為了能夠精準(zhǔn)可靠地估計(jì)太陽(yáng)能輻照度,本文提出一種基于貝葉斯模型組合的隨機(jī)森林算法用于太陽(yáng)能輻照度預(yù)測(cè).首先,引入K-means聚類和K折交叉驗(yàn)證將氣象數(shù)據(jù)訓(xùn)練集生成多個(gè)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(jī)森林作為基學(xué)習(xí)器建立集成學(xué)習(xí)預(yù)測(cè)模型,導(dǎo)入訓(xùn)練子集并訓(xùn)練各個(gè)隨機(jī)森林.之后,依據(jù)各個(gè)隨機(jī)森林在驗(yàn)證集上的預(yù)測(cè)性能,采用貝葉斯模型組合算法制定組合策略.個(gè)體隨機(jī)森林在測(cè)試集上的預(yù)測(cè)值經(jīng)過(guò)模型組合策略得到最終輸出.最后,基于氣象實(shí)測(cè)數(shù)據(jù)建立仿真實(shí)驗(yàn),并引入其他四種預(yù)測(cè)方法進(jìn)行對(duì)比仿真研究,通過(guò)實(shí)驗(yàn)結(jié)果驗(yàn)證了文中所提出預(yù)測(cè)方法在太陽(yáng)能輻照度預(yù)測(cè)問(wèn)題中的準(zhǔn)確性和可靠性. 

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

【文章頁(yè)數(shù)】：8 頁(yè)

【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(gè)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(gè)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(jī)森林預(yù)測(cè)方法4.1預(yù)測(cè)方法流程基于貝葉斯模型組合的隨機(jī)森林預(yù)測(cè)方法流程圖如圖4所示.基于貝葉斯模型組合的隨機(jī)森林預(yù)測(cè)方法在太陽(yáng)能輻照度預(yù)測(cè)實(shí)驗(yàn)中的具體實(shí)施步驟如下.{b21，b22，…，b2M}M折交叉驗(yàn)證訓(xùn)練集K-means聚類C2C1Ck{bK1，bK2，…，bKM}M折交叉驗(yàn)證M折交叉驗(yàn)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(jī)森林1隨機(jī)森林2隨機(jī)森林M測(cè)試集預(yù)測(cè)驗(yàn)證集預(yù)測(cè)測(cè)試集輸入驗(yàn)證集輸入預(yù)測(cè)輸出貝葉斯模型組合輸出輸出模型組合策略驗(yàn)證集輸出真實(shí)值驗(yàn)證集測(cè)試集圖4BMC-EL預(yù)測(cè)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(gè)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(gè)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(jī)森林預(yù)測(cè)方法4.1預(yù)測(cè)方法流程基于貝葉斯模型組合的隨機(jī)森林預(yù)測(cè)方法流程圖如圖4所示.基于貝葉斯模型組合的隨機(jī)森林預(yù)測(cè)方法在太陽(yáng)能輻照度預(yù)測(cè)實(shí)驗(yàn)中的具體實(shí)施步驟如下.{b21，b22，…，b2M}M折交叉驗(yàn)證訓(xùn)練集K-means聚類C2C1Ck{bK1，bK2，…，bKM}M折交叉驗(yàn)證M折交叉驗(yàn)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(jī)森林1隨機(jī)森林2隨機(jī)森林M測(cè)試集預(yù)測(cè)驗(yàn)證集預(yù)測(cè)測(cè)試集輸入驗(yàn)證集輸入預(yù)測(cè)輸出貝葉斯模型組合輸出輸出模型組合策略驗(yàn)證集輸出真實(shí)值驗(yàn)證集測(cè)試集圖4BMC-EL預(yù)測(cè)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(xiàn)】：
期刊論文
[1]基于EMD-LMD-LSSVM聯(lián)合模型的逐時(shí)太陽(yáng)輻照度預(yù)測(cè)[J]. 田翠霞,黃敏,朱啟兵.  太陽(yáng)能學(xué)報(bào). 2018(02)
[2]基于氧化動(dòng)態(tài)模型的瀝青熱氧老化性能預(yù)測(cè)[J]. 劉芳,夏洪山,艾軍,劉麗.  湖南大學(xué)學(xué)報(bào)(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(shí)[J]. 郭偉,李明家,李濤,喬?hào)|東,魏妙.  中國(guó)科技論文. 2018(02)
[4]基于樣條估計(jì)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(bào)(自然科學(xué)版). 2017(10)



本文編號(hào)：3446180