稀疏建模方法在時間序列預(yù)測中的應(yīng)用.pdf

1、近年來，機器學(xué)習(xí)算法在時間序列預(yù)測方面的應(yīng)用逐漸受到了國內(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)用價值的研究熱點。尤其是隨著風(fēng)力發(fā)電技術(shù)的日益成熟，并網(wǎng)風(fēng)電場規(guī)模不斷增加，風(fēng)力發(fā)電對電網(wǎng)的影響越來越顯著，風(fēng)電功率時間序列的精確預(yù)測對于電力系統(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)等方法的預(yù)測模型具有網(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)電功率時間序列預(yù)測中應(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間序列預(yù)測和風(fēng)電功率時間序列預(yù)測方面的應(yīng)用，以滿足現(xiàn)實應(yīng)用對預(yù)測精度的要求，為基于內(nèi)存的機器學(xué)習(xí)方法在時間序列預(yù)測方面的應(yīng)用提供了新的思路。
　　本文的主要研究內(nèi)容包括如下幾個方面:
　　(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現(xiàn)。
　　(2)將SR方法引入混沌時間序列預(yù)測模型，通過將時間序列輸入數(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)方法中，建立SR-SVM組合預(yù)測模型，并在基準混沌時間序列中與單一SVM等方法進行對比

4、，驗證方法的可行性。
　　(3)提出一類基于自適應(yīng)數(shù)據(jù)字典的稀疏編碼預(yù)測模型，將歷史時間序列數(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;再針對待預(yù)測的時延輸入數(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)測值。與此同時，還考慮了字典的自適應(yīng)更新策略，以實現(xiàn)在線預(yù)測，進一步提高精度。將所提出方法分別應(yīng)用于混沌時間序列預(yù)測以及不同地區(qū)的短期風(fēng)電功率直接和間接預(yù)測中，通