改进的GM(1,1)-LSSVM模型及其在能源消耗预测中的应用

鉴于传统灰色预测模型对于离散程度较大的震荡数据序列,预测效果不理想的缺点,文章采用指数加速和几何平均生成的序列生成办法来弱化能源消耗数据的随即波动性,将其转换为符合灰色模型预测的平滑序列后,再进行灰色预测。并与最小二乘支持向量机结合,给出一个改进的残差型GM(1,1)-LSSVM预测模型。应用该改进预测模型,预测辽宁省1996—2009年煤炭能源消耗总量。实验结果表明,改进的模型预测精度高于单一的灰色模型和最小二乘支持向量机模型,可作为能源消耗预测的新方法。

基于GAN增强多模型集成方法的能耗预测

建立一个准确、稳健的能耗预测模型是节能工作的核心任务。先前的工作已经在各种负荷预测场景中探索了许多预测模型。然而,数据增强和集成学习在能源预测中的联合作用尚未得到充分的探讨。本文提出了一种基于生成对抗网络(Generative Adversarial Network,简称GAN)增强的集成模型,用于大型商业建筑能耗预测。该集成模型采用叠加集成方法对五个组成模型进行聚合。此外,我们使用GAN从原始数据集中学习样本分布,并生成高质量的样本来增强训练集。增强的数据集允许模型用更多不同的样本进行训练,以增加其鲁棒性。利用平均绝对误差(MAE)、均方根误差(RMSE)和均方根误差变异系数(CVRMSE)三个性能指标,对三种GAN变体进行了一系列实验,验证所提出的方法。结果表明,GAN增强的集成模型在降低预测误差方面具有更强的鲁棒性。经过InfoGAN (Information maximization GAN, 简称InfoGAN)增强的最佳集成模型在MAE、RMSE和CVRMSE上的平均误差分别降低了1.71、1.63和4.72%,优于未增强的模型,验证了其在实际系统中构建能耗预测模型的实际价值。