声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

数据输入方法

模型原理与流程

创新点

①创新点一：最新优化算法自动参数调优

②创新点二：熵值引导的K-means聚类

③创新点三：多尺度预测融合

实验结果展示

完整代码获取

---

今天给大家带来一期绝对创新且工作量足够的代码，以往的分解大多只进行一次，对于高频项的挖掘不够充分，导致其预测精度较低。况且，目前的分解方法大多已经入不了审稿人的法眼，如果没有进一步的创新，很容易被拒稿。

因此，今天给小伙伴带来一期二次分解+优化算法+深度学习的创新代码，其中的优化算法也可以任意替换！

当然，我们提出的这个模型，非常适合用来发文！目前，知网和WOS上都还没人用过！不信的小伙伴可以看下面截图：

知网：

WOS：

你先用，你就是创新！

您只需做的工作：替换自己的数据，运行main文件即可！非常适合新手小白！

数据输入方法

本期代码采用的案例数据是某地光伏功率数据，在实际处理时，由于光伏白天不发电，因此作者把功率为0的行都删除了！同时，由于时间关系，作者这边只选取了2022年1月份31天的功率数据进行预测，如图所示。

特征包括气温, 方位角, 云层不透明度, 露点温度, DHI（太阳散射辐射指数）, DNI（太阳直接辐射指数）, GHI（太阳总水平辐射）, GTI（固定倾角辐射）, GTI（跟踪倾角辐射）, 大气可降水量, 相对湿度, 降雪深度, 地面气压, 高度10m风向, 高度10m风速, 天顶角，输出即为实际功率一列。

更换自己的数据时，只需最后一列放想要预测的列，其余列放特征即可，特征数量不限，无需更改代码，非常方便！

模型原理与流程

简单来说，我们首先利用ICEEMDAN先进行第一次分解，再利用Kmeans聚类和VMD分解方法进行第二次分解，最后融合得到的分量，利用CPO优化后的CNN-BiLSTM深度学习模型对每个分量进行预测，最后相加得到预测结果！

1)初次模态分解：通过ICEEMDAN算法将输入时间序列分解为若干IMF分量，初步降低原始时间序列的复杂度。

2)K-means聚类：计算步骤1)得到的若干IMF分量的样本熵，并根据各样本熵值的大小将所有的IMF分量通过K-means聚类为高频、中频和低频3个IMF时间子序列。

3)二次模态分解：将步骤2)中的高频时间序列进行VMD二次模态分解，降低高频IMF分量的复杂度，并将VMD分解的IMF与CEEMDAN算法分解得到的中、低频时间序列组成新的IMF分量集合。

4)CPO算法优化：将各IMF分量分别输入到CPO优化算法中，分别得出最优的L2正则化系数、初始学习率、隐藏层节点数三个CNN-BiLSTM超参数组合。

5)CNN-BiLSTM模型训练与预测：将步骤4)得到的最优超参数分别代入CNN-BiLSTM模型中进行训练预测，并将各预测结果融合为最终的预测结果。

创新点

①创新点一：最新优化算法自动参数调优

冠豪猪优化算法(CPO)于2024年发表在中科院1区顶级SCI期刊《Knowledge-Based Systems》上！实验结果表明，CPO算法在大部分函数上均取得了最优结果！性能非常不错，解决了CNN-BiLSTM模型参数难以人工准确设定的问题！之前推文有做过CPO和23年新算法RIME的比较，效果显而易见！链接如下：

2024年新算法-冠豪猪优化算法(CPO)-公式原理详解与性能测评 附赠Matlab代码

②创新点二：熵值引导的K-means聚类

利用样本熵对IMF分量进行特征刻画，并以此为依据进行K-means聚类，解决了以往凭经验人工选取IMF分量类别的盲目性，提升了聚类结果的客观性与准确性。

③创新点三：多尺度预测融合

模型采用多IMF分量分别建模预测后再叠加，充分发挥了多尺度信息融合的优势，整体预测性能得到显著提高，避免了单一尺度预测的不足。

实验结果展示

利用刚刚的光伏数据集，得到的预测结果如下所示（由于ICEEMDAN、优化算法、Kmeans算法均具有随机性，因此每次运行结果会略有不同，属于正常现象）：

ICEEMDAN分解图：

Kmeans聚类后的结果，分为高频/中频/低频分量：

合并VMD分解高频分量与Co_IMF2;Co_IMF3分量：

预测结果图：

回归拟合图：

误差直方图：

文件夹内也非常清晰，没有什么乱七八糟的文件！

以上所有图片，替换Excel后均可一键运行main生成，Matlab无需配置环境！比Python什么方便多了！非常适合新手小白！

完整代码获取

如果需要以上完整代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

二次分解