白鲸算法（BWO）优化VMD分解时间序列实例+源代码

VMD：变分模态分解
BWO：白鲸优化算法
原理网上很多就不说了！
VMD需要优化的参数是k和alpha,预设的 K 值决定着 IMF 分量的个数，惩罚系数 α 决定着 IMF 分量的带宽。 惩罚系数越小， 各 IMF 分量的带宽越大，过大的带宽会使得某些分量包含其他分量信号；α值越大，各IMF分量的带宽越小，过小的带宽使得被分解的信号中某些信号丢失。
适应度函数：最小样本熵（用的最多，还有局部熵什么的，都可以自行设定）
最小样本熵定义如下：

#定义一个求样本熵的函数
def SampEn(U, m, r):
    """
    用于量化时间序列的可预测性
    :param U: 时间序列
    :param m: 模板向量维数
    :param r: 距离容忍度，一般取0.1~0.25倍的时间序列标准差，也可以理解为相似度的度量阈值
    :return: 返回一个-np.log(A/B)，该值越大，序列就越复杂
    """
 
    def _maxdist(x_i, x_j):
        """
         Chebyshev distance
        :param x_i:
        :param x_j:
        :return:
        """
        return max([abs(ua - va) for ua, va in zip(x_i, x_j)])
 
    def _phi(m):
        x = [[U[j] for j in range(i, i + m - 1 + 1)] for i in range(N - m + 1)]
        C = [len([1 for j in range(len(x)) if i != j and _maxdist(x[i], x[j]) <= r]) for i in range(len(x))]
        result=sum(C)/(N-m)
        return result
 
    N = len(U)
    return -np.log(_phi(m + 1) / _phi(m))

适应度函数定义如下：

def fitness(pop):
    np.random.seed(0)
    
    K = int(pop[0])
    alpha = int(pop[1])*10
    #print(K,alpha)
    tau = 0  
    DC = 0         
    init = 1         
    tol = 1e-7
    imf,u_hat,omega=VMD(data_try, alpha, tau, K, DC, init, tol)
    comp=np.vstack([imf])
    SE = 0
    se_imf=[]
    for i in range(comp.shape[0]):#k个Imf
        temp= SampEn(comp[i,:],2, 0.2 * np.std(comp[i,:]))
        SE +=temp
        se_imf.append(temp)
    fit = min(se_imf)
    
    
    np.random.seed(int(time.time()))
    return fit 

输入数据：用电量序列

#下面是我们的用电量数据
biaoge = pd.read_excel('负荷数据.xlsx')
data=biaoge.iloc[ : ,1:97 ]#data0和label0是表格数据
data_day=data.iloc[1:data.shape[0],1]
data_day1=np.array(data_day)
#将所有数据按照小时排成列
data_shape0=np.array(data.iloc[1:data.shape[0],:])
data_dayshape=data_shape0.reshape(1096*96,-1)
data_try=data_dayshape[200:400]

原始序列图：

main主程序：

best_whale, best_score = whale_optimization_algorithm(objective_function, num_iterations=50, num_whales=5, search_space=(search_min,search_max))
print('Best solution:', best_whale)
print('Best obj function value:', best_score)

得到结果：
Best solution: [8.94110409 3.26992535]
Best obj function value: 0.017517304838002352
结果为：k取8（IMF个数），alpha取300，结果最优，
此时最小样本熵最小，为0.017517304838002352
完整代码（可直接运行）＋QQ获取（2948824501）（码代码不易，10软妹币获取，不接受勿扰）