2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、隨著我國能源結構的調(diào)整,風電裝機容量快速增長,及時準確地預測風電功率可為電網(wǎng)合理調(diào)度提供重要依據(jù),減少棄風,有效地提高風電利用率。同時,隨著風電場智能化水平的提高,風電監(jiān)測數(shù)據(jù)規(guī)模不斷增長,對傳統(tǒng)風電功率預測模型的計算性能提出了新的挑戰(zhàn)。
  近年來,以機器學習理論為基礎的人工神經(jīng)網(wǎng)絡法和支持向量機法及其改進算法在短期風電功率預測中得到廣泛應用,機器學習算法中存在較多迭代計算場景,云計算技術中的Spark分布式內(nèi)存計算框架,可高效

2、進行迭代式數(shù)據(jù)處理,有效提高算法的執(zhí)行性能。針對現(xiàn)有短期風電功率預測模型存在泛化性較弱、模型結構和參數(shù)確定困難、可解釋性差等問題,本文綜合隨機森林回歸算法、M5P模型樹、差分進化算法、選擇性集成方法,提出了一種基于改進隨機森林回歸算法的短期風電功率預測方法,并采用Spark云計算平臺實現(xiàn)算法并行化,主要開展了以下幾個方面的研究工作:
 ?。?)傳統(tǒng)隨機森林回歸算法以分類回歸樹為元決策樹,針對分類回歸樹預測精度較低、不能給出一個連續(xù)

3、的輸出且預測值無法超出訓練集數(shù)據(jù)范圍等問題,本文采用 M5P模型樹作為元決策樹,在葉節(jié)點上構造多元線性回歸模型,有效提高了元決策樹的預測精度。
 ?。?)針對隨機森林中存在部分預測性能較差且多樣性較低的元決策樹,本文提出了一種改進的差分進化算法,并將其應用到隨機森林元決策樹的選擇性集成中,在所有元決策樹中選擇部分最優(yōu)的元決策樹子集構成新的隨機森林,進行加權計算得到最終預測結果。
 ?。?)針對隨機森林算法計算復雜度較高的問題

4、,分析了隨機森林算法和差分進化算法的并行性,研究了云計算體系架構,采用云計算技術中的Spark分布式內(nèi)存計算框架,對上述預測算法進行并行化改進,有效提高了算法的執(zhí)行性能。
 ?。?)以內(nèi)蒙古某地區(qū)風電監(jiān)測數(shù)據(jù)作為實際算例,將本文方法與現(xiàn)有短期風電功率預測算法和傳統(tǒng)的隨機森林回歸算法進行對比;同時在實驗室服務器上采用 Cloudera公司的發(fā)行版 CDH5版本搭建云計算平臺,對提出的算法進行并行化性能測試。實驗結果表明本文提出的方法

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論