【没发表过的创新点】【多变量输入单步预测】基于金豺算法优化TCN-BiGRU-Attention的风电功率预测研究（Matlab代码实现）-CSDN博客

本文链接：https://blog.csdn.net/qq_58146006/article/details/141890377

💥💥💞💞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

📚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

【未发表的创新点】针对多变量输入单步预测问题，提出基于金豺算法（Golden Jackal Optimization, GJO）优化时间卷积网络（Temporal Convolutional Network, TCN）、双向门控循环单元（Bi-directional Gated Recurrent Unit, BiGRU）与注意力机制（Attention Mechanism）相结合的风电功率预测模型。这一研究具有以下几个创新点：

多变量输入与高级特征融合：
- 本研究充分考虑风电功率预测中的多变量输入特性，包括风速、风向、温度、湿度等多个影响因素。通过预处理和特征工程，将这些多变量输入融合到一个统一的框架中，为模型提供更全面的信息源。
TCN与BiGRU的互补优势：
- TCN利用卷积层对时间序列的局部特征进行高效提取，其特有的因果卷积和扩张卷积机制能够捕获序列中的长期依赖关系，同时保持较快的训练速度。
- BiGRU则通过双向结构同时捕捉时间序列的前向和后向信息，进一步提高模型对序列数据的理解和建模能力。将TCN与BiGRU结合，能够充分发挥两者在特征提取和时序建模方面的优势，提高预测的准确性。
注意力机制的引入：
- 注意力机制通过动态调整不同输入特征的权重，使模型能够聚焦于对预测结果影响更大的关键因素。在风电功率预测中，不同时间段和不同变量的重要性可能有所不同，注意力机制的引入能够使模型更加灵活地应对这些变化，提高预测的鲁棒性。
金豺算法优化：
- 金豺算法是一种新型的自然启发式优化算法，模拟了金豺在自然界中的捕食行为。该算法具有参数少、搜索能力强、易于实现等优点。本研究创新性地将其应用于TCN-BiGRU-Attention模型的参数优化中，通过自动调整模型的超参数（如学习率、卷积核大小、隐藏层单元数等），找到最优的模型配置，从而进一步提高预测的精度和效率。
集成模型的整体优化：
- 不同于传统的单一模型优化，本研究对整个集成模型（TCN-BiGRU-Attention）进行全局优化。金豺算法不仅优化模型的参数，还可能涉及到模型结构的微调（如层数的增减、注意力机制的改进等），以最大化模型的预测性能。

综上所述，基于金豺算法优化TCN-BiGRU-Attention的风电功率预测研究在模型构建、特征融合、参数优化等方面均提出了创新性的解决方案，有望为风电功率预测领域带来新的思路和方法。

📚2 运行结果

部分代码：

% 此函数可以实现多变量多步输入，和多变量单步输入
% 多变量多步输入时，将n_out设置成大于1的多步预测
% 多变量单步输入时，将n_out设置为1，表示预测未来一步。
% # 关于此函数怎么用，下面详细举例介绍：
% # 构造数据，这个函数可以实现单输入单输出，单输入多输出，多输入单输出，和多输入多输出。
% # 举个例子：
% # 假如原始数据为,其中务必使得数据前n-1列都为特征，最后一列为输出
% # [0.74   0.8   0.23 750.75
% # 0.74 0.87 0.15 716.94
% # 0.74 0.87 0.15 712.77
% # 0.74 0.8 0.15 684.86
% # 0.74 0.8 0.15 728.79
% # 0.72 0.87 0.08 742.81
% # 0.71 0.99 0.16 751.3]
%
% #（多输入多输出为例），假如n_in = 2，n_out=2，scroll_window=1
% # 输入前2行数据的特征，预测未来2个时刻的数据，滑动步长为1。
% # 使用此函数后，数据会变成：
% # 【0.74 0.8 0.23 750.75 0.74   0.87 0.15 716.94 712.77 684.86
% # 0.74 0.87 0.15 716.94 0.74 0.87   0.15 712.77 684.86 728.79
% # 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79 742.81】
%
% # 假如n_in = 2，n_out=1，scroll_window=2
% # 输入前2行数据的特征，预测未来1个时刻的数据，滑动步长为2。
% # 使用此函数后，数据会变成：
% # 【0.74 0.8 0.23 750.75 0.74   0.87 0.15 716.94 712.77
% # 0.74 0.87   0.15 712.77 0.74 0.8 0.15 684.86 728.79
% # 0.74 0.8 0.15 728.79 0.72   0.87 0.08 742.81 751.3】

function res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples)
for i = 1:num_samples
h1 = values(1+scroll_window*(i-1): scroll_window*(i-1)+n_in,1:or_dim);
res{i,1}= h1;
h2 = values(scroll_window*(i-1)+n_in+1 : scroll_window*(i-1)+n_in+n_out,end);
res{i,2} = h2;

end
end