监督学习算法在预测太阳能生产中的应用

摘要

太阳能是一种具有对环境污染最小和二氧化碳排放最低的可再生能源。为了避免能源危机，人们将更多的使用太阳能。因此，估算太阳能发电厂所产生的电量是很有意义的。近几年，机器学习技术在太阳能发电站的能源分析与预测中成为热点。研究表明:监督学习算法能显著提高预测能力，从而为决策者提供更加灵活的解决方案和支持其决策的测试统计模型。论文针对太阳能数据的特点，对太阳能数据的预处理和预测方法进行了研究。
　　本文首先介绍监督学习算法及其应用，然后分析和研究数据预处理的方法。结合太阳能数据的特点，提出利用均值的方法进行缺失数据的处理。对于训练数据集和验证数据集的获取，采用K层交叉验证方法对数据集进行处理而得到，并利用可视化技术从不同角度展示数据集的特点;最后使用Gradient Boosting、Random Forests和Extremely Randomized Trees三种监督学习算法在处理好的数据集上对太阳能进行预测和分析，得出Extremely Randomized Trees算法是最佳的预测太阳能的监督学习算法。本文还利用UCI数据集对这三种算法进行比较分析，实验表明Extremely Randomized Trees算法具有比较好的准确率和稳定性。
　　本研究中所用的软件工具是Python和R。Python主要用于数据可视化，此外，利用Python的机器学习库可实现三种算法对太阳能的预测。R则是从Python获得上述算法的结果后实现其性能的比较。

目录

声明

摘要

Abstract

Content

Chapter 1．Introduction

1．1 Research significance and purpose

1．2 Research status and level

1．2．1 Current research status

1．2．2 Present Problems in the Field and Proposed Solution

1．3 Strueture of thesis

1．4 Summary

Chapter 2．Supervised Learning

2．1 Supervised learning

2．2 Main algorithms of supervised learning

2．2．1 Gradient Boosting

2．2．2 Random Forests

2．2．3 Extremely Randomized Trees

2．2．4 AdaBoost

2．2．5 Neural Networks

2．3 Naive Bayes classifier

2．4 R statistical programming language

2．5 Python

2．6 Summary

Chapter 3 Data Preprocessing

3．1 Use of Data Preprocessing Techniques

3．1．1 Instance selection and outliers detection

3．2．1 Feature Engineering

3．2．2 Preprocessing data

3．3 Visualization

3．3．1 Clusters of stations

3．3．2 Energy distribution by year

3．4 Summary

Chapter 4 Choosing the best algorithm in use validation

4．1 Use of three algorithms

4．2 Experiment process

4．2．1 Task description

4．2．2 The overall workflow

4．2．3 Comparison of 3 algorithms

4．2．4 Experiment results

4．3 Training and Test on a UCI dataset

4．4 Summary

Chapter 5 Conclusion and Future Works

References

ACKNOWLEDGEMENT