选为4。
第二步，合成可视化
1.3 样本熵
样本熵是一种用于权衡序列复杂度的方法，可以经过计算序列中的不确定性来评价其复杂性。样本熵越高，示意序列的复杂度越大。
经过对VMD合成出四个重量的样本熵计算，高样本熵有着更丰盛的无法控消息，为进一步提取重量中的有效消息，对VMD的最高熵值项，启动CEEMDAN合成
1.4 CEEMDAN合成
对 VMD合成出的 最高熵值项重量启动再合成
1.5 数据集制造
先兼并VMD和CEEMDAN合成的重量，依照8：2划分训练集和测试集
2 基于Pytorch的 TCN-Transformer预测模型
2.1 定义TCN-Transformer预测模型
2.2 设置参数，训练模型
50个epoch，MSE 为0.0148，VMD+CEEMDAN二次合成的TCN-Transformer并行预测成果良好，二次合成后，能够提取序列中更多的消息，TCN-Transformer模型能够提取出重量特色的时空消息，预测成果优化显著，功能优越，适当调整模型参数，还可以进一步提高模型预测体现。
留意调整参数：
3 模型评价与可视化
3.1 结果可视化
3.2 模型评价
© 版权声明