WikiEdge:ArXiv-2408.17185v1/methods：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
可视化wikitext
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
（未显示同一用户的1个中间版本）
第1行： 第1行：
<!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 -->
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17185v1/methods|action=edit}} 编辑]</div>
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17185v1/methods|action=edit}} 编辑]</div>
== 工作方法 ==
这篇研究论文的工作部分详细介绍了如何开发和评估提出的混合[[机器学习]]模型，用于[[智能电网]]中[[风力发电]]的短期[[风速预测]]。以下是这部分的主要内容：
这篇论文的主要工作方法是开发了一个混合机器学习模型，用于短期风速预测，以实现智能电网中风力发电的集成。该模型首先使用连续变分模态分解（Successive Variational Mode Decomposition, SVMD）将风速数据分解为不同的模态分量。然后，利用量子行为粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）的改进变体——精英育种QPSO（Elitist Breeding QPSO, EBQPSO）来优化最小二乘支持向量机（Least Squares Support Vector Machines, LSSVM）的超参数。接着，使用长短期记忆网络（Long Short-Term Memory, LSTM）对原始风速序列与SVMD模态分量聚合之间的差异进行建模。最后，通过聚合LSSVM和LSTM模型的预测值来计算最终的预测风速。
# '''数据预处理'''：
#* 首先，从[[风电场]]收集的风速数据被分解成模态分量，使用连续变分模态分解（[[Successive Variational Mode Decomposition]], SVMD）技术。
# '''模型训练与优化'''：
#* 接着，每个子信号被拟合到[[最小二乘支持向量机]]（[[Least Squares Support Vector Machines]], LSSVM）模型中，其超参数通过一种新型的[[量子行为粒子群优化]]（[[Quantum-behaved Particle Swarm Optimization]], QPSO）算法——精英育种QPSO（[[Elitist Breeding QPSO]], EBQPSO）进行优化。
#* 然后，使用[[长短期记忆网络]]（[[Long Short-Term Memory]], LSTM）对原始风速序列与SVMD模式聚合之间的差异进行建模。
# '''预测结果计算'''：
#* 最终预测值通过聚合LSSVM和LSTM模型的预测值来计算。
# '''性能评估'''：
#* 通过与现有的风速预测基准模型进行比较，评估所提出模型的性能。
# '''实验结果'''：
#* 实证结果显示，所提出的方法在[[均方根误差]]（[[Root Mean Square Error]], RMSE）和[[平均绝对误差]]（[[Mean Absolute Error]], MAE）方面相较于基准方法有显著改进。
# '''代码实现'''：
#* 研究中所有的代码实现都在[[GitHub]]上公开可用。

2024年9月3日 (二) 10:16的最新版本

编辑

这篇研究论文的工作部分详细介绍了如何开发和评估提出的混合机器学习模型，用于智能电网中风力发电的短期风速预测。以下是这部分的主要内容：

  1. 数据预处理：
  2. 模型训练与优化：
  3. 预测结果计算：
    • 最终预测值通过聚合LSSVM和LSTM模型的预测值来计算。
  4. 性能评估：
    • 通过与现有的风速预测基准模型进行比较，评估所提出模型的性能。
  5. 实验结果：
  6. 代码实现：
    • 研究中所有的代码实现都在GitHub上公开可用。
取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17185v1/methods&oldid=751”