文献

J-GLOBAL ID：201702262709460738   整理番号：17A1285406

変数選択とガウス過程回帰に基づく短期負荷予測【JST・京大機械翻訳】

Short-Term Load Forecasting Based on Variable Selection and Gaussian Process Regression

著者 (4件)： Liang Zhi (河海大学能源与電气学院,南京市,210098) ,  Sun Guoqiang (河海大学能源与電气学院,南京市,210098) ,  Wei Zhinong (河海大学能源与電气学院,南京市,210098) ,  Zang Haixiang (河海大学能源与電气学院,南京市,210098)
資料名： Dianli Jianshe  (Dianli Jianshe)
巻： 38  号： 2  ページ： 122-128  発行年： 2017年 
JST資料番号： C3445A  ISSN： 1000-7229  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 短期電力負荷予測の精度を改善することは電力網の安全で安定な運転を保障する技術措置の一つであり、影響負荷の最適入力変数集合を選択することにより、ガウス過程回帰(Gaussian process regression, GPR)短期負荷予測モデルを構築する。負荷予測モデリングの入力変数の選択は予測精度に大きな影響を与えるため、まずランダムフォレスト(random forest,RF)アルゴリズムを用いて入力変数の重要性採点(variable importance measure、VIM)を与えた。各入力変数の影響程度をランク付けし、配列前方向探索戦略に基づいて最適入力変数集合を確定し、人工経験選択の不足を避けた。次に共役勾配(conjugate gradient、CG)法によるガウス過程の回帰モデルの超パラメータを解く時に局部最適解に陥りやすく、しかも最適化性能は初期値の選択、反復回数の確定が困難な問題に依存する。改良粒子群最適化(PSO)アルゴリズムを用いて,モデルの超パラメータを探索し,最適化Gauss過程の回帰予測モデルを形成したことが示された(モデルは,最適化されていることを示している)ことが明らかになったことが示されたことが示されたことが示されたことが示された。最後に,数値例により,このモデルの有効性を示した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 予測モデル ,  モデリング ,  最適化 ,  *Gauss過程 ,  等級づけ ,  電力系統 ,  回帰モデル ,  アルゴリズム ,  *負荷予測
準シソーラス用語： 粒子群最適化 ,  最適解 ,  ランダムフォレスト ,  予測精度 ,  短期電力負荷予測 ,  *Gauss過程回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： short-term load forecasting ,  input variables selection ,  random forest (RF) algorithm ,  Gaussian process regression (GPR) ,  improved particle swarm optimization (PSO) algorithm

分類 (2件)： 電力系統一般  (NB02000E) ,  楽器音響  (BB03070Y)

タイトルに関連する用語 (4件)： 変数選択 ,  ガウス過程回帰 ,  短期 ,  負荷予測