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預測模型，以提高時間序列數據的預測性能。電力變壓器數據集的詳細介紹可以參考下文：

電力變壓器數據集介紹和預處理

1 二次分解與數據集制作

1.1 導入數據

1.2 VMD分解

第一步，根據不同K值條件下， 觀察中心頻率，選定K值；從K=4開始出現中心頻率相近的模態(tài)，出現過分解，故模態(tài)數 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雜度的方法，可以通過計算序列中的不確定性來評估其復雜性。樣本熵越高，表示序列的復雜度越大。

通過對VMD分解出四個分量的樣本熵計算，高樣本熵有著更豐富的不可控信息，為進一步提取分量中的有效信息，對VMD的最高熵值項，進行CEEMDAN分解

1.4 CEEMDAN分解

對 VMD分解出的 最高熵值項分量進行再分解

1.5 數據集制作

先合并VMD和CEEMDAN分解的分量，按照8：2劃分訓練集和測試集

2 基于Pytorch的 TCN-Transformer 預測模型

2.1 定義TCN-Transformer預測模型

2.2 設置參數，訓練模型

50個epoch，MSE 為0.0148，VMD+CEEMDAN二次分解的TCN-Transformer并行預測效果良好，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空信息，預測效果提升明顯，性能優(yōu)越，適當調整模型參數，還可以進一步提高模型預測表現。

注意調整參數：

• 可以修改TCN層數和每層通道數；
• 調整Transformer編碼器層數和注意力維度數、多頭注意力頭數，增加更多的 epoch （注意防止過擬合）
• 可以改變滑動窗口長度（設置合適的窗口長度）

3 模型評估與可視化

3.1 結果可視化

3.2 模型評估

? 圖片 ?

本文轉載自 ??建模先鋒??，作者： 小蝸愛建模