改进Stacking算法的光伏发电功率预测

针对Stacking算法计算时间较长和样本数据较少的问题,提出了一种基于新向量表示和交叉验证精度加权的改进Stacking算法.采用三层算法结构,第1、2层为初级层,使用随机森林、SVR、XGBoost 3个学习器;第3层为次级层,使用LightGBM对第2层输出再次学习以减弱噪声.用一种新的向量表示法来增大层级之间输...     

改进Stacking算法的光伏发电功率预测

针对Stacking算法计算时间较长和样本数据较少的问题,提出了一种基于新向量表示和交叉验证精度加权的改进Stacking算法。采用三层算法结构,第1、2层为初级层,使用随机森林、SVR、XGBoost 3个学习器;第3层为次级层,使用LightGBM对第2层输出再次学习以减弱噪声。用一种新的向量表示法来增大层级之间输入输出数据的样本规模和样本分布密度,来保证数据维度不会随着初级层学习器数目的增多而增大;根据在交叉验证下初级层不同预测模型表现出预测准确度的差异性对结果进行加权处理。利用某光伏电站的发电数据进行实际算例分析,提出的模型在MAE、MSE及$R^2$指标上,相比随机森林和Stacking等模型其预测性能有很大的提升。     

基于遗传算法和最小二乘支持向量机的风速预测

<正>随着绿色能源发电在全世界的飞速发展,风能发电比传统能源发电更加清洁环保,并且取之不尽、用之不竭,目前是世界首选的可再生能源发电模式之一。风力发电功率主要取决于风电场的风速,所以,风速预测的准确程度是风速-风电功率预测的主要影响因素。准确的短期风速预测对电网的安全稳定性及降低运行成本都具有十分重要的意义。本文,笔者利用遗传算法对最小二乘支持向量机的参数优化,选取最优的正规化参数和参数δ,避免参数选取的盲目性和不精确性。通过实际的算例验证,有效地提高了预测结果的可信度和精确度。