EMD-KPCA-LSTM(基于经验模态分解和核主成分分析的长短期记忆网络多维时间序列预测MATLAB代码)
建构了消融实验,分别将LSTM、EMD-LSTM和EMD-KPCA-LSTM放在同一实验,结果如下。
使用数据集是北半球光伏功率,共四个输入特征(太阳辐射度 气温 气压 大气湿度),一个输出预测(光伏功率)。
1.首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素序列的非平稳性
2.其次利用KPCA提取特征序列的关键影响因子,消除原始序列的相关性和冗余性,降低模型输入的维度
3.最终利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。
训练效果如下
…………………………………………………………………………………………………………………………
单一的LSTM预测
…………………………………………………………………………………………………………………………
训练集误差指标
1.根均方差(RMSE):1.1629
2.平均绝对误差(MAE):0.80127
3.平均相对百分误差(MAPE):6.334%
4.R2为:0.96556
测试集误差指标
1.根均方差(RMSE):1.7561
2.平均绝对误差(MAE):1.0068
3.平均相对百分误差(MAPE):12.2251%
4.R2为:0.89755
历时 29.341487 秒。
…………………………………………………………………………………………………………………………
EMD-LSTM预测
…………………………………………………………………………………………………………………………
训练集误差指标
1.根均方差(RMSE):0.89106
2.平均绝对误差(MAE):0.61745
3.平均相对百分误差(MAPE):4.8268%
4.R2为:0.97978
测试集误差指标
1.根均方差(RMSE):3.8523
2.平均绝对误差(MAE):3.2223
3.平均相对百分误差(MAPE):28.7138%
4.R2为:0.50699
历时 15.279296 秒。
…………………………………………………………………………………………………………………………
EMD-KPCA-LSTM预测
…………………………………………………………………………………………………………………………
训练集误差指标
1.根均方差(RMSE):1.2308
2.平均绝对误差(MAE):0.85797
3.平均相对百分误差(MAPE):7.1542%
4.R2为:0.96143
测试集误差指标
1.根均方差(RMSE):1.8002
2.平均绝对误差(MAE):1.4186
3.平均相对百分误差(MAPE):14.1152%
4.R2为:0.89234
历时 11.927486 秒。