CN109685242A - 基于Adaboost算法的光伏超短期组合预测方法 - Google Patents
基于Adaboost算法的光伏超短期组合预测方法 Download PDFInfo
- Publication number
- CN109685242A CN109685242A CN201811301574.7A CN201811301574A CN109685242A CN 109685242 A CN109685242 A CN 109685242A CN 201811301574 A CN201811301574 A CN 201811301574A CN 109685242 A CN109685242 A CN 109685242A
- Authority
- CN
- China
- Prior art keywords
- prediction
- sub
- prediction model
- weight
- error rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了基于Adaboost算法的光伏超短期组合预测方法,属于光伏功率计算领域,包括获取每个子预测模型针对每个样本点处的预测准确率,根据误差率计算子预测模型在组合模型中的权重;更新训练样本的权值分布;根据更新后的样本点权重,重新计算每个子预测模型的误差率当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型;根据最终得到的组合预测模型。通过针对同一训练集训练不同的弱学习器,然后将这些弱学习器集合起来,构成一个更强的组合预测模型。借助引入预测达标率概念,以预测达标为目标,结合Adboost算法思想,实现多个弱学习算法的组合优化,能够规避单一预测方法的预测风险,提升预测精度,增强预测模型的稳定性。
Description
技术领域
本申请属于光伏功率计算领域,特别涉及基于Adaboost算法的光伏超短期组合预测方法。
背景技术
近年来,光伏功率预测技术逐步发展成熟,光伏功率预测系统也已得到实际应用,在制定日前发电计划、促进新能源消纳、保障电网经济安全运行等方面发挥着重要作用。光伏功率预测按时间尺度可分为超短期、短期、中长期预测。在超短期光伏功率预测领域,目前已形成多种类型的预测方法,主要包括基于云图处理的物理预测方法,基于NWP或地面观测站实时数据修正的预测方法,还有采用自回归滑动平均(ARMA)的时序预测方法,采用神经网络、支持向量机的人工智能预测方法等。无论是哪一种预测方法,均有预测失效的风险,如何提高预测模型的稳定性是影响光伏功率预测系统应用效果的一个重要问题。
发明内容
为了解决现有技术中存在的缺点和不足,本申请提供了用于增强预测模型的稳定性的基于Adaboost算法的光伏超短期组合预测方法。
为了达到上述技术目的,本申请提供了基于Adaboost算法的光伏超短期组合预测方法,所述预测方法,包括:
步骤一,获取预设时间段内的实测功率序列样本,以及每个子预测模型在所述预设时间段内对应时段的预测功率序列;
步骤二,获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率;
步骤三,计算单个子预测模型相对于预测准确率达标阈值e的误差率;
步骤四,选择误差率最小的子预测模型作为第t个基本模型,根据误差率计算子预测模型在组合模型中的权重;
步骤五,更新训练样本的权值分布;
步骤六,根据更新后的样本点权重,重新计算每个子预测模型的误差率,迭代计算步骤四,步骤五,当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型;
步骤七,根据最终得到的组合预测模型,结合各子预测模型未来超短期功率预测值,加权得到最终的组合预测结果;
步骤八,将当前时刻的实测功率、各子模型预测功率加入样本,更新样本集,重复步骤二至步骤六,对组合模型进行滚动修正,实现组合模型的实时更新;
其中,迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。
可选的,所述获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率包括:
其中,Cij表示第i个预测功率序列的第j个样本点的准确率,Pij表示第i个预测功率序列的第j个样本点的预测功率值,P0j表示第i个预测功率序列的第j个样本点的实测功率值,Cap表示光伏电站的总装机容量。
可选的,计算单个子预测模型相对于预测准确率达标阈值e的误差率,包括:
其中,Wi表示第i功率序列的误差率,k表示满足Cij<e的预测未达标点的个数,wm表示第m个未达标点对应的权值,初始权值为1/M。
可选的,所述选择误差率最小的子预测模型作为第t个基本模型,根据误差率计算子预测模型在组合模型中的权重,包括:
所述更新训练样本权值分布的方法:
(1)预测达标的样板点权重更新公式如下:
(2)预测不达标的样板点权重更新公式如下:
其中,Dt(m)表示第m个点对应的权值,Wt表示基本模型Ht对应的误差率。
可选的,所述根据更新后的样本点权重,重新计算每个子预测模型的误差率,迭代计算步骤四、步骤五,当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型,包括:
根据更新后的样本点权重,重新计算各子预测模型的误差率,迭代计算步骤四、步骤五,得到最终的组合预测模型:
f(x)=α1H1(x)+α2H2(x)+...+αNHN(x)公式六,
所述迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。
可选的,所述根据最终得到的组合预测模型,结合各子预测模型未来超短期功率预测值,加权得到最终的组合预测结果,包括:
以训练好的组合预测模型为基础,结合各子预测模型未来超短期预测结果H1,H2,...,HN,加权得到最终的组合预测结果。
可选的,所述将当前时刻的实测功率、各子模型预测功率加入样本,更新样本集,重复步骤二至步骤六,对组合模型进行滚动修正,实现组合模型的实时更新,包括:
将最新时刻的实测功率、各子模型预测功率加入样本,更新样本集,重新迭代各子预测模型权重,对组合模型进行滚动修正,实现组合模型的实时更新。
本申请提供的技术方案带来的有益效果是:
通过针对同一训练集训练不同的弱学习器,然后将这些弱学习器集合起来,构成一个更强的组合预测模型。借助引入预测达标率概念,以预测达标为目标,结合Adboost算法思想,实现多个弱学习算法的组合优化,能够规避单一预测方法的预测风险,提升预测精度,增强预测模型的稳定性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的基于Adaboost算法的光伏超短期组合预测方法的流程示意图。
具体实施方式
为使本申请的结构和优点更加清楚,下面将结合附图对本申请的结构作进一步地描述。
实施例一
本专利所涉及的AdaBoost算法是一种迭代算法,其核心思想是针对同一训练集训练不同的弱学习器,然后将这些弱学习器集合起来,构成一个更强的组合预测模型。AdaBoost算法的研究以及应用目前大多集中于分类问题,同时该算法在回归分析方面也有一定的应用。本申请提供了的组合预测方法,引入预测达标率概念,以预测达标为目标,结合Adboost算法思想,实现多个弱学习算法的组合优化,能够规避单一预测方法的预测风险,提升预测精度,增强预测模型的稳定性。
本申请提供了基于Adaboost算法的光伏超短期组合预测方法,如图1所示,包括:
步骤一,获取预设时间段内的实测功率序列样本,以及每个子预测模型在所述预设时间段内对应时段的预测功率序列;
步骤二,获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率;
其中,Cij表示第i个预测功率序列的第j个样本点的准确率,Pij表示第i个预测功率序列的第j个样本点的预测功率值,P0j表示第i个预测功率序列的第j个样本点的实测功率值,Cap表示光伏电站的总装机容量。
步骤三,计算单个子预测模型相对于预测准确率达标阈值e的误差率;
其中,Wi表示第i功率序列的误差率,k表示满足Cij<e的预测未达标点的个数,wm表示第m个未达标点对应的权值,初始权值为1/M。
步骤四,选择误差率最小的子预测模型作为第t个基本模型,根据误差率计算子预测模型在组合模型中的权重;
所述更新训练样本权值分布的方法:
(1)预测达标的样板点权重更新公式如下:
(2)预测不达标的样板点权重更新公式如下:
其中,Dt(m)表示第m个点对应的权值,Wt表示基本模型Ht对应的误差率。
步骤五,更新训练样本的权值分布;
步骤六,根据更新后的样本点权重,重新计算每个子预测模型的误差率,迭代计算步骤四,步骤五,当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型;
根据更新后的样本点权重,重新计算各子预测模型的误差率,迭代计算步骤四、步骤五,得到最终的组合预测模型:
f(x)=α1H1(x)+α2H2(x)+...+αNHN(x) 公式六,
所述迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。
步骤七,根据最终得到的组合预测模型,结合各子预测模型未来超短期功率预测值,加权得到最终的组合预测结果;
以训练好的组合预测模型为基础,结合各子预测模型未来超短期预测结果H1,H2,...,HN,加权得到最终的组合预测结果。
步骤八,将当前时刻的实测功率、各子模型预测功率加入样本,更新样本集,重复步骤二至步骤六,对组合模型进行滚动修正,实现组合模型的实时更新;
将最新时刻的实测功率、各子模型预测功率加入样本,更新样本集,重新迭代各子预测模型权重,对组合模型进行滚动修正,实现组合模型的实时更新。
下面结合具体应用案例说明本申请的效果,本算例以某光伏电站一天的运行数据为例验证本申请中的组合预测方法的有效性,具体步骤如下:
步骤1:获取包含96个样本的实测功率序列P0,赋予每个样本点初始权值1/M。获取3个子预测模型h1、h2、h3,对应时段的预测功率序列P1、P2、P3。
步骤2:计算第i个预测功率序列的第j个样本点的预测准确率,预测准确率Cij按照如下公式计算:
其中,Cij表示第i个预测功率序列的第j个样本点的准确率,Pij表示第i个预测功率序列的第j个样本点的预测功率值,P0j表示第i个预测功率序列的第j个样本点的实测功率值,Cap表示光伏电站的总装机容量。
步骤3:定义预测达标阈值e,计算单个预测子模型的误差率,误差率Wi计算如下:
其中,Wi表示第i功率序列的误差率,k表示满足Cij<e的预测未达标点的个数,wm表示第m个未达标点对应的权值,初始权值为1/M。
步骤4:选择误差率最小的子预测模型hi作为第t个基本模型Ht,根据误差率计算Ht的权重:
步骤5:更新训练样本的权值分布:
(1)预测达标的样板点权重更新公式如下:
(2)预测不达标的样板点权重更新公式如下:
Dt(m)表示第m个点对应的权值,Wt表示基本模型Ht对应的误差率。
步骤6:根据更新后的样本点权重,重新计算各预测子模型的误差率,迭代计算步骤4,步骤5,得到最终的组合预测模型:
f(x)=α1H1(x)+α2H2(x)+...+αNHN(x) 公式六,
迭代终止条件:最终组合模型误差率为0或者迭代次数达到子模型个数N次。
步骤7:根据最终得到的组合预测模型,结合各子预测模型未来0-4h的功率预测值,即可得到最终的组合预测结果。
步骤8:将最新时刻的实测功率、各子模型预测功率加入样本,更新样本集,重复步骤1-6,对组合模型进行滚动修正,实现组合模型的实时更新。
最终,得到当天对未来4小时的预测结果如下,预测日均方根误差6.45%,满足超短期预测的精度要求。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本申请的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.基于Adaboost算法的光伏超短期组合预测方法,其特征在于,所述预测方法,包括:
步骤一,获取预设时间段内的实测功率序列样本,以及每个子预测模型在所述预设时间段内对应时段的预测功率序列;
步骤二,获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率;
步骤三,计算单个子预测模型相对于预测准确率达标阈值e的误差率;
步骤四,选择误差率最小的子预测模型作为第t个基本模型,根据误差率计算子预测模型在组合模型中的权重;
步骤五,更新训练样本的权值分布;
步骤六,根据更新后的样本点权重,重新计算每个子预测模型的误差率,迭代计算步骤四,步骤五,当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型;
步骤七,根据最终得到的组合预测模型,结合各子预测模型未来超短期功率预测值,加权得到最终的组合预测结果;
步骤八,将当前时刻的实测功率、各子模型预测功率加入样本,更新样本集,重复步骤二至步骤六,对组合模型进行滚动修正,实现组合模型的实时更新;
其中,迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。
2.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法,其特征在于,所述获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率包括:
其中,Cij表示第i个预测功率序列的第j个样本点的准确率,Pij表示第i个预测功率序列的第j个样本点的预测功率值,P0j表示第i个预测功率序列的第j个样本点的实测功率值,Cap表示光伏电站的总装机容量。
3.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法,其特征在于,计算单个子预测模型相对于预测准确率达标阈值e的误差率,包括:
其中,Wi表示第i功率序列的误差率,k表示满足Cij<e的预测未达标点的个数,wm表示第m个未达标点对应的权值,初始权值为1/M。
4.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法,其特征在于,所述选择误差率最小的子预测模型作为第t个基本模型,根据误差率计算子预测模型在组合模型中的权重,包括:
所述更新训练样本权值分布的方法:
(1)预测达标的样板点权重更新公式如下:
(2)预测不达标的样板点权重更新公式如下:
其中,Dt(m)表示第m个点对应的权值,Wt表示基本模型Ht对应的误差率。
5.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法,其特征在于,所述根据更新后的样本点权重,重新计算每个子预测模型的误差率,迭代计算步骤四、步骤五,当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型,包括:
根据更新后的样本点权重,重新计算各子预测模型的误差率,迭代计算步骤4,步骤5,得到最终的组合预测模型:
f(x)=α1H1(x)+α2H2(x)+...+αNHN(x) 公式六,
所述迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。
6.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法,其特征在于,所述根据最终得到的组合预测模型,结合各子预测模型未来超短期功率预测值,加权得到最终的组合预测结果,包括:
以训练好的组合预测模型为基础,结合各子预测模型未来超短期预测结果H1,H2,...,HN,加权得到最终的组合预测结果。
7.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法,其特征在于,所述将当前时刻的实测功率、各子模型预测功率加入样本,更新样本集,重复步骤二至步骤六,对组合模型进行滚动修正,实现组合模型的实时更新,包括:
将最新时刻的实测功率、各子模型预测功率加入样本,更新样本集,重新迭代各子预测模型权重,对组合模型进行滚动修正,实现组合模型的实时更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301574.7A CN109685242B (zh) | 2018-11-02 | 2018-11-02 | 基于Adaboost算法的光伏超短期组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301574.7A CN109685242B (zh) | 2018-11-02 | 2018-11-02 | 基于Adaboost算法的光伏超短期组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685242A true CN109685242A (zh) | 2019-04-26 |
CN109685242B CN109685242B (zh) | 2022-11-08 |
Family
ID=66185285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811301574.7A Active CN109685242B (zh) | 2018-11-02 | 2018-11-02 | 基于Adaboost算法的光伏超短期组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685242B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373358A (zh) * | 2022-03-07 | 2022-04-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于快速建模的航空飞机维护作业模拟训练系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937994B1 (en) * | 2000-02-24 | 2005-08-30 | International Business Machines Corporation | System and method for efficiently generating models for targeting products and promotions using classification method by choosing points to be labeled |
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
-
2018
- 2018-11-02 CN CN201811301574.7A patent/CN109685242B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937994B1 (en) * | 2000-02-24 | 2005-08-30 | International Business Machines Corporation | System and method for efficiently generating models for targeting products and promotions using classification method by choosing points to be labeled |
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114373358A (zh) * | 2022-03-07 | 2022-04-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于快速建模的航空飞机维护作业模拟训练系统 |
CN114373358B (zh) * | 2022-03-07 | 2023-11-24 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于快速建模的航空飞机维护作业模拟训练系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109685242B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shehab et al. | Moth–flame optimization algorithm: variants and applications | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Song et al. | A novel combined model based on advanced optimization algorithm for short-term wind speed forecasting | |
Ibrahim et al. | A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm | |
Heydari et al. | A novel composite neural network based method for wind and solar power forecasting in microgrids | |
Kaboli et al. | Rain-fall optimization algorithm: A population based algorithm for solving constrained optimization problems | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Li et al. | A model output machine learning method for grid temperature forecasts in the Beijing area | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
Verma et al. | Markov models based short term forecasting of wind speed for estimating day-ahead wind power | |
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
Alrashidi et al. | Short-term PV output forecasts with support vector regression optimized by cuckoo search and differential evolution algorithms | |
Gensler et al. | An analog ensemble-based similarity search technique for solar power forecasting | |
Mahdi et al. | Using artificial neural networks to predict solar radiation for Duhok City, Iraq | |
El Shahat et al. | An artificial neural network model for wind energy estimation | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
CN109685242A (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
Laib et al. | Spatial modelling of extreme wind speed distributions in Switzerland | |
Barbosa et al. | Cuckoo search optimization for short term wind energy forecasting | |
Velasco et al. | Performance analysis of multilayer perceptron neural network models in week-ahead rainfall forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |