- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于历史输出数据的集成学习Bagging模型在光伏预测中的应用
摘要： 众所周知，全球能源生产趋势正从传统化石燃料向可持续能源转变。为减少温室气体排放，应提高可再生能源比例，其中太阳能和风能通常引领着这一能源变革。然而可再生能源高度依赖天气条件且具有间歇性发电特性，因而存在不确定性与波动性。这可能导致电力系统出现波动与不确定性，因此准确预测可再生能源输出至关重要。针对这一问题，大量研究聚焦于预测模型，机器学习是其中的典型方法。本文采用装袋模型预测太阳能输出。装袋模型通常以决策树作为基学习器，但为提高预测精度，我们提出以集成模型作为基学习器并加入历史输出数据作为新特征的装袋模型。我们将随机森林、XGBoost和LightGBM等集成模型设为基学习器，同时采用历史输出数据作为新特征。结果表明：基于集成学习器的装袋模型（使用历史数据特征）比采用单一模型学习器及默认特征的装袋模型具有更高预测精度。
关键词： 集成学习、决策树、装袋法、Light GBM、滞后数据、机器学习、随机森林、XGBoost、光伏发电预测
更新于2025-09-23 15:21:01
-
[计算机科学讲义] 网络与大数据卷11268（APWeb-WAIM 2018国际研讨会：MWDA、BAH、KGMA、DMMOOC、DS，中国澳门，2018年7月23-25日，修订精选论文集）|| 基于光谱分析与XGBoost算法的食品内部品质评估
摘要： 本文提出将近红外（NIR）光谱技术与一种名为XGBoost的新型预测算法相结合用于食品内部品质评价。首先采用Savitzky-Golay平滑法对原始NIR光谱数据进行预处理以降低噪声影响；其次通过主成分分析（PCA）提取关键信息；最后运用XGBoost算法建立模型。通过与反向传播神经网络（BPNN）和支持向量回归（SVR）等不同模型的对比验证了所提模型的性能。结果表明该新模型优于其他两种模型，这种基于XGBoost的工具适用于食品内部控制。
关键词： 内部质量预测、食品、近红外光谱、XGBoost
更新于2025-09-09 09:28:46