机器学习研究及在风力预测中的应用.pdf

机器学习研究及在风力预测中的应用.pdf

ID:51990503

大小:12.00 MB

页数:59页

时间:2020-03-21

机器学习研究及在风力预测中的应用.pdf_第1页
机器学习研究及在风力预测中的应用.pdf_第2页
机器学习研究及在风力预测中的应用.pdf_第3页
机器学习研究及在风力预测中的应用.pdf_第4页
机器学习研究及在风力预测中的应用.pdf_第5页
资源描述:

《机器学习研究及在风力预测中的应用.pdf》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、指导小组成员名单张军平教授周志华教授UweKruger副教授LisaLamont助理教授目录目录2摘要5Abstract61维数约简与流形学习81.1维数约简81.2流形学习概念81.3流形学习常用算法综述91.4流形学习的一些问题112流形学习算法评估132.1本章概述132.2邻域保持率132.3放大因子142.4新的定量准则162.4.1平滑性评估:ALSTD/ALED162.4.2方向一致性评估:ALCD182.4.3综合评估:GSCD192.5定量分析与可视化202.5.1儿何直观202.5.

2、2Out-of-samples问题232.5.3生成拓扑流形242.6本章小结253短期风力预测323.1本章概述323.2风能产业背景323.3常见风力预测方法333.4风力预测模型选择343.4.1数据描述343.4.2建模算法和模型结构353.5风力预测实验分析38343.5.1静态模型结构393.5.2动态模型结构413.6本章小结454结束语484.1论文的主要成果484.2论文的不足之处与改进设想49致谢57在学期间的研宄成果及发表的论文59在学期间的奖励60声明61摘要维数约简是机器学

3、习领域中十分重要的研究谍题之一。非线性嵌入方法,俗称流形学习,作为非监督、非线性维数约简方法,它能够发现高维数据中的内在低维结构,并把数据约减到一个非线性的流形空间上,帮助人们分析和挖掘数据的实质。自流形学习提出至今,已有十多年的发展,期间大量的非线性嵌入算法相继被提出,但是数据嵌入质量的评估,往往是通过算法得到的可视化结果的视觉感受来,主观定性的比较。尽管目前文献中有少量的评估方法,如最常见的领域保持率,但这一准则只关注领域保持程度并没有考虑流形的相关特性。文献中的其他准则,非常依赖人们对低维流形函数形式或者测地距离的先验知识,因此,更普适、更具

4、体的非线性嵌入算法评估方法是一项非常有价值的研究课题。考虑到流形的特性,我们从全局平滑性和方向一致性上角度出发,提出了基于放大因子和主延展方向的一系列新的定量准则,用于分析流形学习算法更细致的特性。我们提出的准则既儿何直观,又简单快速便于实现。大量的实验表明,我们的准则很好地反映出非线性嵌入算法的一些几何特性,并且对-fout-of-sample问题(新样本数据点的嵌入问题)具有很好的指导意义。除了机器学习理论方面的研究,我们的工作还涉及了新能源产业的实际应用问题,将机器学习的相关理论方法应用到的风电转化环节中,借助预测模型将风能转化的电能更高效地

5、接入电网中。近年来,随着节能减排的国际压力进一步增加,可再生清洁能源的应用受到了越来越多的重视。各国家和地区都加大了对以核能、风能、太阳能为主的可再生能源的研发力度,因为这些能源对环境既没有直接的污染,对生态带来的间接负面影响也是非常有限的。然而,受日本福岛核泄漏危机影响,公众对核电的信心和信任骤降,全球核电建设进程将放缓,人们幵始将更多的E1光投向更加安全、可靠的可再生能源。相较于其他可再生能源,风能的优势还是十分明显的,除了运行成本较低外,风力涡轮机的维护也更为便捷。但是,风力发电的间歇性,再加上13前大规模电力存储技术的不成熟,使得其可靠性有

6、所降低。因此,风力的预测对于风能发电的意义尤为重大。我们对H前众多前沿的短期风力预测工作,进行了大量的调研。尽管这一领域肖前已经有非常多的研究工作,但是可靠的预测模型往往十分依赖使用的预测方法和假设的数据结构。另外大多数的研究致力子风速预测,但是对风向预测的研究工作却非常少。为了解决这个问题,论文就2002年到2007年阿联酋阿布扎比地区的气象数据,对比了多种预测模型的建模方法和数据结构。分析数据表明随机森林技术在众多预测方法中是最优的。而后,论文中提到基于气象数据的非线性动态因果模型,在预测准确率上显著优于基于非因果结构的预测模型。另外,通过对比

7、风向预测的两种不同策略,我们发现基于回归方法的风向预测在准确率上要优于基于分类的预测方法。关键词:机器学习,维数约简,流形学习,定量评估,新能源,风力预测中图分类号:TP1815AbstractManifoldlearning,alsoknownasnonlinearembeddingornonlineardimension?alityreduction,isanimportantresearchareaofmachinelearning.Thenonlinearem?beddingtechniqueistorecovertheintrinsicl

8、ow-dimensionalmanifoldsembeddedirithehigh-dimensionalspace,wh

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。