基于‘分解-聚类-集成’学习范式的太阳辐射量预测技术研究及应用

发布时间：2020-11-18 10:15

　　由于能源危机和环境问题,现在寻找替代能源是十分迫切的。太阳能作为一种巨大的清洁能源,已广泛引起研究人员的关注。因此,本文首次提出了一个基于“分解-聚类-集成”学习原理的混合集成模型,其结合了集成的经验模态分解(EEMD)、最小二乘的支持向量回归(LSSVR)、重力搜索算法(GSA)和K均值聚类算法(Kmeans),来进行太阳辐射量的短期、中期和长期建模预测。这种混合集成学习范式是专门为解决具有高波动性、复杂性和不规则性的太阳辐射建模问题所提出的。在该混合集成学习范式中,首次应用具有竞争力的分解算法EEMD将原始的太阳日总辐射时间序分解成不同频率的本征模态函数(IMFs)和一个残差项。然后,利用GSA优化的LSSVR模型对每个IMFs成分和残差成分分别建模预测。其次,K均值聚类算法被用来区分所有成分预测结果之间的差异,并依据其固有的属性,将其划分成不同的类簇。最后,使用不同的GSA-LSSVR工具对每个类别中的成分预测结果进行集成预测,从而产生最终的预测结果。为了说明和验证,所提出的学习范式被用来预测北京市的太阳辐射量。实证结果表明,所提出的EEMD-LSSVR-K-LSSVR学习范式,在预测精度(水平预测精度和方向预测精度)和有效性(鲁棒性)下,统计地优于其他基准模型(包括流行的单模型和相似的混合集成模型),这就表明它是一个有前途的工具来预测具有高波动性和不规则性的复杂时间序列。
【学位单位】：兰州大学
【学位级别】：硕士
【学位年份】：2016
【中图分类】：P422.1
【文章目录】：
摘要
Abstract
第一章绪论
    1.1 太阳辐射量预测的研究意义与背景
        1.1.1 太阳辐射量预测的意义
        1.1.2 太阳辐射量预测的分类
        1.1.3 太阳辐射量预测的特点
        1.1.4 太阳辐射量预测的步骤
    1.2 太阳辐射量预测方法研究
        1.2.1 太阳辐射量预测方法研究现状
        1.2.2 太阳辐射量预测中存在的问题
    1.3 本文的研究内容
    1.4 本文结构
第二章 ‘分解-聚类-集成’学习范式研究
    2.1“分解-集成”学习范式
    2.2“分解-聚类-集成”学习范式
    2.3 本章小结
第三章基于EEMD-LSSVR-K-LSSVR的分解-聚类-集成学习理论的研究
    3.1 EEMD分解算法
        3.1.1 EMD分解算法
        3.1.2 EEMD分解算法
    3.2 Kmeans聚类算法
    3.3 LSSVR的预测和集成方法
        3.3.1 SVR方法
        3.3.2 LSSVR方法
    3.4 EEMD-LSSVR-K-LSSVR混合集成学习框架
    3.5 本章小结
第四章实证研究
    4.1 数据描述与实验设计
        4.1.1 数据描述
        4.1.2 模型性能评估准则
    4.2 实验结果分析
        4.2.1 单模型性能比较
        4.2.2 混合集成模型性能比较
        4.2.3 鲁棒性分析
    4.3 本章小结
第五章结论与展望
    5.1 结论
    5.2 展望
附录A 重力搜索算法
参考文献
在学期间完成的工作
致谢

【相似文献】

相关期刊论文前10条

1 杨卫国;夏红卫;魏生贤;李明;方玉萍;;竖直墙面不同方位上太阳辐射量的计算分析[J];西南师范大学学报(自然科学版);2008年02期

2 杨建莹;刘勤;严昌荣;梅旭荣;;近48a华北区太阳辐射量时空格局的变化特征[J];生态学报;2011年10期

3 卢端,袁士孔;甘肃省平均太阳辐射量的确定方法[J];甘肃科学(甘肃省科学院学报);1990年03期

4 刘金彪;安徽地区太阳辐射量的计算及其分布特征[J];安徽大学学报(自然科学版);1981年02期

5 郭力民;陈胜军;顾骏强;周乘波;;浙江太阳辐射量计算方法的探讨[J];科技通报;1991年02期

6 查良松;西北地区太阳辐射量变化的研究[J];干旱区地理;1995年01期

7 查良松;我国地面太阳辐射量的时空变化研究[J];地理科学;1996年03期

8 查良松，丁祖荣，周佑河，潘玲玲，施锦丰;合肥市太阳辐射量变化的初步分析[J];安徽师大学报(自然科学版);1996年04期

9 宋守正;方德彪;;河西走廊西部太阳辐射量的计算[J];甘肃气象;1986年04期

10 查良松，丁祖荣;我国太阳辐射量时间序列分析[J];中国科学技术大学学报;1996年01期

相关硕士学位论文前1条

1 孙少龙;基于‘分解-聚类-集成’学习范式的太阳辐射量预测技术研究及应用[D];兰州大学;2016年