论文部分内容阅读
机器学习在绝大多数的时候都毫无疑问是人工智能技术的代名词,深度学习则是机器学习的一个蓬勃发展的分支。深度学习目前在许多领域里都得到了爆炸式地发展和非常有效地应用具有极大地发展潜力。本文根据气象和电气两个领域的各自应用背景特点,提出了基于物理量参数和深度学习模型DBNs的短时强降水天气识别模型以及基于高斯限制玻尔兹曼机的光伏功率回归模型。气象预报人员面临的问题之一是如何准确有效地识别短时强降水天气,其一旦发生,会对人们的日常生活和社会经济产生极大的影响和损害。短时强降水产生原因与空气湿度、大气中的水分以及温湿等物理量参数有关,由此提出基于以物理量参数为输入的深度学习模型DBNs的短时强降水天气识别和预报模型。首先,利用SMOTE算法人工合成短时强降水少数类样本,调整原始数据集不均衡分布问题;然后通过含有高斯玻尔兹曼机的深度学习模型对地面大气监测站逐小时加密的观测量,以及常用于天气预报分析的物理量等低层特征构造出抽象的高层特征,发现数据特征内在关系;最后基于深度置信网络模型的基础上实现了DBNs短时强降水的自动识别和预报模型。结果表明,该方法能够较为准确地识别和预报短时强降水,对于短时强降水的命中率,误警率和临界成功指数,都有着较好的表现。太阳能是公认的绿色能源之一,如何有效地利用并提高对光伏面板的发电功率的有效预测,对于提高太阳能光伏发电的利用水平有着极其重要的意义。高斯玻尔兹曼机是一种可以用来构建深度学习模型的基本单元,可以对模型的输入数据进行重构,从而便于模型在重构的数据上的建立。本文在线性回归模型的基础上引入高斯玻尔兹曼机,将其对与光伏发电功率有关的数据进行重构从而作为线性回归模型的输入,由此构建了光伏发电功率预测回归模型。该模型首先利用高斯玻尔兹曼机对原始数据进行重构,然后在重构的数据上构建线性回归模型,最后应用于GEFCom2014所提供的光伏面板发电功率数据。实验表明高斯玻尔兹曼机可以大大增强普通的回归模型的拟合和预测能力。