Известия Иркутского государственного университета. Серия «Математика»
RUS  ENG    ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB  
Общая информация
Последний выпуск
Архив

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Известия Иркутского государственного университета. Серия Математика:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Известия Иркутского государственного университета. Серия Математика, 2014, том 9, страницы 75–90 (Mi iigum201)  

Power System Parameters Forecasting Using Hilbert–Huang Transform and Machine Learning

[Прогнозирование параметров электроэнергетических систем используя преобразование Гильберта–Хуанга и машинное обучение]

V. G. Kurbatskya, V. A. Spiryaeva, N. V. Tomina, P. Leahyb, D. N. Sidorovca, A. V. Zhukovc

a Energy Systems Institute, Siberian Branch of Russian Academy of Sciences
b University College Cork
c Institute of Mathematics, Economics and Informatics, Irkutsk State University

Аннотация: 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.

Ключевые слова: временной ряд, прогнозирование, интегральное преобразование, ИНС, МОВ, машинное обучение, бустинг, сингулярный интеграл, анализ признаков.

Полный текст: PDF файл (409 kB)
Список литературы: PDF файл   HTML файл
Тип публикации: Статья
УДК: 518.517
Язык публикации: английский

Образец цитирования: V. G. Kurbatsky, V. A. Spiryaev, N. V. Tomin, P. Leahy, D. N. Sidorov, A. V. Zhukov, “Power System Parameters Forecasting Using Hilbert–Huang Transform and Machine Learning”, Известия Иркутского государственного университета. Серия Математика, 9 (2014), 75–90

Цитирование в формате AMSBIB
\RBibitem{KurSpiTom14}
\by V.~G.~Kurbatsky, V.~A.~Spiryaev, N.~V.~Tomin, P.~Leahy, D.~N.~Sidorov, A.~V.~Zhukov
\paper Power System Parameters Forecasting Using Hilbert--Huang Transform and Machine Learning
\jour Известия Иркутского государственного университета. Серия Математика
\yr 2014
\vol 9
\pages 75--90
\mathnet{http://mi.mathnet.ru/iigum201}


Образцы ссылок на эту страницу:
  • http://mi.mathnet.ru/iigum201
  • http://mi.mathnet.ru/rus/iigum/v9/p75

    ОТПРАВИТЬ: VKontakte.ru FaceBook Twitter Mail.ru Livejournal Memori.ru


    Citing articles on Google Scholar: Russian citations, English citations
    Related articles on Google Scholar: Russian articles, English articles
  • Просмотров:
    Эта страница:141
    Полный текст:67
    Литература:21
     
    Обратная связь:
     Пользовательское соглашение  Регистрация посетителей портала  Логотипы © Математический институт им. В. А. Стеклова РАН, 2021