122 lines
3.0 KiB
Python
122 lines
3.0 KiB
Python
|
|
|||
|
|
|
|||
|
|
# In[1]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
import matplotlib.pyplot as plt
|
|||
|
|
# 导入matplotlib的pyplot模块，用于数据可视化。
|
|||
|
|
import tensorflow as tf
|
|||
|
|
# 导入tensorflow库，用于深度学习模型的构建和训练
|
|||
|
|
from vmdpy import VMD
|
|||
|
|
# 从vmdpy库导入VMD，用于变分模态分解
|
|||
|
|
import pandas as pd
|
|||
|
|
# 导入pandas库，用于数据处理和分析
|
|||
|
|
import warnings
|
|||
|
|
# 导入warnings库，用于控制警告消息
|
|||
|
|
warnings.filterwarnings("ignore")
|
|||
|
|
# 设置忽略警告消息，通常用于减少输出中的不必要警告
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[2]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 调用GPU加速
|
|||
|
|
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
|
|||
|
|
for gpu in gpus:
|
|||
|
|
tf.config.experimental.set_memory_growth(gpu, True)
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[3]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 用来正常显示中文标签
|
|||
|
|
plt.rcParams['font.sans-serif'] = ['Times New Roman']
|
|||
|
|
# 用来正常显示负号
|
|||
|
|
plt.rcParams['axes.unicode_minus'] = False
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[4]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
df_raw_data = pd.read_csv('电力负荷预测数据2.csv', encoding='gbk')
|
|||
|
|
# 使用pandas的read_csv函数读取CSV文件。
|
|||
|
|
# '股票预测.csv'是文件名。
|
|||
|
|
# usecols=[0,-1]指定只读取CSV文件的第一列和最后一列。
|
|||
|
|
# encoding='gbk'指定文件编码格式为GBK，GBK常用于中文字符编码。
|
|||
|
|
series_close = pd.Series(df_raw_data['power'].values, index=df_raw_data['time'])
|
|||
|
|
# 创建一个pandas的Series对象。
|
|||
|
|
# df_raw_data['power'].values提取'power'列的值作为Series的数据。
|
|||
|
|
# index=df_raw_data['time']设置Series的索引为'time'列的值。
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[5]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
print(series_close)
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[6]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
def vmd_decompose(series, num_modes, alpha, tau, DC, init, tol):
|
|||
|
|
# 定义变分模态分解（VMD）函数，具有多个参数。
|
|||
|
|
# series：待分解的时间序列。
|
|||
|
|
# num_modes：分解的模态数量。
|
|||
|
|
# alpha, tau, K, DC, init, tol：VMD算法的参数。
|
|||
|
|
|
|||
|
|
decom = VMD(series.values,K =num_modes, alpha=alpha, tau=tau, DC=DC, init=init, tol=tol)
|
|||
|
|
# 使用VMD方法对输入的时间序列进行分解。
|
|||
|
|
|
|||
|
|
vmd_result, *_ = decom
|
|||
|
|
# 从VMD返回的结果中获取分解后的模态。
|
|||
|
|
|
|||
|
|
df_vmd = pd.DataFrame(vmd_result.T)
|
|||
|
|
# 将分解后的模态转换为DataFrame。
|
|||
|
|
|
|||
|
|
df_vmd.columns = ['imf' + str(i+1) for i in range(len(df_vmd.columns))]
|
|||
|
|
# 为DataFrame的每一列命名，表示每个模态。
|
|||
|
|
|
|||
|
|
return df_vmd
|
|||
|
|
# 返回分解结果。
|
|||
|
|
|
|||
|
|
# 调用函数并传入参数
|
|||
|
|
df_vmd_result = vmd_decompose(series=series_close, num_modes=8, alpha=2000, tau=0, DC=1, init=1, tol=1e-7)
|
|||
|
|
# 使用vmd_decompose函数对series_close进行VMD分解。
|
|||
|
|
|
|||
|
|
# 可视化VMD分解结果
|
|||
|
|
fig, axs = plt.subplots(nrows=len(df_vmd_result.columns), figsize=(10, 6), sharex=True)
|
|||
|
|
# 创建一个绘图对象和多个子图对象。
|
|||
|
|
|
|||
|
|
for i, col in enumerate(df_vmd_result.columns):
|
|||
|
|
axs[i].plot(df_vmd_result[col])
|
|||
|
|
axs[i].set_title(col)
|
|||
|
|
# 遍历每个模态并绘制在子图上。
|
|||
|
|
|
|||
|
|
plt.suptitle('VMD Decomposition')
|
|||
|
|
# 设置图表的总标题。
|
|||
|
|
|
|||
|
|
plt.xlabel('Time')
|
|||
|
|
# 设置x轴的标签。
|
|||
|
|
|
|||
|
|
plt.show()
|
|||
|
|
# 显示图表。
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[7]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
print(df_vmd_result)
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[8]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
df_vmd_result.to_excel("VMD.xlsx",index=False)#保存数据为VMD.xlsx
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[ ]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|