公开(公告)号：CN116341929A

公开(公告)日：2023-06-27

申请号：CN202310327926.0

申请日：2023-03-27

Applicant: 武汉科技大学

Inventor： 廖雪超 ,  马亚文 ,  张永 ,  孟航宇 ,  向桂宏 ,  刘欢

IPC: G06Q10/0637 ,  G06Q50/08 ,  G06F18/10 ,  G06F18/213 ,  G06F18/23 ,  G06F18/243

Abstract: 发明公开了一种基于聚类和自适应梯度提升决策树的预测方法，通过MRGALnet模型对原始数据进行预处理，删除缺失数据、无效数据和异常数据，再进行MI+RFE两步特征选择，筛选出与建筑能耗相关性强的特征，然后对筛选之后的建筑数据利用高斯混合模型进行分类，将能耗数据相似的建筑划分到同一类；并基于AR自适应损失函数设计ALGBM预测方法，该方法可以根据不同聚类的能耗数据自适应的确定损失函数超参数，再利用AR损失函数对预测误差进行修正以提高模型预测性能，发明公开了一种基于聚类和自适应梯度提升决策树的建筑能耗预测方法，通过结合MI、REF、高斯混合聚类和ALGBM,进一步提高预测精度和收敛速度，从而提高模型预测精度。

公开(公告)号：CN113673775A

公开(公告)日：2021-11-19

申请号：CN202110981226.4

申请日：2021-08-25

Applicant: 武汉科技大学

Inventor： 廖雪超 ,  柯鹏 ,  陈才圣 ,  程轶群 ,  马亚文 ,  黄相

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08 ,  H02J3/00 ,  H02J3/38

Abstract: 本发明公开了基于CNN‑LSTM及深度学习的时空组合预测方法，包括：S1、通过MI互信息算法对原始数据集的时间和空间相关性进行分析，消除数据间的冗余信息，对原始数据进行降维；S2、建立MI‑CNN‑LSTM模型，对降维后的数据进行预测，CNN用于提取各站点空间信息，LSTM用于获取时间序列数据间的依赖信息；S3、在LSTM网络的LSTM层与输出层之间增加AT层，得到MI‑CNN‑ALSTM模型，并对训练集数据进行模型学习；S4、引入PSO算法对训练参数寻优，得到MI‑CNN‑ALSTM‑PSO模型；S5、对测试集进行预测得到最终的预测值。本发明提出的MI‑CNN‑ALSTM‑PSO时空组合预测模型进一步提高风电功率预测精度和稳定性。