基于LightGBM-SSA-ELM的新疆羊舍CO_(2)浓度预测

为减少肉羊集约化养殖过程中因环境恶化产生的应激反应,精准调控CO_(2)质量浓度,提出了基于分布式梯度提升框架(LightGBM)、麻雀搜索算法(SSA)融合极限学习机(ELM)的CO_(2)质量浓度预测模型。首先利用LightGBM筛选出与CO_(2)质量浓度相关的重要特征,降低预测模型的输入维度;然后选择Sigmoid为激活函数,使用具有较强非线性处理能力的单隐含层ELM神经网络算法构建CO_(2)质量浓度预测模型;最后通过麻雀智能优化算法对ELM模型中所需要的超参数进行优化,并将优化后模型应用于新疆玛纳斯集约化肉羊养殖基地。试验结果表明,该模型预测均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R^(2))分别为0.0213 mg/L、0.0136 mg/L和0.9886,综合性能指标优于支持向量回归(SVR)、反向传播神经网络(BPNN)、长短记忆神经网络(LSTM)、门限循环单元(GRU)和LightGBM等;CO_(2)质量浓度预测曲线贴近真实曲线,具有良好的预测效果,能有效满足集约化肉羊养殖过程中CO_(2)质量浓度精准预测及调控要求。

基于G-L-R模型的光伏发电功率预测

光伏发电功率预测是分布式光伏问题的关键技术之一。本文基于梯度提升决策树和分布式梯度提升框架算法,采用带有L2正则项的Ridge算法作为融合策略,设计了G-L-R模型,进行了准确的光伏出力短期预测和超短期预测。实验基于2018年安徽某光伏场站的数据进行。结果表明,参考华东区域考核标准,所提模型的光伏出力预测准确率达91.31%。其中,晴天预测准确率为96.34%,突变天气预测准确率为87.22%。