前言
本文基于前期介绍的电力变压器，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：
3 模型评估与可视化
3.1 结果可视化
3.2 模型评估
© 版权声明