基于异质聚类与Stacking的双集成光伏发电功率预测

光伏功率预测是实现能源优化分配与电网稳定运行的关键基础。然而传统方法中数据预处理不精细以及预测算法对数据挖掘不到位的问题,往往致使准确率不足。针对上述问题,该文提出基于聚类集成和预测集成的双集成光伏功率预测方法,以异质集成的方式提升了气象分类和功率预测的精度。首先,基于重标记法和投影法,构建了融合Kmeans、高斯混合模型(gaussian mixture model, GMM)、AGNES(agglomerative nesting)和BIRCH(balanced iterative reducing and clustering using hierarchies)4种异质算法的聚类集成框架,并依据滑动时间窗口筛选离群日,建立典型气象模型。其次,基于Stacking集成学习框架,在采用k折交叉验证法规避过拟合的基础上,构建由门控循环单元(gated recurrent unit,GRU)、随机森林(random forest,RF)、XGBoost和Light GBM组成的预测集成模型,深度挖掘光伏数据的潜在规律。最后以澳大利亚某光伏电站为例进行仿真,结果表明双集成功率预测的准确性比传统模型有较大提升,证明了聚类集成和预测集成的有效性。

基于数值预报产品的面雨量分析与检验

通过分析检验2007～2009年5～10月T213、德国、日本数值模式在雅砻江流域1～4区的面平均雨量——即面雨量预报发现,3个模式面雨量有无TS评分的差异较小,随着面雨量量级的加大各模式的差异变大。多模式集成预报总体上优于单模式,小雨级、中雨级优势更明显。二滩电站入库流量与面雨量集成预报值的相关系数在全流域明显低于与实测值的相关系数,但预报值与实测值的波动趋势几乎是一致的,仍对预报有较好的参考价值。

真核生物多基因预测结果整合算法

针对独立基因预测算法可靠性较差的缺点,提出了真核生物多基因预测结果整合算法(Algorithm for integration of multiple eukaryotic gene prediction results,AIMEGPR)。该算法在综合分析各种预测算法结果的基础上,首先用极大似然法估计各种预测算法的性能参数,然后利用这些性能参数计算基因证据区间上各个基因片段归属于各种基因元件类型的后验概率,最后采用动态规划法在基因证据区间上确定最优的一致基因结构。AIMEGPR既不需要人工定制整合规则,也不需要复杂的训练学习,因此AIMEGPR尤其在基因组新测序物种上进行编码基因注释时具有十分显著的优越性。实验结果表明,利用AIMEGPR算法对多基因预测结果整合可以明显提高一致基因的可靠性。

融合主观性与共识性信息的人脸吸引力预测

为对特定对象的个性化审美偏好进行预测,将机器学习与深度学习相结合,提出融合共识性与主观性偏好信息的个性化人脸吸引力评估方法。从数据集中收集群体评分形成共识性信息,构建个人评分预测模型以反映主观性信息。结合这2种信息并发挥共识性信息的普遍性优势以及主观性信息的独特性,从而构建个性化人脸吸引力预测模型。在公开的SCUT-FBP和FaceScrub数据集上进行实验,结果表明,该方法的Pearson相关系数高达 0.90 ,残差值低至0.25。