文献

J-GLOBAL ID：201802212395345448   整理番号：18A0017190

最小冗長性-全天日射予測のための極端学習機械を用いた最大関連性:太陽時系列のための最適次元縮小に向けて【Powered by NICT】

Minimum redundancy - Maximum relevance with extreme learning machines for global solar radiation forecasting: Toward an optimized dimensionality reduction for solar time series

著者 (2件)： Bouzgou Hassen (Department of Industrial Engineering, Faculty of Technology, University of Batna 2 (Mustapha Benboulaid), Avenue Boukhlouf Med El Hadi, 05000 Batna, Algeria) ,  Gueymard Christian A. (Solar Consulting Services, Colebrook, NH, USA)
資料名： Solar Energy  (Solar Energy)
巻： 158  ページ： 595-609  発行年： 2017年 
JST資料番号： E0099A  ISSN： 0038-092X  CODEN： SRENA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 太陽エネルギーは将来の世界のエネルギー供給に主要な寄与を提供することが期待される,無炭素経済への移行を支援した。可変特性のため,その効率的な使用は,色々な空間及び時間スケールの中でのその利用性の信頼できる予測情報を必要とする,応用に依存する。相互情報測度および極端学習機械(ELM)を組み合わせた放射照度時系列のための新しい予測手法を提案した。法は最小冗長性-最大関連性(MRMR)と呼ばれている。提案した方法を評価するために,その性能を四種類のシナリオ:長い窓(最新の50変数),短い窓(最新の5変数),標準主成分分析(PCA)と晴天モデルに対して評価した。全てこれらのシナリオは三つの典型的な段階の予測対象時期(15分,1時間,24時間先)に適用した。様々な気候を代表する20地点で観測された放射照度データに基づいて,試験結果は,関連変数の良好なセットの選択は,全天日射の予測性能に良い影響を及ぼすことを明らかにした。今回の結果は,提案した手法が他の提案されたシナリオと比較して太陽放射照度予測の精度を向上させることができることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 気候 ,  *全天日射 ,  放射照度 ,  予測技法 ,  *太陽 ,  晴天 ,  *次元縮小 ,  太陽エネルギー ,  *予測 ,  主成分分析 ,  エネルギー供給 ,  *冗長性 ,  モデル
準シソーラス用語： 太陽放射照度 ,  *極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (6件)： 地球放射照度 ,  相互情報 ,  最小冗長性最大関連性 ,  逐次前進選択 ,  極端学習機械 ,  時系列

分類 (1件)： 放射,大気光学  (DC05080C)

タイトルに関連する用語 (8件)： 冗長性 ,  全天日射 ,  予測 ,  極端学習機械 ,  関連性 ,  太陽 ,  時系列 ,  次元縮小