期刊文献+
共找到108篇文章
< 1 2 6 >
每页显示 20 50 100
A two-dimensional analytical modeling for channel potential and threshold voltage of short channel triple material symmetrical gate Stack(TMGS) DG-MOSFET
1
作者 Shweta Tripathi 《Chinese Physics B》 SCIE EI CAS CSCD 2016年第10期518-524,共7页
In the present work, a two-dimensional(2D) analytical framework of triple material symmetrical gate stack(TMGS)DG-MOSFET is presented in order to subdue the short channel effects. A lightly doped channel along wit... In the present work, a two-dimensional(2D) analytical framework of triple material symmetrical gate stack(TMGS)DG-MOSFET is presented in order to subdue the short channel effects. A lightly doped channel along with triple material gate having different work functions and symmetrical gate stack structure, showcases substantial betterment in quashing short channel effects to a good extent. The device functioning amends in terms of improved exemption to threshold voltage roll-off, thereby suppressing the short channel effects. The encroachments of respective device arguments on the threshold voltage of the proposed structure are examined in detail. The significant outcomes are compared with the numerical simulation data obtained by using 2D ATLAS;device simulator to affirm and formalize the proposed device structure. 展开更多
关键词 triple material symmetrical gate stack(TMGS) DG MOSFET gate stack short channel effect drain induced barrier lowering threshold voltage
原文传递
基于相似日选择与改进Stacking集成学习的短期负荷预测 被引量:16
2
作者 徐耀松 段彦强 +1 位作者 王雨虹 屠乃威 《传感技术学报》 CAS CSCD 北大核心 2020年第4期537-545,共9页
单一机器学习算法进行短期负荷预测存在着泛化能力受限的问题,本文将Stacking集成学习模型引入到短期负荷预测问题。对于在交叉验证下同一基学习器不同预测模型表现出预测准确度的差异性,根据预测精度对同一基学习器中不同预测结果进行... 单一机器学习算法进行短期负荷预测存在着泛化能力受限的问题,本文将Stacking集成学习模型引入到短期负荷预测问题。对于在交叉验证下同一基学习器不同预测模型表现出预测准确度的差异性,根据预测精度对同一基学习器中不同预测结果进行赋权。考虑到不同环境下各影响因子对日负荷值影响程度不同,引入蚁狮算法(ALO)自适应的调整各个影响因子的权值,提高相似日选取方法的准确性。通过相似日选取方法筛选出的相似日集合样本训练改进的Stacking算法预测模型,利用中国北方某地区的负荷数据进行实际算例分析,实验结果表明,在面对负荷影响因素复杂且训练样本较多的情况下,本文所提的方法具有良好的鲁棒性、稳定性和预测精度。 展开更多
关键词 短期负荷预测 stacking集成学习 蚁狮算法 相似日 交叉验证
在线阅读 下载PDF
基于多模型融合Stacking集成学习方式的负荷预测方法 被引量:209
3
作者 史佳琪 张建华 《中国电机工程学报》 EI CSCD 北大核心 2019年第14期4032-4041,共10页
人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合 Stacking 集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势... 人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合 Stacking 集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的 Stacking集成学习的负荷预测模型,模型的基学习器包含 XGBoost树集成算法和长短记忆网络算法。算例使用 ENTSO 中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking 集成学习方式的负荷预测方法有着较高的预测精度。 展开更多
关键词 人工智能 负荷预测 多模型融合 stacking集成学习 XGBoost 长短记忆网络
原文传递
基于多模型融合Stacking集成学习的油田产量预测 被引量:5
4
作者 张庭婷 潘美琪 +5 位作者 朱天怡 曹煜 张站权 刘单珂 贺兴 于立军 《科技和产业》 2023年第2期263-271,共9页
基于机器学习前沿理论,提出一种基于多模型融合Stacking集成学习方式的组合预测方法,以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本,预测其动态产油量。依据不同算法的训练原理,选取极限梯度提升树算法、长短记... 基于机器学习前沿理论,提出一种基于多模型融合Stacking集成学习方式的组合预测方法,以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本,预测其动态产油量。依据不同算法的训练原理,选取极限梯度提升树算法、长短记忆网络(LSTM)、时域卷积网络(TCN)等作为模型的基学习器,采用多元线性回归作为模型的元学习器。结果表明:融合后的Stacking模型充分发挥了各基学习器的优势,相比单一模型,融合后的Stacking模型预测平均误差较小,预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。 展开更多
关键词 多模型融合 stacking集成学习 极限梯度提升树 长短期记忆网络 时域卷积网络 产量预测
在线阅读 下载PDF
基于Stacking融合的LSTM-SA-RBF短期负荷预测 被引量:2
5
作者 方娜 邓心 肖威 《重庆理工大学学报(自然科学)》 CAS 北大核心 2024年第4期131-137,共7页
为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简... 为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(long and short-term memory,LSTM)-自注意力机制(self-attention mechanism,SA)、径向基(radial base functions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明,与其他模型比较,所提模型预测精度高。 展开更多
关键词 奇异谱分析 stacking算法 长短期记忆网络 径向基神经网络 短期负荷预测
在线阅读 下载PDF
基于Stacking多模型融合的IGBT器件寿命的机器学习预测算法研究 被引量:18
6
作者 王飞 黄涛 杨晔 《计算机科学》 CSCD 北大核心 2022年第S01期784-789,共6页
绝缘栅双极型晶体管(IGBT)器件是一种被广泛应用于工业、通信、计算机、汽车电子等领域的核心技术部件,提高该器件的使用安全性至关重要。近年来,采用机器学习对IGBT器件的寿命进行预测已成为热点的研究问题。然而,普通的神经网络预测... 绝缘栅双极型晶体管(IGBT)器件是一种被广泛应用于工业、通信、计算机、汽车电子等领域的核心技术部件,提高该器件的使用安全性至关重要。近年来,采用机器学习对IGBT器件的寿命进行预测已成为热点的研究问题。然而,普通的神经网络预测仍存在着训练时间长和准确率较低的问题。针对该问题,提出了一种基于Stacking多模型融合的机器学习模型来实现对IGBT的寿命预测,该模型有效地提高了预测的准确率和效率。该算法包含双层结构,融合了4种互补的机器学习算法模型。其中,第一层使用了轻度梯度提升树模型(LGBM)、极端梯度提升树模型(XGBoost)和岭回归模型(Ridge)进行预测,再将预测结果输入第二层进行训练;第二层使用了线性回归模型,经过双层模型训练预测出最终的IGBT寿命。通过实验数据的对比证实,相比常用的长短期记忆神经网络(LSTM)算法模型,基于Stacking多模型融合的机器学习模型对IGBT寿命预测的均方误差平均降低了93%,且模型训练的平均耗时仅为LSTM网络算法模型的13%。 展开更多
关键词 IGBT器件 stacking算法 长短期记忆网络 机器学习 寿命预测
在线阅读 下载PDF
基于Stacking-Bert集成学习的中文短文本分类算法 被引量:12
7
作者 郑承宇 王新 +2 位作者 王婷 尹甜甜 邓亚萍 《科学技术与工程》 北大核心 2022年第10期4033-4038,共6页
由于word2vec、Glove等静态词向量表示方法存在无法完整表示文本语义等问题,且当前主流神经网络模型在做文本分类问题时,其预测效果往往依赖于具体问题,场景适应性差,泛化能力弱。针对上述问题,提出一种多基模型框架(Stacking-Bert)的... 由于word2vec、Glove等静态词向量表示方法存在无法完整表示文本语义等问题,且当前主流神经网络模型在做文本分类问题时,其预测效果往往依赖于具体问题,场景适应性差,泛化能力弱。针对上述问题,提出一种多基模型框架(Stacking-Bert)的中文短文本分类方法。模型采用BERT预训练语言模型进行文本字向量表示,输出文本的深度特征信息向量,并利用TextCNN、DPCNN、TextRNN、TextRCNN等神经网络模型构建异质多基分类器,通过Stacking集成学习获取文本向量的不同特征信息表达,以提高模型的泛化能力,最后利用支持向量机(support vector machine,SVM)作为元分类器模型进行训练和预测。与word2vec-CNN、word2vec-BiLSTM、BERT-TexCNN、BERT-DPCNN、BERT-RNN、BERT-RCNN等文本分类算法在网络公开的三个中文数据集上进行对比实验,结果表明,Stacking-Bert集成学习模型的准确率、精确率、召回率和F_(1)均为最高,能有效提升中文短文本的分类性能。 展开更多
关键词 多基模型框架 BERT预训练语言模型 stacking集成学习 短文本分类
在线阅读 下载PDF
融合类Stacking算法的杭州臭氧浓度预测 被引量:5
8
作者 董红召 郭红梅 应方 《环境科学》 EI CAS CSCD 北大核心 2024年第9期5188-5195,共8页
针对目前单机器学习模型对臭氧日均浓度预测精度较低的问题,提出一种融合类Stacking算法的臭氧浓度预测方法(FSOP),将统计方法普通最小二乘法(OLS)与机器学习算法相融合,通过集成不同学习器的优势来提高臭氧浓度预测模型的预测精度.采... 针对目前单机器学习模型对臭氧日均浓度预测精度较低的问题,提出一种融合类Stacking算法的臭氧浓度预测方法(FSOP),将统计方法普通最小二乘法(OLS)与机器学习算法相融合,通过集成不同学习器的优势来提高臭氧浓度预测模型的预测精度.采用杭州市2017年1月至2022年12月臭氧日最大8h浓度平均值的观测数据和气象再分析数据,根据Stacking算法的原理,先分别建立基于轻量级梯度提升机(LightGBM)算法、长短期记忆模型(LSTM)和Informer模型的特定臭氧浓度预测模型,再将以上模型的预测结果作为元特征,利用OLS算法获取臭氧浓度的预测表达式对臭氧浓度观测值进行拟合.结果表明,融合类Stacking算法后的模型预测精度获得提升,臭氧浓度拟合效果更好.其中,R2、RMSE和MAE分别为0.84、19.65μg·m^(−3)和15.50μg·m^(−3),较单个机器学习模型预测精度提升了8%左右. 展开更多
关键词 stacking算法 轻量级梯度提升机(LightGBM)算法 长短期记忆模型(LSTM) Informer模型 普通最小二乘法(OLS)
原文传递
基于Stacking多模型融合的超短期电网负荷预测 被引量:4
9
作者 张中健 高士亮 +3 位作者 张露 安润鲁 张中城 周子力 《软件》 2022年第8期131-134,178,共5页
为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练... 为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练第二层LightGBM次级学习器,使用次级学习器得到电网负荷预测的最终结果;最后利用山东省公共数据开放平台提供的某市实际超短期电网数据验证所提方法的有效性。实验结果表明,比起单一模型预测,所提的Stacking多模型融合预测法,在预测结果的平均精度与峰谷变化的适应能力方面更具优势。 展开更多
关键词 超短期电网负荷预测 stacking多模型融合 LSTM LightGBM
在线阅读 下载PDF
Stacking-SVM的短期光伏发电功率预测 被引量:12
10
作者 张雨金 周杭霞 《中国计量大学学报》 2018年第2期121-127,共7页
短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要意义,针对现有的神经网络法、小波分析法等单一预测模型预测精度提升有限的问题,引入集成学习的思想和方法,提出一种基于Stacking算法改进支持向量机(SVM)的短期光伏发电... 短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要意义,针对现有的神经网络法、小波分析法等单一预测模型预测精度提升有限的问题,引入集成学习的思想和方法,提出一种基于Stacking算法改进支持向量机(SVM)的短期光伏发电预测方法.该方法先使用多个不同的初级SVM对预测样本进行一次预测得到多个预测输出;然后对训练集进行聚类,使用与预测样本同类别的训练样本训练次级SVM;最后使用次级SVM对多个预测输出进行结合得到最终预测结果.经光伏发电系统的实际运行数据实验,结果表明本文提出的方法相较于单一预测模型精度有了明显提升. 展开更多
关键词 光伏发电 短期功率预测 stacking算法 Kmeans算法 支持向量机
在线阅读 下载PDF
基于Stacking模型集成的LSTM网络短期负荷预测研究 被引量:18
11
作者 丁斌 邢志坤 +3 位作者 王帆 袁博 刘涌 孙岩 《中国测试》 CAS 北大核心 2020年第7期40-45,共6页
为解决传统负荷预测方法存在的预测精度偏低的问题,通过分析短期负荷影响因素确定训练集,创建Stacking模型,并结合包括输入门、输出门与遗忘门在内的LSTM网络创建Stacking-LSTM混合模型,通过时间滑动窗口建立影响因素数据特征图,将其作... 为解决传统负荷预测方法存在的预测精度偏低的问题,通过分析短期负荷影响因素确定训练集,创建Stacking模型,并结合包括输入门、输出门与遗忘门在内的LSTM网络创建Stacking-LSTM混合模型,通过时间滑动窗口建立影响因素数据特征图,将其作为Stacking-LSTM混合模型的输入,经数据转换后得到特征类别更强的降维二级特征数据,输入到LSTM网络层实现短期负荷预测。该方法利用Stacking模型的集成作用和LSTM网络的强挖掘能力,增强降维后的数据类别特征,达到提升电力系统负荷动态平衡性的效果。仿真结果表明,该方法的负荷预测结果与实际值非常接近,具有较高的预测精准度。 展开更多
关键词 stacking模型 长短期记忆网络 短期负荷预测 混合模型 特征图
在线阅读 下载PDF
基于Stacking集成学习的远程资源传输负荷预测
12
作者 商娟叶 《信息技术》 2024年第6期94-99,104,共7页
传统电网远程资源传输负荷预测方法忽略了对资源的集成训练,导致电网负荷预测结果与实际值偏差较大。为此,提出基于Stacking集成学习的远程资源传输负荷预测方法。构建Stacking集成学习模型,同时通过长短时记忆网络构建Stacking-LSTM网... 传统电网远程资源传输负荷预测方法忽略了对资源的集成训练,导致电网负荷预测结果与实际值偏差较大。为此,提出基于Stacking集成学习的远程资源传输负荷预测方法。构建Stacking集成学习模型,同时通过长短时记忆网络构建Stacking-LSTM网络混合模型,利用时间滑动窗口构建影响因素数据特征图,并将其输入网络混合模型,利用Stacking基础学习训练层实现训练,并将训练结果输入LSTM网络层,完成电网远程资源传输负荷预测。实验结果表明:该方法的网络收敛速度较快,获取特征的贡献度较高,且负荷预测结果接近实际值,可以较好地跟踪负荷变化情况。 展开更多
关键词 stacking集成学习 远程资源传输 负荷预测 长短时记忆 滑动窗口
在线阅读 下载PDF
基于Stacking集成学习的机场线短时客流预测研究 被引量:2
13
作者 杨安安 韩星玉 +2 位作者 田旷 刘泽远 明玮 《山东科学》 CAS 2024年第4期112-120,共9页
地铁机场线客流具有高度时变性,受机场航班影响使得精准的短时客流预测具有挑战性。综合考虑机场航班信息和机场线路历史客流,构建了一种以随机森林(RF)、LightGBM(light gradient boosting machine)、梯度提升决策树(GBDT)和逻辑回归... 地铁机场线客流具有高度时变性,受机场航班影响使得精准的短时客流预测具有挑战性。综合考虑机场航班信息和机场线路历史客流,构建了一种以随机森林(RF)、LightGBM(light gradient boosting machine)、梯度提升决策树(GBDT)和逻辑回归算法作为集成学习器,基于叠加(Stacking)集成模型的机场线路短时客流预测模型。以北京地铁大兴机场线为实例进行验证,并与Informer和长短时记忆神经网络(long short-term memory,LSTM)两种基线模型进行对比。结果表明,考虑航班信息和机场线历史客流的双通道预测效果明显优于仅考虑机场线历史客流的单通道预测;Stacking模型在各项指标中均表现出优越的性能,其中,在96步长(24 h)下的预测效果最好,预测进站客流的平均绝对误差为7.66,预测出站客流的平均绝对误差为4.67;分析航班信息特征对预测模型的影响,发现离港航班信息重要性不如到港航班,这与离港旅客提前到达机场时间差异较大有关。 展开更多
关键词 机场线 短时客流预测 stacking集成模型 航班信息
在线阅读 下载PDF
基于Stacking融合深度学习模型和传统机器学习模型的短文本情感分类研究 被引量:5
14
作者 周青松 范兴容 《无线互联科技》 2018年第24期63-65,共3页
短文本情感分类是一种面向主观信息分类的文本分类任务,具有重要的研究价值和广泛的应用前景,如旅游景区口碑评价、舆情跟踪、产品声誉分析等。为了提高短文本情感分类准确率,文章提出了一种基于Stacking融合深度学习模型和传统机器学... 短文本情感分类是一种面向主观信息分类的文本分类任务,具有重要的研究价值和广泛的应用前景,如旅游景区口碑评价、舆情跟踪、产品声誉分析等。为了提高短文本情感分类准确率,文章提出了一种基于Stacking融合深度学习模型和传统机器学习模型的短文本情感分类方法。该方法从短文本数据集分别提取TFIDF和Word2Vec特征,并作为传统机器学习模型和深度学习模型的输入,再基于Stacking技术将多个基分类器(包括Logistic,Passive Aggressive,Ridge,SVC,SVR等传统机器学习模型和深度学习文本分类模型TextRCNN)的分类结果进行融合处理,得到短文本情感分类的最终结果。该方法采用LightGBM作为Stacking最后一层的分类器,基于旅游景区网络评论数据集进行了验证。实验结果表明,该方法能够获得比最好基分类方法更好的分类效果,而且对积极、中性和消极三类情感文本的平均分类准确率达到了71.02%。 展开更多
关键词 短文本 情感分类 TFIDF Word2Vec stackING
在线阅读 下载PDF
Study on two-dimensional analytical models for symmetrical gate stack dual gate strained silicon MOSFETs 被引量:1
15
作者 李劲 刘红侠 +2 位作者 李斌 曹磊 袁博 《Chinese Physics B》 SCIE EI CAS CSCD 2010年第10期492-498,共7页
Based on the exact resultant solution of two-dimensional Poisson's equation, the novel two-dimensional models, which include surface potential, threshold voltage, subthreshold current and subthreshold swing, have bee... Based on the exact resultant solution of two-dimensional Poisson's equation, the novel two-dimensional models, which include surface potential, threshold voltage, subthreshold current and subthreshold swing, have been developed for gate stack symmetrical double-gate strained-Si MOSFETs. The models are verified by numerical simulation. Besides offering the physical insight into device physics, the model provides the basic designing guidance of further immunity of short channel effect of complementary metal-oxide-semiconductor (CMOS)-based device in a nanoscale regime. 展开更多
关键词 STRAINED-SI gate stack double-gate MOSFETs short channel effect the drain-inducedbarrier-lowering
原文传递
基于EMD-Stacking-MLR的台区配变短期负荷预测方法 被引量:7
16
作者 杨秀 胡钟毓 +1 位作者 田英杰 谢海宁 《电器与能效管理技术》 2022年第2期53-62,共10页
传统短期负荷预测方法多为基于数据驱动的机器学习方法,应用场景多为较宏观的市/县区域总负荷预测,而面对台区配变负荷,其预测效果明显不足。对此,构建了一种基于EMD-Stacking-MLR的负荷预测方法。首先,将台区配变负荷数据通过经验模态... 传统短期负荷预测方法多为基于数据驱动的机器学习方法,应用场景多为较宏观的市/县区域总负荷预测,而面对台区配变负荷,其预测效果明显不足。对此,构建了一种基于EMD-Stacking-MLR的负荷预测方法。首先,将台区配变负荷数据通过经验模态分解方法分解为频率由高到低的有限本征模函数分量,利用样本熵大小为依据划分高、低频分量;随后,采用Stacking多模型融合方法和多元线性回归方法分别对高、低频分量进行预测;最后,叠加各分量预测结果得到最终配变预测负荷曲线。通过实验验证,结果表明所提方法在提升负荷预测精度和模型泛化能力方面成效显著。 展开更多
关键词 模态经验分解性(EMD) stacking集成学习 MLR 短期负荷预测 台区配变
在线阅读 下载PDF
ConvNeXt网络及Stacked BiLSTM-Self-Attention在轴承剩余寿命预测中的应用 被引量:1
17
作者 张印文 王琳霖 +1 位作者 薛文科 梁文婕 《机电工程》 CAS 北大核心 2024年第11期1977-1985,1994,共10页
在滚动轴承剩余使用寿命预测方面,采用传统方法时存在鲁棒性差、精度低等各种问题。近些年来深度学习的发展为解决这些问题提供了新的思路。为了进一步提高对轴承寿命的预测精度,提出了一种基于ConvNeXt网络、堆叠双向长短时记忆网络(SB... 在滚动轴承剩余使用寿命预测方面,采用传统方法时存在鲁棒性差、精度低等各种问题。近些年来深度学习的发展为解决这些问题提供了新的思路。为了进一步提高对轴承寿命的预测精度,提出了一种基于ConvNeXt网络、堆叠双向长短时记忆网络(SBiLSTM)和自注意力机制(Self-Attention)的滚动轴承寿命预测方法。首先,采用连续小波变换(CWT)构造了振动信号的时频图,以更好地捕捉信号的时域和频域特征;然后,将得到的时频图输入到构建的ConvNeXt网络中,通过卷积、池化和层归一化等操作,对时频图的关键特征进行了提取;最后,将提取后的特征输入到SBiLSTM-Self-Attention模块中,进一步提取了时序信息和特征权重分配数据,利用PHM2012挑战数据集进行了验证,通过实验分析了该方法的均方根误差(RMSE)和平均绝对误差(MAE)。研究结果表明:相较于现有技术方法,该方法的平均RMSE为0.031;与其他三种方法,即卷积神经网络(CNN)、深度残差双向门控循环单元(DRN-BiGRU)和深度卷积自注意力双向门控循环单元(DCNN-Self-Attention-BiGRU)相比,其平均RMSE值分别下降了79%、74%和55%,MAE值分别下降了78%、73%和53%,说明该方法在滚动轴承剩余寿命预测中有较好的性能。 展开更多
关键词 滚动轴承 剩余寿命预测 ConvNeXt网络 堆叠双向长短时记忆网络 自注意力机制 深度学习 连续小波变换
在线阅读 下载PDF
基于VMD-Stacking混合模型的短期风速预测研究 被引量:1
18
作者 张柯 刘海忠 《计算机时代》 2023年第5期40-45,共6页
由于风速序列高度非线性、间歇性和非平稳的特点,给预测带来了困难,从而影响了可再生能源制造。本文提出基于变分模态分解(VMD)和Stacking集成学习的短期风速混合预测方法。VMD将风速序列分解为平稳分量,以解决非平稳问题;考虑风速序列... 由于风速序列高度非线性、间歇性和非平稳的特点,给预测带来了困难,从而影响了可再生能源制造。本文提出基于变分模态分解(VMD)和Stacking集成学习的短期风速混合预测方法。VMD将风速序列分解为平稳分量,以解决非平稳问题;考虑风速序列实质特征,Stacking的基学习器采用LightGBM、LSTM和全连接网络(FCN)算法。实验采用真实风速数据,VMD-Stacking混合模型的RMSE、MAE和MAPE分别为0.1772、0.1553和8.32%。与其他分解方法或不同的基学习器组合相比,VMD-Stacking充分利用时间序列特征和风速波动信息,提高了短期风速预测的准确性和稳定性。 展开更多
关键词 短期风速 变分模式分解 LightGBM LSTM stackING
在线阅读 下载PDF
基于气象因素的Stacking回归模型的短期负荷预测方法 被引量:1
19
作者 王洋 李江 +2 位作者 张婧 格日乐图 刘秀丽 《电工技术》 2024年第17期67-70,共4页
为了有效提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于气象因素的Stacking回归模型的短期负荷预测方法。以某地区的历史日最大负荷数据、气象数据作为实验训练样本,对多种模型采用多种可行思路进行日滚动预... 为了有效提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于气象因素的Stacking回归模型的短期负荷预测方法。以某地区的历史日最大负荷数据、气象数据作为实验训练样本,对多种模型采用多种可行思路进行日滚动预测。经过对比分析,选择基于气象因素的Stacking回归模型作为主要预测算法,并结合相似日调整作为主要协调算法。实验结果表明,所提出的预测方法相比ARIMA模型方法、多元回归模型方法和自回归模型方法具有更高、更稳定的预测精度。 展开更多
关键词 短期负荷预测 stacking回归模型 气象因素 协调算法
在线阅读 下载PDF
基于K-折交叉验证和Stacking融合的短期负荷预测 被引量:38
20
作者 朱文广 李映雪 +4 位作者 杨为群 刘小春 熊宁 周成 王丽 《电力科学与技术学报》 CAS 北大核心 2021年第1期87-95,共9页
短期负荷预测对于电力系统的经济调度和稳定运行具有重要意义。为了提升短期负荷预测的精度,提出基于K-折交叉验证和Stacking融合的短期负荷预测方法。首先,基于皮尔逊相关系数对影响短期负荷的多个特征进行筛选,剔除冗余特征。其次,利... 短期负荷预测对于电力系统的经济调度和稳定运行具有重要意义。为了提升短期负荷预测的精度,提出基于K-折交叉验证和Stacking融合的短期负荷预测方法。首先,基于皮尔逊相关系数对影响短期负荷的多个特征进行筛选,剔除冗余特征。其次,利用K-折交叉验证法训练第一层的各个子模型,并将各个子模型的预测结果作为新特征用于训练第二层模型。接着,将子模型的结果进行Stacking融合,使用第二层的模型得到短期负荷的预测结果。最后,采用新英格兰的实际数据验证所提方法的有效性。仿真结果表明,所提的K-折交叉验证法能够有效地提高模型的泛化能力,Stacking融合不仅可以提升预测的平均精度,还可以减小最大的预测误差,比单一模型预测更具优势。 展开更多
关键词 短期负荷预测 皮尔逊相关系数 K-折交叉验证 stacking融合
在线阅读 下载PDF
上一页 1 2 6 下一页 到第
使用帮助 返回顶部