基于无导数优化与序列到序列网络集成的新能源特征工程与预测方法及应用
机器学习
2020-03-03 v3 机器学习
摘要
本研究提出了一种用于多变量过程预测、重构与特征工程的框架，并给出了其在可再生能源中的应用。我们将无导数优化与序列到序列网络集成相结合，设计了一种称为加性重采样的新重采样技术，该技术连同 Bootstrap 聚合（bagging）重采样一起用于初始化集成结构。此外，我们在三种可再生能源——风能、太阳能与海浪——上探究了所提框架的性能，并进行了多项短期至长期预测，显示出该方法相较于众多机器学习技术的优越性。研究结果表明，所引入的方法在预测时域变长时精度更高。另外，我们对该框架进行修改以实现自动化特征选择。该模型对所选特征给出了清晰的解释。进一步地，我们分别考察了不同环境与海洋因素对风速和海洋输出功率的影响，并报告了所选特征。最后，我们探究了在线预测设定，并说明该模型在不同度量误差下均优于其他替代方法。
引用
@article{arxiv.1909.05447,
title = {Feature Engineering and Forecasting via Derivative-free Optimization and Ensemble of Sequence-to-sequence Networks with Applications in Renewable Energy},
author = {Mohammad Pirhooshyaran and Katya Scheinberg and Lawrence V. Snyder},
journal= {arXiv preprint arXiv:1909.05447},
year = {2020}
}