為了能夠精準(zhǔn)可靠地估計太陽能輻照度,本文提出一種基于貝葉斯模型組合的隨機森林算法用于太陽能輻照度預(yù)測.首先,引入K-means聚類和K折交叉驗證將氣象數(shù)據(jù)訓(xùn)練集生成多個訓(xùn)練子集,以增加訓(xùn)練子集的多樣性并保證均勻采樣.其次,將隨機森林作為基學(xué)習(xí)器建立集成學(xué)習(xí)預(yù)測模型,導(dǎo)入訓(xùn)練子集并訓(xùn)練各個隨機森林.之后,依據(jù)各個隨機森林在驗證集上的預(yù)測性能,采用貝葉斯模型組合算法制定組合策略.個體隨機森林在測試集上的預(yù)測值經(jīng)過模型組合策略得到最終輸出.最后,基于氣象實測數(shù)據(jù)建立仿真實驗,并引入其他四種預(yù)測方法進行對比仿真研究,通過實驗結(jié)果驗證了文中所提出預(yù)測方法在太陽能輻照度預(yù)測問題中的準(zhǔn)確性和可靠性. 

【文章來源】：湖南大學(xué)學(xué)報(自然科學(xué)版). 2019,46(02)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

訓(xùn)練子集采樣Fig.1Samplingoftrainingsubsets

p（yi|xi，D，H，E）=h∈EΣp（yi|xi，H，e）p（e|D）（6）式中：e是組合模型空間E中的個體假設(shè)模型.貝葉斯模型平均和貝葉斯模型組合示意圖如圖2和圖3所示.D（xi，yi）p（yi|xi，h1）p（hHp（h|D）2|D）p（yi|xi，D，H）p（h1|D）Σ**h2h1假設(shè)空間HhHp（yi|xi，h2）p（yi|xi，hH）圖2貝葉斯模型平均Fig.2BayesianmodelaveragingD（xi，yi）p（yi|xi，D，H，E）ΣBMAE假設(shè)空間EBMA1BMA2p（yi|xi，H，e1）p（yi|xi，H，e2）p（e1|D）p（yi|xi，H，eE）p（e2|D）p（eE|D）***圖3貝葉斯模型組合Fig.3Bayesianmodelcombination這樣的修正克服了貝葉斯模型平均給個體假設(shè)h所有權(quán)重的傾向.4基于貝葉斯模型組合的隨機森林預(yù)測方法4.1預(yù)測方法流程基于貝葉斯模型組合的隨機森林預(yù)測方法流程圖如圖4所示.基于貝葉斯模型組合的隨機森林預(yù)測方法在太陽能輻照度預(yù)測實驗中的具體實施步驟如下.{b21，b22，…，b2M}M折交叉驗證訓(xùn)練集K-means聚類C2C1Ck{bK1，bK2，…，bKM}M折交叉驗證M折交叉驗證{b11，b12，…，b1M}訓(xùn)練集D2訓(xùn)練集D1訓(xùn)練集DM訓(xùn)練訓(xùn)練訓(xùn)練隨機森林1隨機森林2隨機森林M測試集預(yù)測驗證集預(yù)測測試集輸入驗證集輸入預(yù)測輸出貝葉斯模型組合輸出輸出模型組合策略驗證集輸出真實值驗證集測試集圖4BMC-EL預(yù)測方法流程圖Fig.4ThestructurechartofBMC-EL1）首先采用公式x*=x-min（x）max（x）-m

p（yi|xi，D，H，E）=h∈EΣp（yi|xi，H，e）p（e|D）（6）式中：e是組合模型空間E中的個體假設(shè)模型.貝葉斯模型平均和貝葉斯模型組合示意圖如圖2和圖3所示.D（xi，yi）p（yi|xi，h1）p（hHp（h|D）2|D）p（yi|xi，D，H）p（h1|D）Σ**h2h1假設(shè)空間HhHp（yi|xi，h2）p（yi|xi，hH）圖2貝葉斯模型平均Fig.2BayesianmodelaveragingD（xi，yi）p（yi|xi，D，H，E）ΣBMAE假設(shè)空間EBMA1BMA2p（yi|xi，H，e1）p（yi|xi，H，e2）p（e1|D）p（yi|xi，H，eE）p（e2|D）p（eE|D）***圖3貝葉斯模型組合Fig.3Bayesianmodelcombination這樣的修正克服了貝葉斯模型平均給個體假設(shè)h所有權(quán)重的傾向.4基于貝葉斯模型組合的隨機森林預(yù)測方法4.1預(yù)測方法流程基于貝葉斯模型組合的隨機森林預(yù)測方法流程圖如圖4所示.基于貝葉斯模型組合的隨機森林預(yù)測方法在太陽能輻照度預(yù)測實驗中的具體實施步驟如下.{b21，b22，…，b2M}M折交叉驗證訓(xùn)練集K-means聚類C2C1Ck{bK1，bK2，…，bKM}M折交叉驗證M折交叉驗證{b11，b12，…，b1M}訓(xùn)練集D2訓(xùn)練集D1訓(xùn)練集DM訓(xùn)練訓(xùn)練訓(xùn)練隨機森林1隨機森林2隨機森林M測試集預(yù)測驗證集預(yù)測測試集輸入驗證集輸入預(yù)測輸出貝葉斯模型組合輸出輸出模型組合策略驗證集輸出真實值驗證集測試集圖4BMC-EL預(yù)測方法流程圖Fig.4ThestructurechartofBMC-EL1）首先采用公式x*=x-min（x）max（x）-m

【參考文獻】：
期刊論文
[1]基于EMD-LMD-LSSVM聯(lián)合模型的逐時太陽輻照度預(yù)測[J]. 田翠霞,黃敏,朱啟兵.  太陽能學(xué)報. 2018(02)
[2]基于氧化動態(tài)模型的瀝青熱氧老化性能預(yù)測[J]. 劉芳,夏洪山,艾軍,劉麗.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[3]基于APSO<sub>WLSSVM算法的Hammerstein ARMAX模型參數(shù)辨識[J]. 郭偉,李明家,李濤,喬東東,魏妙.  中國科技論文. 2018(02)
[4]基于樣條估計分位數(shù)回歸的光伏功率回歸模型[J]. 路志英,任一墨,葛路琨.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2017(10)



本文編號：3446180