LS-SVM算法在光伏短期功率预测中的应用

以光伏阵列为研究对象,分析了辐照强度、温度以及日类型对光伏阵列出力的影响。建立了光伏短期功率预测最小二乘支持向量机LS-SVM模型,依据实验数据对模型进行了验证计算,并与BP神经网络模型做了比较,其中LS-SVM模型最大相对误差值为10.54%,平均绝对百分比误差(MAPE)为8.18%,绝对误差平方和平均值的均方根(RMSE)为0.4884,表明模型预测值离散化程度较小,所有预测点均与实际值非常接近,模型具有较好的拟合效果和泛化能力,可以有效地预测短期光伏发电功率。     

光伏发电系统建模与特性分析

根据光伏阵列数学模型。利用PSCAD／EMTDC软件开发用户定义的光伏阵列与最大功率跟踪控制元件,通过输出电流信号来驱动一恒流源元件,以此模拟实际光伏阵列装置,采用电导增量法实现最大功率跟踪（Meet）控制。通过搭建光伏发电系统模型,分析了光伏阵列的I—v／P—v特性曲线及光照与温度变化对系统传输功率的影响。验证了所开发模型能够反映实际光伏发电系统运行特性。     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

复杂关照环境下光伏阵列MPPT算法

光伏阵列处于复杂光照环境时,其P-V（power-voltage）输出特性曲线会出现多个功率峰值点,传统的最大功率点跟踪（Maximum Power Point Tracking,MPPT）算法大多无法收敛于最大功率点,造成光伏阵列输出效率下降。为解决上述问题,首先对复杂光照环境下光伏阵列的输出特性进行了理论推导,建立了仿真模型,结合P-V特性曲线总结了功率峰值点的相关特性,提出了一种多重区间最大功率点跟踪算法。仿真结果表明,该算法能够快速、准确地跟踪光伏阵列的最大输出功率。     

改进GM（1，1）残差修正模型在光伏发电量短期预测中的应用

采用改进的GM（1,1）残差修正模型建立光伏发电量预测模型,从理论发电量和实际发电量两方面对5．6kW太阳能光伏发电系统的发电量进行预测．通过对比GM（1,1）模型和改进的GM（1,1）残差修正模型的预测结果,证明采用改进的GM（1,1）残差修正模型预测短期太阳能光伏发电量能够取得更好的预测效果．     

基于最优相似度与IMEA-RBFNN的短期光伏发电功率预测

针对光伏发电功率受气象因素影响而具有波动性与随机性问题,提出一种基于最优相似度与IMEARBFNN的短期光伏发电功率预测方法。利用相关性分析与平均影响值(Mean Impact Value,MIV)算法选取出温度、湿度、辐照度3个气象因素作为输入指标,通过最优相似度理论计算得到预测日的相似日。将相似日数据与预测日气象数据作为输入,采用改进思维进化算法(Improved Mind Evolutionary Algorithm,IMEA)优化径向基神经网络(Radical Basis Function Neural Network,RBFNN)模型对预测日光伏发电功率进行预测。结果表明改进思维进化算法优化径向基神经网络可以提高模型预测精度,为光伏发电功率预测提供一种有效方法。     

复杂天气和地形下的地表太阳辐射估算模型及其在超短期光伏发电功率预测中的应用

为了研究表面太阳辐射估算模型在超短期光伏功率预测中的应用,并减少多云天气对预测的干扰,利用电荷耦合器件/红外光谱(CCD/IRS)数据对表面太阳辐射估计模型进行了优化,构建了一种有效的超短期光伏功率预测模型,并通过实验证明了它的可靠性。首先介绍了CCD/IRS数据的原理,接着在考虑云量影响的情况下改进了太阳表面辐射估算模型。分别选择了多云和无云2种不同的天气类型来验证估算模型。实验结果表明:与传统算法相比,所提出的地表太阳辐射估算模型在多云天气和复杂地形条件下具有更大的优势,可用于光伏功率预测;基于地表太阳辐射估算模型构建的超短期光伏功率估算模型可用于在无云天气下获得准确有效的预测结果,提出的预测模型在多云天气中的偏差也得到了显着的改进。表面太阳辐射估算模型对于超短期光伏发电量的准确预测和安全运行具有重要的参考价值。     

基于LSTM深度学习模型的羽绒材料价格预测研究

为解决目前羽毛绒材料定价主要依据经验而缺乏理论支撑和预测精度较低的问题,本文提出利用长短期 记忆网络（LSTM）深度学习方法对羽毛绒材料价格进行自定义研究,以 2015 年-2020 年 6 年的羽绒金网数据为 依据,对其构建模型进行训练求解,幵与线性自回归移动平均（ARIMA）数理统计模型和最小二乘支持向量机 (LS-SVM)浅层机器学习模型预测效果进行对比分析。结果表明：在长期预测中,预测精度从高到低依次为 ARIMA 模 型、LS-SVM 模型、LSTM 深度学习预测模型;在短期预测中,预测精度从高到低依次为 LSTM 深度学习预测模型、 LS-SVM 模型、ARIMA 模型。同时还发现：无论长期短期预测中,不同种类的羽毛绒价格预测精度趋势相同,即 预测精度仅与资本属性有关,与资本所述类别无关。研究结论既可为羽毛绒企业进行羽毛绒材料准确定价提供理 论依据,也为人工智能技术广泛应用于量化投资领域提供实践经验     

改进电导增量法的光伏电池MPPT仿真

光伏发电系统的输出功率随着光照强度、环境温度和系统输出电压的不同而变化着,控制光伏阵列的工作点使其稳定的工作在当前的最大功率点处非常重要。首先对光伏电池进行机理建模．实验表明模型能够很好的反应实际的光伏电池工作特性。在介绍了几种传统的最大功率点跟踪（MPPT）控制算法的基础上,提出了一种新型的变步长电导增量法控制,其初始参考电压为当前光伏阵列开路电压的0．8倍,并且以计算得到的的步长进行继续跟踪。仿真结果表明,系统的跟踪速度增强并且有效的减小稳态震荡,具有良好的动态和稳态性能。     

基于特征提取的FA-BP短期光伏发电预测

为解决光伏发电受详细、复杂的天气数据所影响的问题,提出一种基于特征提取的萤火虫算法（FA）优化误差回传神经网络（BP神经网络）的FA-BP短期光伏发电预测模型。为提高收敛速度利用主成分分析法（PCA）对光伏发电历史数据以及历史天气数据进行降维与去噪,选取影响光伏发电的主要成分并构建PCA-BP预测模型。并利用FA对PCA-BP预测模型进行阈值和权值的优化,进而构建PCA-FA-BP的光伏发电预测模型。再将提出的PCA-FA-BP预测模型与BP神经网络预测模型、PCA-BP预测模型以及单一的FA-BP预测模型进行光伏发电预测效果对比与分析,通过仿真结果表明:PCA-FA-BP预测模型拥有更佳的训练效果以及预测精度。     

基于最小二乘支持向量机算法的测量数据时序异常检测方法

将最小二乘支持向量机方法引入火电厂DCS的测量数据时序异常检测领域,该方法很好地建立了火电厂DCS的测量数据时序预测模型,具有预测真实值能力强、全局优化及泛化性好等优点。将该方法应用于某600 MW超临界火电机组DCS测量数据中,经过训练后的LS-SVM模型对再热蒸汽温度数据的检验样本进行不良值检测与真实值预测,均方根误差和平均相对误差分别为0.067%和0.050%,均方根误差是BP网络模型、RBF网络模型的8.756%和8.272%,平均相对误差是BP网络模型、RBF网络模型的7.541%和7.236%。应用结果表明,最小二乘支持向量机方法优于多层BP与RBF神经网络法,能很好地满足异常检测与真实值预测要求。     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机（AWLS-SVM）理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

基于LS—SVM的福房价格指数预测

提出一种基于最小二乘支持向量机（LS—SVM）的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机（LS-SVM）的股票价格预测方法。采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优。预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测。     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

Kalman滤波在刀具磨损预测模型中的应用

基于LS-SVM建立刀具磨损预测模型,描述铣削过程中输入向量（进给率、切削速度、主轴转速、切削深度、切削时间及磨损位置）和输出向量（刀具磨损）之间的映射关系,并引入Kalman滤波技术,建立LS-KF模型,考虑加工条件及环境变化引起的刀具磨损量的变化,结合刀具的实际磨损量更新LS-SVM的预测结果,并用该更新结果调整训练模型,以使更新后的刀具磨损量能够反映出由于加工条件及环境的变化引起的刀具磨损的变化,提高LS-SVM模型的预测精度,最后用实验验证所建立模型的预测精度。结果表明,LS-SVM模型和LS-KF模型的预测精度均较高,且LS-KF模型的预测精度更高。     

基于最小二乘支持向量机的纳米金免疫层析试条快速定量

通过光电反射式的光路扫描纳米金免疫层析试条测试线和质控线信号,研究基于最小二乘支持向量机的纳米金免疫层析试条快速定量方法,建立遗传算法优化的最小二乘支持向量机纳米金免疫层析试条定量研究方法。该方法对纳米金免疫层析试条甲胎蛋白(AFP)检验样本的统计数据中,样本相对均方差RMSE为12.2%,实验结果表明:遗传算法优化的纳米金免疫层析试条最小二乘支持向量机定量拟合模型有较好的整体性能和局部性能,适用于纳米金免疫层析试条的快速定量。     

优化核参数的SVM在电能质量扰动分类中的应用

针对短时电能质量变化和暂态扰动现象的不同特点,建立常见电能质量扰动的数学模型.运用小波变换对暂态电能质量扰动现象的内在特征进行提取,将扰动电压变化率绝对值、扰动能量变化量作为暂态电能质量扰动的特征向量.根据支持向量机的基本原理,给出一种推广误差上界估计判据,利用此判据进行最优核参数的自动选取,利用支持向量机进行训练和测...