典型文献
基于K-SVD-OMP和KELM组合方法的短期光伏功率预测
文献摘要：
针对光伏功率预测,提出一种基于稀疏表示的特征提取建模方法.首先,将所有影响光伏功率预测输出的因素作为模型的输入,将模型输入构成的数据向量作为初始字典,由K-均值奇异值分解(K-mean singular value decomposition,K-SVD)算法进行稀疏分解与变换,得到学习后的字典.其次,由正交匹配追踪(Orthogonal matching pursuit,OMP)算法获取相应的稀疏编码向量,再将其作为核极限学习机(Kernel extreme learning machine,KELM)的模型输入,以构建全局回归模型.为了验证K-SVD-OMP和KELM组合方法的有效性,将所提出的方法应用于光伏功率预测实例中,在相同条件下,与KELM、SVM、ELM等方法进行了比较.实验结果表明,不同的稀疏表示建模组合方法均可以达到好的预测效果,其中K-SVD-OMP 和KELM的组合方法可以给出更好的预测结果与精度.
文献关键词：
光伏功率预测;稀疏表示;K-均值奇异值分解算法;核极限学习机
中图分类号：
作者姓名：
李军;郑丹阳
作者机构：
兰州交通大学 自动化与电气工程学院,甘肃兰州730070
文献出处：
引用格式：
[1]李军;郑丹阳-.基于K-SVD-OMP和KELM组合方法的短期光伏功率预测)[J].测试科学与仪器,2022(03):320-328
A类：
B类：
SVD,OMP,KELM,组合方法,短期光伏功率预测,稀疏表示,模型输入,字典,mean,singular,value,decomposition,稀疏分解,正交匹配追踪,Orthogonal,matching,pursuit,稀疏编码,编码向量,核极限学习机,Kernel,extreme,learning,machine,模组,奇异值分解算法
AB值：
0.272484
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
