为了提高超短期风电功率的预测精度,提出了一种基于COOT算法优化的变分模态分解(VMD)、分层主成分分析(hierarchical principal components analysis,HPCA)与门控循环单元神经网络(GRU)的组合预测模型。首先,利用能量差值法确定变分模...为了提高超短期风电功率的预测精度,提出了一种基于COOT算法优化的变分模态分解(VMD)、分层主成分分析(hierarchical principal components analysis,HPCA)与门控循环单元神经网络(GRU)的组合预测模型。首先,利用能量差值法确定变分模态分解子模态数,从而将具有强非线性的原始功率序列分解为一组相对平稳的子模态。其次,利用灰色关联度分析计算高维气象特征与功率序列的关联度值并进行排序分层,利用主成分分析提取各分层特征变量的第一主成分,实现对高维气象特征的降维。最后,引入COOT算法对门控循环单元预测模型的超参数进行优化,加速模型收敛速度,提高模型预测精度。对贵州某风电场的实测数据进行仿真分析,结果表明:相较于传统GRU模型的预测结果,所提方法的均方根误差、平均绝对误差、平均绝对百分误差分别下降了67.41%、72.25%、45.69%,且预测精度高于其他4种组合预测模型,有效提高了超短期风电功率预测精度。展开更多
为了解决张量鲁棒主成分分析(tensor robust principal component analysis,TRPCA)还原低秩结构时同等收缩奇异值造成的信息提取偏差问题,本文考虑区别对待奇异值,使用非凸加权张量Schatten-p范数(0<p<1)分析张量数据,可减少对奇...为了解决张量鲁棒主成分分析(tensor robust principal component analysis,TRPCA)还原低秩结构时同等收缩奇异值造成的信息提取偏差问题,本文考虑区别对待奇异值,使用非凸加权张量Schatten-p范数(0<p<1)分析张量数据,可减少对奇异值的惩罚。为解决数据受损严重难以恢复的问题,提出低秩预分离的方法实现近似低秩部分和近似稀疏部分的预先分离;为增强高阶张量之间相关性同时降低数据对特定噪声的敏感性,提出随机抖动正则器的机制对预分离后成分分别选取随机区域优化,利用噪声信息的随机性来正则化算法得以约束模型的复杂度;最后使用不同类型的图像数据集,包括彩色图像、核磁共振图像、高光谱及多光谱图像和灰度视频,进行高维数据恢复实验。结果表明该方法在图像恢复性能上明显优于其他TRPCA方法,并且在数据受损严重时同样具有优势,有效提取主成分信息的同时减小数据对特定噪声的依赖,具有较强的鲁棒性和适应性,可为TRPCA方法在图像恢复领域中提供参考。展开更多
文摘为了提高超短期风电功率的预测精度,提出了一种基于COOT算法优化的变分模态分解(VMD)、分层主成分分析(hierarchical principal components analysis,HPCA)与门控循环单元神经网络(GRU)的组合预测模型。首先,利用能量差值法确定变分模态分解子模态数,从而将具有强非线性的原始功率序列分解为一组相对平稳的子模态。其次,利用灰色关联度分析计算高维气象特征与功率序列的关联度值并进行排序分层,利用主成分分析提取各分层特征变量的第一主成分,实现对高维气象特征的降维。最后,引入COOT算法对门控循环单元预测模型的超参数进行优化,加速模型收敛速度,提高模型预测精度。对贵州某风电场的实测数据进行仿真分析,结果表明:相较于传统GRU模型的预测结果,所提方法的均方根误差、平均绝对误差、平均绝对百分误差分别下降了67.41%、72.25%、45.69%,且预测精度高于其他4种组合预测模型,有效提高了超短期风电功率预测精度。
文摘为了解决张量鲁棒主成分分析(tensor robust principal component analysis,TRPCA)还原低秩结构时同等收缩奇异值造成的信息提取偏差问题,本文考虑区别对待奇异值,使用非凸加权张量Schatten-p范数(0<p<1)分析张量数据,可减少对奇异值的惩罚。为解决数据受损严重难以恢复的问题,提出低秩预分离的方法实现近似低秩部分和近似稀疏部分的预先分离;为增强高阶张量之间相关性同时降低数据对特定噪声的敏感性,提出随机抖动正则器的机制对预分离后成分分别选取随机区域优化,利用噪声信息的随机性来正则化算法得以约束模型的复杂度;最后使用不同类型的图像数据集,包括彩色图像、核磁共振图像、高光谱及多光谱图像和灰度视频,进行高维数据恢复实验。结果表明该方法在图像恢复性能上明显优于其他TRPCA方法,并且在数据受损严重时同样具有优势,有效提取主成分信息的同时减小数据对特定噪声的依赖,具有较强的鲁棒性和适应性,可为TRPCA方法在图像恢复领域中提供参考。
