往期精彩内容：

时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较

全是干货 | 数据集、学习资料、建模资源分享！

EMD变体分解效果最好算法——CEEMDAN（五）-CSDN博客

拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客

单步预测-风速预测模型代码全家桶-CSDN博客

CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客

CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客

半天入门！锂电池剩余寿命预测（Python）-CSDN博客

超强预测模型：二次分解-组合预测-CSDN博客

VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客

超强预测算法：XGBoost预测模型-CSDN博客

基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客

VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客

独家原创 | SCI 1区 高创新预测模型！-CSDN博客

风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客

高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客

VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客

独家原创 | 超强组合预测模型！-CSDN博客

全网最低价 | 全家桶持续更新！-CSDN博客

独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客

VMD + CEEMDAN 二次分解——创新预测模型合集-CSDN博客

独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客

时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客

独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客

独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客

多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

独家原创 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost组合预测-CSDN博客

回归预测模型 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

优化算法更新 | 基于WOA-CNN-BiLSTM的多步预测模型-CSDN博客

CEEMDAN-CNN-BiLSTM多步预测模型-CSDN博客

超强预测模型 | 回归预测合集大更新-CSDN博客

单变量、多特征变量多步预测模型大更新-CSDN博客

速成创新 | 基于KAN、KAN卷积的预测模型-CSDN博客

免费获取 | 时间序列常用数据集、可视化代码-CSDN博客

基于WOA-CNN-BiLSTM的多步预测模型-CSDN博客

多步预测更新 | 基于Transformer的组合预测模型-CSDN博客

涨点创新 | 基于 Informer-LSTM的并行预测模型-CSDN博客

独家原创 | 基于 Informer + TCN-SENet的并行预测模型-CSDN博客

即插即用 | 时间编码+LSTM+全局注意力-CSDN博客

粉丝福利 | 再添 Seq2Seq 多步预测模型-CSDN博客

暴力涨点！ | 基于 Informer+BiGRU-GlobalAttention的并行预测模型-CSDN博客

热点创新 | 基于 KANConv-GRU并行的多步预测模型-CSDN博客

创新点：

二次分解 +时空特征融合

我们提供多个数据集上的测试实验代码！并更新在二次分解——创新模型预测全家桶中，请购买过全家桶的同学进行更新下载：

全家桶更划算！！！高性价比、高质量代码

● 数据集：风速数据集， 风电功率数据集，电力变压器数据集

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

前言

本文基于前期介绍的电力变压器（文末附数据集），介绍一种基于VMD+CEEMDAN二次分解的TCN-Transforme预测模型，以提高时间序列数据的预测性能。电力变压器数据集的详细介绍可以参考下文：

电力变压器数据集介绍和预处理

1 二次分解与数据集制作

1.1 导入数据

1.2 VMD分解

第一步，根据不同K值条件下， 观察中心频率，选定K值；从K=4开始出现中心频率相近的模态，出现过分解，故模态数 K 选为4。

第二步，分解可视化

1.3 样本熵

样本熵是一种用于衡量序列复杂度的方法，可以通过计算序列中的不确定性来评估其复杂性。样本熵越高，表示序列的复杂度越大。

通过对VMD分解出四个分量的样本熵计算，高样本熵有着更丰富的不可控信息，为进一步提取分量中的有效信息，对VMD的最高熵值项，进行CEEMDAN分解

1.4 CEEMDAN分解

对 VMD分解出的 最高熵值项分量进行再分解

1.5 数据集制作

先合并VMD和CEEMDAN分解的分量，按照8：2划分训练集和测试集

2 基于Pytorch的 TCN-Transformer 预测模型

2.1 定义TCN-Transformer预测模型

2.2 设置参数，训练模型

50个epoch，MSE 为0.0148，VMD+CEEMDAN二次分解的TCN-Transformer并行预测效果良好，二次分解后，能够提取序列中更多的信息，TCN-Transformer模型能够提取出分量特征的时空信息，预测效果提升明显，性能优越，适当调整模型参数，还可以进一步提高模型预测表现。

注意调整参数：

• 可以修改TCN层数和每层通道数；

• 调整Transformer编码器层数和注意力维度数、多头注意力头数，增加更多的 epoch （注意防止过拟合）

• 可以改变滑动窗口长度（设置合适的窗口长度）

3 模型评估与可视化

3.1 结果可视化

3.2 模型评估

4 代码、数据整理如下：

点击下方卡片获取代码！