Прогнозирование параметров электроэнергетических систем используя преобразование Гильберта-Хуанга и машинное обучение
Статья в журнале
Курбацкий В.Г., Спиряев В.А., Томин Н.В. и др.
Известия Иркутского государственного университета. Серия Математика
Известия Иркутского государственного университета. Серия Математика. Т.9. C.75-90.
2014
Разработан гибридный подход прогнозирования нестационарных временных рядов. Подход продемонстрирован на примере задач прогнозирования параметров систем электроэнеретики. Предлагаемый адаптивный подход использует разложение на моды анализ признаков ретроспективных данных на основе преобразования Гильберта-Хуанга и алгоритмов машинного обучения. Используются методы машинного обучения на основе алгоритмов случайный лес (Random forest) и градиентный бустинг над деревьями (Gradient boosting trees). Эти методы, а также индекс Джини, используются для ранжирования значимости признаков в прогнозных моделях. Полученные гибридные прогнозные модели используют нейронную сеть на основе радиальных базисных функций и регресионную модель на основе метода опорных векторов. Помимо введения и списка источников статья организована следующим образом. Второй раздел содержит обзор современных подходов для краткосрочного прогнозирования параметров энергетических систем. В третьем разделе изложен разработанный гибридный подход, основанный на машинном обучении и использующий преобразование Гильберта-Хуанга для краткосрочного прогноза параметров электроэнеретических систем. В четвёртом разделе описаны алгоритмы обучения решающих деревьев для определения значимости переменных. В заключении представлены экспериментальные результаты в следующих электроэнергетических задачах: прогнозирование перетоков активной мощности, прогнозирования цен на электроэнергию и прогнозирование скорости и направления ветра для ветровых генераторов электроэнергии.
Библиографическая ссылка
Курбацкий В.Г., Спиряев В.А., Томин Н.В. и др. Прогнозирование параметров электроэнергетических систем используя преобразование Гильберта-Хуанга и машинное обучение // Известия Иркутского государственного университета. Серия Математика. Т.9. 2014. C.75-90.
