光伏预测

[xianxiaogao]

感谢作者提供的代码。 我是一名时间序列预测的初学者，之前学习过我师兄的论文（VMD对时序分解然后使用混合神经网络（CNN提取天气特征+GRU预测光伏分量，整合后再用CNN预测得到预测值）），现在先沿着这方面做下去，很庆幸能够看到作者的程序！！！不过有两个问题想请教一下，嘿嘿。 1、看了很多文献，暂时还未看到对CEEMDAN分解够使用聚类方法进行聚类，所以还是有点疑惑，这种方法除了减少计算步骤，还有什么优势嘛？ 图1：CMMDAN分解后的图，会不会包含一点点模态重叠。 图2：对CMMDAN分解后在进行聚类，因为我看聚类标签并不是按顺序来的，所以可能存在imf1与imf4存在的情况，这种会对预测精度造成影响吗？ 2、利用VMD对高频分量进行分解有什么优势嘛？ 图3：VMD对高频分量分解图。 附加一个：之前了解过的分解方法，都是对分量预测进行求和的，这种将结果和相关因素矩阵再输入到神经网络中是不是就是作者在最后一步的迭代求预测结果。 因为我刚学不是很久，不知道会不会问一些很白痴的问题，还请作者不要介意，感谢作者的代码，如有相关的文献也可以推荐一下，万分期待作者百忙之中予以回复。谢谢！！！

[FateMurphy]

1、聚类方法的主要优势就是在于减少计算量，节约时间，也可以更方便地给分解后的子序列作出有意义的解释。此外，根据聚类合并IMF1和IMF4这样不会影响到预测计算，但是可能不方便给出子序列实质性解释，这样也可以手动合并即可。 2、CEEMDAN在分解时依然会出现你给出图片的模态混淆问题，可以尝试ICEEMDAN方法。 3、EMD在分解高频序列时模态混淆问题严重，VMD相对更有效。 4、将结果和相关因素矩阵再输入到神经网络中就是作者在最后一步的迭代求预测结果，但是神经网络的训练过程不一样，输出的结果也可能不同。

[xianxiaogao]

感谢作者的耐心解答，下来我会根据您的回复修改修改。 顺便问一下这几天比较困扰小生的一个问题： 1、基本情况说明： 如果使用信号分解的方法，是不是就无关于典型日的影响，因为之前一直把原始数据的聚类当做第一个点在做，但是最近看文献发现好像如果使用信号分解算法，基本都没有这一步。我之前是先用聚类算法将预处理过的数据集进行聚类，形成了晴天、多云、雨天三个数据集，再分别进行信号分解预测。 2、问题： 聚类数据集在使用分解算法的基础上是否多余？

[FateMurphy]

1、这股要看你关注什么样的预测。例如我只想预测晴天的数据，就可以只是用晴天数据。一般普适的预测可以不进行聚类分类数据集。 2、你提到聚类和分解的目的并不相同，仍是有意义的。

[xianxiaogao]

感谢作者的回答与建议。 不知后续博主有没有考虑过进行时序的概率区间预测