稀疏建模方法在時間序列預測中的應用.pdf

1、近年來，機器學習算法在時間序列預測方面的應用逐漸受到了國內(nèi)外學者的廣泛關(guān)注。SR(Sparse Representation,稀疏表示)是一種典型的稀疏建模機器學習方法，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用價值的研究熱點。尤其是隨著風力發(fā)電技術(shù)的日益成熟，并網(wǎng)風電場規(guī)模不斷增加，風力發(fā)電對電網(wǎng)的影響越來越顯著，風電功率時間序列的精確預測對于電力系統(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電功率時間序列預測中應用具有重要意義。
　　本文主要研究了稀疏建模方法在混沌時間序列預測和風電功率時間序列預測方面的應用，以滿足現(xiàn)實應用對預測精度的要求，為基于內(nèi)存的機器學習方法在時間序列預測方面的應用提供了新的思路。
　　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數(shù)據(jù)字典的稀疏編碼預測模型，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)積求得待預測值。與此同時，還考慮了字典的自適應更新策略，以實現(xiàn)在線預測，進一步提高精度。將所提出方法分別應用于混沌時間序列預測以及不同地區(qū)的短期風電功率直接和間接預測中，通