【风电场区间预测】QRBiGRU、QRBiTCN、QRCNNBiGRU、QRCNNBIGRUATTENTION、QRCNNLSTM、QRGRU、QRLSTM、QRTCN分位数回归区间预测研究

  💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

📋📋📋本文目录如下:🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

1. QRBiGRU

2. QRBiTCN

3. QRCNNBiGRU

4. QRCNNBIGRUATTENTION

5. QRCNNLSTM

6. QRGRU

7. QRLSTM

8. QRTCN

应用与实现

结论

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据


 ⛳️赠与读者

👨‍💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许,雨过云收,神驰的天地更清朗.......🔎🔎🔎

💥1 概述

在区间预测领域,结合深度学习模型与分位数回归(Quantile Regression, QR)是一种强大的方法,用于估计预测值的不确定性范围。您提到的模型,如QRBiGRU、QRBiTCN、QRCNNBiGRU、QRCNNBIGRUATTENTION、QRCNNLSTM、QRGRU、QRLSTM、QRTCN,都是基于不同深度学习架构与分位数回归的结合。下面我将简要介绍这些模型及其在区间预测中的应用。本文用于风电场预测。

1. QRBiGRU

QRBiGRU 是结合了双向门控循环单元(BiGRU)和分位数回归的模型。BiGRU 能够捕捉序列数据中的双向依赖关系,而分位数回归则用于估计不同分位数的预测值,从而构建预测区间。

2. QRBiTCN

QRBiTCN 使用了双向时间卷积网络(BiTCN)与分位数回归。TCN(Temporal Convolutional Network)通过卷积操作捕捉时间序列中的特征,而双向结构则能同时考虑过去和未来的信息。结合分位数回归,QRBiTCN 能够生成更准确的预测区间。

3. QRCNNBiGRU

QRCNNBiGRU 结合了卷积神经网络(CNN)、双向门控循环单元(BiGRU)和分位数回归。CNN 用于提取序列中的局部特征,BiGRU 捕捉长期依赖,分位数回归则用于生成预测区间。

4. QRCNNBIGRUATTENTION

QRCNNBIGRUATTENTION 在 QRCNNBiGRU 的基础上增加了注意力机制(Attention Mechanism)。注意力机制能够动态地调整不同时间步长的权重,使得模型更加关注对预测结果影响较大的部分,从而提高预测区间的准确性。

5. QRCNNLSTM

QRCNNLSTM 结合了卷积神经网络(CNN)和长短期记忆网络(LSTM)以及分位数回归。CNN 用于特征提取,LSTM 用于捕捉长期依赖关系,分位数回归则用于生成预测区间。

6. QRGRU

QRGRU 是简单的门控循环单元(GRU)与分位数回归的结合。GRU 是一种轻量级的循环神经网络,适用于处理时间序列数据,而分位数回归则用于生成预测区间。

7. QRLSTM

QRLSTM 是长短期记忆网络(LSTM)与分位数回归的结合。LSTM 因其能够处理长期依赖关系而在时间序列预测中广受欢迎,结合分位数回归后,QRLSTM 能够生成可靠的预测区间。

8. QRTCN

QRTCN 是时间卷积网络(TCN)与分位数回归的结合。TCN 通过卷积操作捕捉时间序列中的特征,而分位数回归则用于生成预测区间。TCN 的优势在于其并行处理能力,使得模型训练更加高效。

应用与实现

在实际应用中,这些模型通常用于时间序列数据的预测,如股票价格、交通流量、能源消耗等。使用Python和深度学习框架(如TensorFlow或PyTorch)可以方便地实现这些模型。在训练过程中,需要调整模型参数、优化器和学习率等,以获得最佳的预测性能。

结论

结合深度学习架构与分位数回归的模型在区间预测中表现出色,能够生成可靠的预测区间,为决策制定提供有力支持。不同的模型架构适用于不同的应用场景和数据特性,因此在实际应用中需要根据具体情况选择合适的模型。

📚2 运行结果

运行结果比较多,就不一一展示。

部分代码:

%% 导入数据
data =  readmatrix('风电场预测.xlsx');
data = data(5665:6665,15);  %选取部分数据,第15列为风电功率
[h1,l1]=data_process(data,8);   %单步预测%步长为8,采用前8个时刻的风电功率预测第9个时刻的风电功率
res = [h1,l1];
num_samples = size(res,1);   %样本个数
% 训练集和测试集划分
outdim = 1;                                  % 最后一列为输出
num_size = 0.8;                              % 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);

%  格式转换
for i = 1 : M
    vp_train{i, 1} = p_train(:, i);
    vt_train{i, 1} = t_train(:, i);
end

for i = 1 : N
    vp_test{i, 1} = p_test(:, i);
    vt_test{i, 1} = t_test(:, i);
end

save_net = [];
for i = 0.02 : 0.05 : 0.97                                      % 置信区间范围 0.97 - 0.02 = 0.95
    %% 网络搭建
    %  创建LSTM网络,
    layers = [ ...
    sequenceInputLayer(f_)              % 输入层
    lstmLayer(10)                      
    reluLayer                           
    fullyConnectedLayer(outdim)         % 回归层
    QRegressionLayer('out', i)];
        

    %  参数设置
    options = trainingOptions('adam', ...                 % 优化算法Adam
        'MaxEpochs', 100, ...                            % 最大训练次数
        'GradientThreshold', 1, ...                       % 梯度阈值
        'InitialLearnRate', 0.001, ...         % 初始学习率
        'Shuffle', 'every-epoch', ...          % 训练打乱数据集
        'ExecutionEnvironment', 'cpu',...                 % 训练环境
        'Verbose', 1, ...                                 % 关闭优化过程
        'Plots', 'none');                    % 画出曲线

    %  训练

    net = trainNetwork(vp_train, vt_train, layers, options);


    % 保存网络
    save_net = [save_net, net];

end

%%  采用不同网络进行预测
for i = 1 : length(save_net)
    i
    % 仿真预测
    t_sim1(i, :) = predict(save_net(i), vp_train);
    t_sim2(i, :) = predict(save_net(i), vp_test );

    % 数据反归一化
    L_sim1{i} = cell2mat(mapminmax('reverse', t_sim1(i, :), ps_output));
    L_sim2{i} = cell2mat(mapminmax('reverse', t_sim2(i, :), ps_output));

    tt_sim1(i, :) = cell2mat(mapminmax('reverse', t_sim1(i, :), ps_output));
    tt_sim2(i, :) = cell2mat(mapminmax('reverse', t_sim2(i, :), ps_output));

end


%%  得到预测均值
T_sim1 = mean(tt_sim1);
T_sim2 = mean(tt_sim2);

%%  性能评估
error1 = sqrt(sum((T_sim1 - T_train) .^2 ) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ) .^2 ) ./ N);

%%  绘图
figure
fill([1 : M, M : -1 : 1], [L_sim1{1}, L_sim1{end}(end : -1 : 1)], ...
    'r', 'FaceColor', [1, 0.8, 0.8], 'EdgeColor', 'none')
hold on
plot(1 : M, T_train, 'r-', 1 : M, T_sim1', 'b-', 'LineWidth', 0.3)
legend('95%的置信区间', '真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'QRLSTM训练集预测结果对比'; ['RMSE = ' num2str(error1)]};
title(string)
xlim([1, M])
grid

figure
fill([1 : N, N : -1 : 1], [L_sim2{1}, L_sim2{end}(end : -1 : 1)], ...
    'r', 'FaceColor', [1, 0.8, 0.8], 'EdgeColor', 'none')
hold on
plot(1 : N, T_test, 'r-', 1 : N, T_sim2', 'b-', 'LineWidth', 1)
legend('95%的置信区间', '真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'QRLSTM测试集预测结果对比'; ['RMSE = ' num2str(error2)]};
title(string)
xlim([1, N])
grid

%%  相关指标计算
% 指标计算
disp('…………QRLSTM训练集误差指标…………')
[mae1,rmse1,mape1,error1]=calc_error(T_train,T_sim1);
fprintf('\n')

disp('…………QRLSTM训练集误差指标…………')
[mae1,rmse1,mape1,error1]=calc_error(T_test,T_sim2);
fprintf('\n')

%%  指标计算(区间覆盖率和区间平均宽度百分比)
 

🎉3 参考文献

文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。

[1] Xu Z , Li Y F , Huang H Z ,et al.A novel method based on CNN-BiGRU and AM model for bearing fault diagnosis[J].Journal of Mechanical Science and Technology, 2024, 38(7):3361-3369.DOI:10.1007/s12206-024-0610-2.

🌈4 Matlab代码、数据

资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取

                                                           在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值