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

摘要

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。
　　本研究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。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

S1.1 太阳辐射量预测的研究意义与背景

S1.2 太阳辐射量预测方法研究

S1.3 本文的研究内容

S1.4 本文结构

第二章 ‘分解-聚类-集成’学习范式研究

S2.1 “分解-集成”学习范式

S2.2 “分解-聚类-集成”学习范式

S2.3 本章小结

第三章 基于EEMD-LSSVR-K-LSSVR的分解-聚

S3.1 EEMD分解算法

S3.2 Kmeans聚类算法

S3.3 LSSVR的预测和集成方法

S3.4 EEMD-LSSVR-K-LSSVR混合集成学习框架

S3.5 本章小结

第四章 实证研究

S4.1 数据描述与实验设计

S4.2 实验结果分析

S4.3 本章小结

第五章 结论与展望

S5.1 结论

S5.2 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