arcgis地理信息系统中期.pptx

3第部分8主要研究内容

主要研究内容039模块二模块三研究k折交叉验证法与集成学习Stacking方法；研究可作为基学习器的RNN、BP、LSTM、GRU神经网络算法；研究Pearson相关系数对各基学习器模型的误差关联性计算方法。建立基于EMD-KPCA-GRU光伏点预测模型并进行仿真对比。研究集成学习基学习器的特征加权方法；建立基于特征选择与加权Stacking集成光伏概率预测模型并进行仿真对比。模块一研究数据预处理的方式与方法；研究灰色关联度分析法对数据集中的特征进行相关性分析；研究经验模态分解与核主成分分析方法。

主要研究内容0311基于灰色相关系数的特征保留基于EMD-KPCA的数据分解与降维对数据使用灰色关联度分析的方法，忽略次要因素，利用主要因素进行建模。通过筛选不仅可以减少特征数量、降低计算成本、提高时效性，而且可以减少次要因素对模型带来的影响，从而提高预测精度。特征筛选后，首先，利用经验模态分解将约束光伏发电输出功率的气象因素序列进行分解，降低气象因素序列的非平稳性。接着，采用核主成分分析方法对分解后的序列进行特征提取，消除原始序列的冗余性，降低模型输入的维度，以提升预测的精度以及模型的运行效率。

主要研究内容039模块二模块三研究k折交叉验证法与集成学习Stacking方法；研究可作为基学习器的RNN、BP、LSTM、GRU神经网络算法；研究Pearson相关系数对各基学习器模型的误差关联性计算方法。建立基于EMD-KPCA-GRU光伏点预测模型并进行仿真对比。研究集成学习基学习器的特征加权方法；建立基于特征选择与加权Stacking集成光伏概率预测模型并进行仿真对比。模块一研究数据预处理的方式与方法；研究灰色关联度分析法对数据集中的特征进行相关性分析；研究经验模态分解与核主成分分析方法。

主要研究内容0313Stacking集成预测方法通过对多个基学习器的集成，结合了不同学习器的优势，使预测模型具有较强的泛化能力，进一步采用元学习器优化基学习器的输出结果，提升整体的预测精度。在Stacking集成预测的模型训练过程中，通常采用k折交叉验证法进行数据划分和模型训练，以减少出现过拟合的风险。

主要研究内容0313对于基学习器的选择，应遵循“好而不同”的原则，即各基学习器应具有差异性，同时各学习器间应具有差异性。这是因为预测能力较强的模型有助于提升整体的预测精度，而模型之间差异性较大，有助于从更广泛的角度来学习数据中蕴藏的规律，从而提升整体预测模型的泛化能力。Pearson相关系数计算基学习器模型的误差关联性

主要研究内容039模块二模块三研究k折交叉验证法与集成学习Stacking方法；研究可作为基学习器的RNN、BP、LSTM、GRU神经网络算法；研究Pearson相关系数对各基学习器模型的误差关联性计算方法。建立基于EMD-KPCA-GRU光伏点预测模型并进行仿真对比。研究集成学习基学习器的特征加权方法；建立基于特征选择与加权Stacking集成光伏概率预测模型并进行仿真对比。模块一研究数据预处理的方式与方法；研究灰色关联度分析法对数据集中的特征进行相关性分析；研究经验模态分解与核主成分分析方法。

主要研究内容0315首先将影响光伏输出功率的主要因素经过EMD分解，得到本征模态分量和残余分量，然后利用核主成分分析方法筛选出影响光伏输出功率的关键因子，降低模型输入的维度，消除EMD分解得到的输入向量的冗余性，最后通过GRU神经网络模型对光伏发电功率进行预测，与传统的GRU神经网络模型、EMD-GRU神经网络模型进行仿真对比。基于EMD-KPCA-GRU光伏功率点预测模型EMD分解结果点预测结果KPCA结果数据来源：采用澳大利亚的DKASC数据集中Trina1B电站2021年光伏输出功率以及气象数据，采取的时间间隔为1小时，共296个数据点。

主要研究内容0315根据各学习器自身的预测精度，为基学习器生成的训练数据赋予相应的权值，再代入元学习器进行训练。所提出的改进Stacking方法对各基学习器的预测误差进行了修正，从而在一定程度上摒弃各个算法中预测效果较差的部分，生成更有利于元学习器训练的数据集。点预测是最常见的光伏功率预测形式，它可以提供未来光伏功率可能出现的一个值，而区间预测可以对光伏输出功率进行不确定性预，给出光伏功率可能出现波动的大致范围。使用改进Stacking预测模型结合分位数回归方法，使得该模型得到分位数预测结果。通过采用核密度估计方法，将获得的分位数转化成概率密度，实现对光伏功率概率密度的预测。基于改进Stacking光伏功率概率预测模型