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。

基于机器学习的ET_(0)跨站适应性研究

【目的】针对气象数据缺失问题,研究机器学习方法在计算参考作物蒸散量(ET_(0))中的应用,为ET_(0)的估算提供支持。【方法】基于已有的本地气象站与邻站数据,利用极限梯度提升法(XGBoost)模型和支持向量机(SVM)模型2种机器学习算法,结合江西省吉安和鄱阳2个气象站及对应邻站1966-2015年逐月气象资料,使用K折交叉验证法及4种统计指标(决定系数(R^(2))、均方根误差(RMSE)、平均偏置误差(MBE)和归一化均方根误差(NRMSE))评估2种输入模式(本地输入或与邻站数据相融合输入)下估算逐月ET_(0)的适用性。【结果】2种输入模式下,XGBoost模型的性能整体优于SVM模型。只使用本地资料作为输入时,以最高温度(T_(max))、最低温度(T_(min))、地表总辐射量(R_(s))为参数的模型性价比最高。使用邻站结合本地资料作为输入时,XGBoost模型对应的最佳输入参数为邻站ET_(0)数据(ET_(0)-ex),其平均R^(2)为0.986,RMSE和MBE分别为0.195和-0.106 mm/d,NRMSE为0.079。【结论】综合精度和稳定性等因素,当存在部分气象资料缺失时,使用本地数据或与邻站数据相结合,可成功估算出目标站点的ET_(0)值。推荐使用XGBoost模型且2种输入模式下最实用的输入组合分别为T_(max)、T_(min)、R_(s)和ET_(0)-ex,可用于类似江西鄱阳湖地区气象资料缺乏条件下ET_(0)的估算。

基于深度学习的手骨X射线图像骨龄评估

骨龄评估是研究儿童内分泌、遗传因子和生长障碍的常用临床手段,传统骨龄评估方法耗时较长,易受评估者主观因素影响产生误差,而现有自动提取临床特征的骨龄评估方法精度低且泛化能力差。提出一种基于深度学习的端到端手骨X射线图像自动骨龄评估方法。去除Inception ResNet V2网络的Softmax层优化结构,在Inception模块中增加非对称卷积核提高特征图分类精度,引入残差连接结构避免梯度消失或爆炸问题,同时采用均方误差损失函数对骨龄评估回归性能进行评价,并使用分层K折交叉验证法保证数据集样本分类均衡。实验结果表明,与采用BoNet网络的骨龄评估方法相比,该方法评估的骨龄与真实骨龄平均绝对误差减少0.4230岁,骨龄预测精度更高。

基于Bagging-SVM的股票趋势预测技术

为了更准确地预测股价趋势,为股民提供股票投资指南,在传统的支持向量机模型的基础上融入了Bagging思想,提出了一种股票价格趋势的预测方法。具体讲,就是从原始训练集中利用Bootstrap方法随机子抽样出若干个子训练集,再利用每一个子训练集训练出各自的子SVM模型,然后在测试阶段每一个子SVM模型会给出一个预测股票涨跌的趋势,最后用投票法统计出票数最多的一个作为最终预测结果。实验数据为近3年的工商银行股票指数。实验结果表明,基于Bagging-SVM股票趋势预测模型比直接用SVM模型的性能更好,在项目和工程应用上具有一定的实用价值。

基于模糊时序的SVR模型对空气质量的预测

针对未来PM2.5质量浓度的预测,首先,为了使结果更加准确并且贴近实际,构建时间序列模糊信息粒模型,对4个不同的季度的历史指标进行模糊粒化处理;接着,建立支持向量机的回归预测模型,分别对模糊粒子参数LOW、R、UP进行回归预测,并采取K折交叉验证法进行参数优化,得到2019年的PM2.5质量浓度预测数据;最后,设计循环算法进一步预测出2020-2022年的指标预测数据.其中,2020年PM2.5质量浓度均值浮动范围在23~101之间,在2012年基础上降低了2%~77%左右,基本达到空气质量改善目标要求.

数字调制识别SVM分类器参数优化及仿真

对于基于SVM数字信号调制识别分类器,参数选取过程中如何优化惩罚因子和径向基核函数参数问题,提出了一种改进算法。该算法将自适应惯性权重粒子群算法和k折交叉验证法结合,利用交叉验证法计算粒子适应度值,通过粒子群算法实现最优参数值搜索,最终得到分类器惩罚因子和径向基核函数参数最优值。仿真结果表明,该算法性能明显优于网格搜索法和遗传算法。

基于机器学习算法的虚假新闻检测研究

针对社交媒体虚假新闻检测问题,为实现快速有效的检测,提出了一种利用机器学习算法进行虚假新闻检测研究的方法。首先通过词频-逆向文件频率(term frequency–inverse document frequency,TF-IDF)算法提取文本特征向量,然后使用K折交叉验证法寻找支持向量机 (support vector machines,SVM)模型的最优参数,最后利用已寻找的最优参数训练SVM模型,并对新闻数据集进行真假新闻分类,从而识别出虚假新闻。实验结果表明,与朴素贝叶斯和决策树算法相比,提出的方法在虚假新闻检测问题上表现出较好的评价指标,其中正确率、召回率和F1值高于其他两种方法,ROC曲线也优于其他两种算法。