稀疏建模方法在時(shí)間序列預(yù)測(cè)中的應(yīng)用.pdf

1、近年來(lái)，機(jī)器學(xué)習(xí)算法在時(shí)間序列預(yù)測(cè)方面的應(yīng)用逐漸受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。SR(Sparse Representation,稀疏表示)是一種典型的稀疏建模機(jī)器學(xué)習(xí)方法，作為一種不同于以往方法的基于內(nèi)存的建模方法已成為具有重要理論與應(yīng)用價(jià)值的研究熱點(diǎn)。尤其是隨著風(fēng)力發(fā)電技術(shù)的日益成熟，并網(wǎng)風(fēng)電場(chǎng)規(guī)模不斷增加，風(fēng)力發(fā)電對(duì)電網(wǎng)的影響越來(lái)越顯著，風(fēng)電功率時(shí)間序列的精確預(yù)測(cè)對(duì)于電力系統(tǒng)的發(fā)展規(guī)劃意義重大。目前基于神經(jīng)網(wǎng)絡(luò)、SVM(Support

2、 Vector Machine，支持向量機(jī))等方法的預(yù)測(cè)模型具有網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)難以確定，泛化能力有限等不足。因此，探究稀疏建模方法在風(fēng)電功率時(shí)間序列預(yù)測(cè)中應(yīng)用具有重要意義。
　　本文主要研究了稀疏建模方法在混沌時(shí)間序列預(yù)測(cè)和風(fēng)電功率時(shí)間序列預(yù)測(cè)方面的應(yīng)用，以滿足現(xiàn)實(shí)應(yīng)用對(duì)預(yù)測(cè)精度的要求，為基于內(nèi)存的機(jī)器學(xué)習(xí)方法在時(shí)間序列預(yù)測(cè)方面的應(yīng)用提供了新的思路。
　　本文的主要研究?jī)?nèi)容包括如下幾個(gè)方面:
　　(1)研究了SR的基本理

3、論，探究其中基于貪婪算法和松弛算法的兩類稀疏向量求解思路，以及超完備字典的構(gòu)造算法的基本原理和算法實(shí)現(xiàn)。
　　(2)將SR方法引入混沌時(shí)間序列預(yù)測(cè)模型，通過(guò)將時(shí)間序列輸入數(shù)據(jù)的分解重構(gòu)為超完備字典和稀疏向量的乘積形式，以提取歷史序列中的隱含信息。并將求解得到的稀疏向量和輸出數(shù)據(jù)代入SVM(Support Vector Machine，支持向量機(jī))方法中，建立SR-SVM組合預(yù)測(cè)模型，并在基準(zhǔn)混沌時(shí)間序列中與單一SVM等方法進(jìn)行對(duì)比

4、，驗(yàn)證方法的可行性。
　　(3)提出一類基于自適應(yīng)數(shù)據(jù)字典的稀疏編碼預(yù)測(cè)模型，將歷史時(shí)間序列數(shù)據(jù)的輸入輸出數(shù)據(jù)構(gòu)建以原子形式分別構(gòu)成輸入和輸出字典，組成字典對(duì);再針對(duì)待預(yù)測(cè)的時(shí)延輸入數(shù)據(jù)向量，直接使用稀疏編碼方法借助字典求得稀疏向量，即可由輸出字典與稀疏向量的內(nèi)積求得待預(yù)測(cè)值。與此同時(shí)，還考慮了字典的自適應(yīng)更新策略，以實(shí)現(xiàn)在線預(yù)測(cè)，進(jìn)一步提高精度。將所提出方法分別應(yīng)用于混沌時(shí)間序列預(yù)測(cè)以及不同地區(qū)的短期風(fēng)電功率直接和間接預(yù)測(cè)中，通