基于无监督聚类的多模型机器学习融合短期太阳能预测方法
机器学习
2018-05-14 v1 机器学习
摘要
太阳能预测精度受天气条件影响，具备天气感知能力的预测模型有望提升性能。然而，仅依靠气象天气分类对不同预测任务进行分类可能并不可行也不可靠。本文提出了一种基于无监督聚类（UC-based）的太阳能预测方法，用于短期（提前1小时）全球水平辐照度（GHI）预测。该方法由三部分组成：GHI 时间序列无监督聚类、模式识别和基于 UC 的预测。首先采用优化交叉验证聚类（OCCUR）方法对每日 GHI 时间序列进行聚类，确定最优簇数与最佳聚类结果。随后，在预测阶段利用前几个小时的数据，采用支持向量机模式识别（SVM-PR）来识别某日的类别。GHI 预测由不同簇中最合适的模型生成，这些模型由两层基于机器学习的多模型（M3）预测框架构建。所开发的基于 UC 的方法使用含六个太阳能特征的1年数据进行了验证。数值结果表明：(i) 在相同 M3 架构下，基于 UC 的模型比非 UC（一体化）模型性能高出约 20%；(ii) 基于 M3 的模型也比单算法机器学习（SAML）模型高出约 20%。
引用
@article{arxiv.1805.04193,
title = {An Unsupervised Clustering-Based Short-Term Solar Forecasting Methodology Using Multi-Model Machine Learning Blending},
author = {Cong Feng and Mingjian Cui and Bri-Mathias Hodge and Siyuan Lu and Hendrik F. Hamann and Jie Zhang},
journal= {arXiv preprint arXiv:1805.04193},
year = {2018}
}