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

来自WikiEdge
跳转到导航 跳转到搜索
下一编辑→
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
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 ==
这篇文献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，使用来自当地[[风电场]]的风速数据集，对数据进行清洗，处理缺失值和异常值，以确保数据质量。
#  '''[[信号分解]]'''：
#* 采用[[连续变分模态分解]]（Successive Variational Mode Decomposition, SVMD）方法将风速时间序列分解为多个[[内在模态函数]]（Intrinsic Mode Functions, IMFs），以提取数据中的不同频率成分。
#  '''[[超参数优化]]'''：
#* 利用[[量子行为粒子群优化]]（Quantum-behaved Particle Swarm Optimization, QPSO）的改进版本——[[精英育种QPSO]]（Elitist Breeding QPSO, EBQPSO）对[[最小二乘支持向量机]]（Least Squares Support Vector Machines, LSSVM）的超参数进行优化，以提高模型的预测精度。
#  '''[[短期风速预测模型构建]]'''：
#* 将LSSVM模型应用于每个分解后的模态分量，并使用[[长短期记忆网络]]（Long Short-Term Memory, LSTM）对原始风速序列与模态分量之和的差异进行建模，以捕捉风速时间序列中的非线性和非平稳特性。
#  '''[[模型训练与测试]]'''：
#* 分别对LSSVM和LSTM模型进行训练和验证，然后结合两种模型的预测结果，得到最终的风速预测值。
#  '''[[性能评估]]'''：
#* 使用[[均方根误差]]（Root Mean Square Error, RMSE）、[[平均绝对误差]]（Mean Absolute Error, MAE）、[[平均绝对百分比误差]]（Mean Absolute Percentage Error, MAPE）等指标对模型性能进行评估，并与现有的风速预测模型进行比较，验证所提模型的有效性和优越性。

2024年9月3日 (二) 07:54的版本

编辑

这篇文献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：
    • 首先，使用来自当地风电场的风速数据集，对数据进行清洗，处理缺失值和异常值，以确保数据质量。
  2. 信号分解：
    • 采用连续变分模态分解（Successive Variational Mode Decomposition, SVMD）方法将风速时间序列分解为多个内在模态函数（Intrinsic Mode Functions, IMFs），以提取数据中的不同频率成分。
  3. 超参数优化：
  4. 短期风速预测模型构建：
    • 将LSSVM模型应用于每个分解后的模态分量，并使用长短期记忆网络（Long Short-Term Memory, LSTM）对原始风速序列与模态分量之和的差异进行建模，以捕捉风速时间序列中的非线性和非平稳特性。
  5. 模型训练与测试：
    • 分别对LSSVM和LSTM模型进行训练和验证，然后结合两种模型的预测结果，得到最终的风速预测值。
  6. 性能评估：
    • 使用均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）等指标对模型性能进行评估，并与现有的风速预测模型进行比较，验证所提模型的有效性和优越性。
取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17185v1/methods&oldid=678”