设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR)方法分别对两种模型进行特征提取,并选用在时间序列预测...
详细信息
设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR)方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络(echo state network,ESN)对未来5 min的光伏功率进行仿真预测.仿真结果表明,采用mRMR方法对历史光伏功率数据进行特征提取,确定能够使预测模型达到最优效果的特征子集,并将其作为单变量预测模型的输入,可以得到更准确的预测效果.所构建的新型单变量预测模型能够为光伏电站提供新的光伏预测思路.
针对近红外光谱数据的维度高、特征之间存在严重的多重共线性的特点,提出了无迁移标准的通过校正分布差异的标定迁移方法(calibration transfer via correcting distributions difference,CT-CDD).CT-CDD首先建立主仪器的偏最小二乘模型...
详细信息
针对近红外光谱数据的维度高、特征之间存在严重的多重共线性的特点,提出了无迁移标准的通过校正分布差异的标定迁移方法(calibration transfer via correcting distributions difference,CT-CDD).CT-CDD首先建立主仪器的偏最小二乘模型,然后通过偏最小二乘模型提取主仪器和从仪器的潜变量,并且分别对主仪器和从仪器的潜变量进行聚类.该方法基于这样的假设:聚类后的主仪器和从仪器的每一部分特征光谱均服从单高斯分布.最后,找到2个仪器的最接近的子分布,通过校正均值和方差来校正数据分布的差异.实验结果表明CT-CDD通常更加鲁棒并且还可以实现最低的均方根预测误差.
暂无评论