分解+降维+预测！多重创新！直接写核心！EMD-KPCA-Transformer多变量时间序列光伏功率预测
效果一览
基本介绍
1.MATLAB实现EMD-KPCA-Transformer多变量时间序列光伏功率预测;
2.多变量时间序列预测 就是先emd把原输入全分解变成很多维作为输入KPCA降维 再输入Transformer预测 ;
3.运行环境Matlab2023b及以上，输出RMSE、R2、MAPE、MAE等多指标对比，
先运行main1_EMD，进行emd分解；再运行main2_KPCA降维；再运行main3_EMD_KPCA_Transformer建模预测。
注意：一种算法不是万能的，不同的数据集效果会有差别，后面的工作就是需要调整参数；
4.运行环境为Matlab2023b及以上；
5.数据集为excel，光伏数据集，输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测,所有文件放在一个文件夹；
6.命令窗口输出R2、RMSE、MAE、MAPE等多指标评价。
购&买后可加点击文章底部卡片博主咨询交流。注意：其他非官方渠道购&买的盗版代码不含模型咨询交流服务，大家注意甄别，谢谢。
程序设计
- 完整程序和数据下载私信博主回复分解+降维+预测！多重创新！直接写核心！EMD-KPCA-Transformer多变量时间序列光伏功率预测。
clc;
clear
close all
%% Transformer预测
tic
load origin_data.mat
load emd_data.mat
load KPCA_data.mat
%% EMD-KPCA-Transformer预测
tic
disp('…………………………………………………………………………………………………………………………')
disp('EMD-KPCA-Transformer预测')
disp('…………………………………………………………………………………………………………………………')
data=[KPCA_data X(:,end)];
num_samples = length(data); % 样本个数
kim = 5; % 延时步长（kim个历史数据作为自变量）
zim = 1; % 跨zim个时间点进行预测
or_dim = size(data,2);
res=[];
% 重构数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(data(i: i + kim - 1,:), 1, kim*or_dim), data(i + kim + zim - 1,:)];
end
% 训练集和测试集划分
outdim = 1; % 最后一列为输出
num_size = 0.7; % 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);
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502