基于GRO优化的VMD-HKELM月蒸发量预测方法研究

水面蒸发预测对于水库水量预测、区域水量平衡分析和水资源量核算等具有重要意义。水面蒸发量预测影响因素众多,并最终体现在随时间变化的蒸发量监测数据中。为此,基于淘金热(GRO)算法优化变分模态分解(VMD)-混合核极限学习机(HKELM)提出两种方案。方案Ⅰ先对月蒸发量时间序列分解,后划分训练集、测试集;方案Ⅱ先对月蒸发量划分训练集、测试集,再进行时间序列分解。通过一种新型元启发式算法对分解技术VMD、预测器HKELM超参数进行目标寻优并建立多种模型,采用云南省龙潭寨、西洋街水文站月蒸发量预测实例对方案Ⅰ、方案Ⅱ各模型进行检验。结果表明:方案Ⅰ各模型性能优于方案Ⅱ,各模型的拟合精度和预测精度总体上随分解分量数的增加而提高,但方案Ⅰ使用了测试集信息,导致预测精度虚高;方案Ⅱ各模型具有较好的预测精度和稳健性能,其用于月蒸发量时间序列预测是可行的,反映出客观真实的预测效果,具有较好的实用价值和意义。

基于改进核密度估计的光伏发电功率区间预测

该文提出了一种基于改进核密度估计和GRO-CNN-LSTM-Attention的光伏发电功率区间预测模型。该模型通过引入淘金优化算法(GRO)与SE注意力机制提高了点预测模型的准确度,同时通过自适应带宽参数与混合概率密度函数两种策略改进核密度估计区间预测方法,使得改进后的区间预测方法在满足置信度要求的前提下平均区间宽度更窄,提高了区间预测的准确性。在三种不同的天气类型下分别以85%、90%和95%的置信度进行光伏发电功率区间预测,采用预测区间覆盖概率和预测区间平均宽度作为评价指标与其他预测方法进行对比分析,验证了所提预测模型的有效性与准确性。