基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

改进粒子群算法和最小二乘支持向量机的电力负荷预测

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(IPSO-LSSVM)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,IPSO-LSSVM可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

考虑噪声数据的FCM-LSSVM负荷预测模型

针对传统负荷预测未考虑噪声数据影响的问题,提出了一种基于模糊C均值聚类与最小二乘支持向量机的组合预测模型。首先利用FCM对历史数据进行聚类分析,剔除孤立样本,继而构建负荷预测训练集并输入最小二乘支持向量机进行学习,进一步采用粒子群算法优化参数,得到最优预测模型。仿真结果表明,相对于其他负荷预测模型,该算法有效地消除了噪声数据对负荷预测精度的影响,泛化能力更佳。     

基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型。通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测。通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力。采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于Map Reduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力。     

群优化支持向量机的磁轴承转子位移预测建模

为实现三自由度混合磁轴承转子位移自检测,提出了基于粒子群优化最小二乘支持向量机的转子位移预测建模方法。通过对该磁轴承电磁结构和工作原理的分析,基于等效磁路法构建了大气隙范围内的非线性模型。在此模型基础上,结合最小二乘支持向量机在有限样本下对高维非线性的拟合及预测能力,通过采集具有代表性的电流–位移样本数据,训练得到磁轴承位移预测模型。针对最小二乘支持向量机超参数选取问题,采用粒子群优化算法进行自动寻优,以提高预测模型的拟合和预测精度。最后将均值误差和绝对误差作为模型评价指标对所提方法进行对比仿真研究,并对结果进行了讨论,验证了预测建模和自检测方法的有效性。     

基于粒子群优化LS-SVM的光伏功率预测

提出一种基于优化最小二乘支持向量机的光伏功率预测方法。该方法采用最小二乘支持向量机(LS-SVM)分别构建春、夏、秋、冬四个预测模型,对光伏功率进行分钟级预测。选取了一组影响光伏功率的重要因素作为所建预测模型的输入特征,然后对所选特征和交叉验证预测误差之间的函数映射关系进行学习,并采用粒子群算法优化LS-SVM模型的参数。宁夏某光伏发电站实测数据的预测结果验证了该方法的有效性。     

利用粒子群优化最小二乘支持向量机诊断H桥功率模块IGBT故障

为了提高H桥功率模块中IGBT故障诊断的准确性,提出将粒子群优化最小二乘支持向量机用于H桥功率模块中IGBT故障诊断。分析了功率模块中可供采集的信号,将H桥直流侧电容电压作为故障的原始信号。通过小波多分辨率提取故障特征。采用粒子群算法优化最小二乘支持向量机中的核函数和正则化参数。通过仿真实验表明,粒子群优化最小二乘支持向量与默认参数最小二乘支持向量机、粒子群优化支持向量机和遗传算法优化最小二乘支持向量机相比,诊断准确率高和诊断时间短等优点,具有很好的实用性。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS-SVM）的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine, WLS- SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法。为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡。试验结果证明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用。     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法.为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡.试验结果证明:该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用.     

基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值;其次应用最小二乘支持向量机对各分量分别建立预测模型,并使用自适应粒子群算法对各分量模型进行优化;最后使用优化后最小二乘支持向量机模型对风电功率波动范围进行预测。实例研究表明,该组合预测模型可以有效跟踪风电功率变化,对风电功率波动范围进行预测。     

典型电能质量稳态指标预测模型研究

电网典型电能质量稳态指标的准确预测对优化电网运行方式和提高电网供电质量具有重要意义。根据电能质量稳态指标似周期、非周期的特点,提出一种基于混沌理论和最小二乘支持向量机(least squares support vector machine,LSSVM)的电能质量稳态指标预测模型。首先采用混沌理论对典型电能质量稳态指标历史数据进行相空间重构,构造包含吸引子的新数据空间;其次利用最小二乘支持向量机在高维空间下进行样本训练,并结合粒子群算法优化最小二乘支持向量机参数;最后得到最佳预测模型。基于某地配电网电能质量实际监测数据,采用所提模型进行典型电能质量稳态指标预测,平均相对误差均在8%以下,优于传统BP神经网络预测方法。     

典型电能质量稳态指标预测模型研究EI北大核心CSCD

电网典型电能质量稳态指标的准确预测对优化电网运行方式和提高电网供电质量具有重要意义。根据电能质量稳态指标似周期、非周期的特点,提出一种基于混沌理论和最小二乘支持向量机（least squares support vector machine,LSSVM）的电能质量稳态指标预测模型。首先采用混沌理论对典型电能质量稳态指标历史数据进行相空间重构,构造包含吸引子的新数据空间;其次利用最小二乘支持向量机在高维空间下进行样本训练,并结合粒子群算法优化最小二乘支持向量机参数;最后得到最佳预测模型。基于某地配电网电能质量实际监测数据,采用所提模型进行典型电能质量稳态指标预测,平均相对误差均在8%以下,优于传统BP神经网络预测方法。     

基于最小二乘支持向量机的载流故障趋势预测

提出基于最小二乘支持向量机(LS-SVM) 的电力设备载流故障趋势的预测算法,并采用粒子群优化(PSO)算法对其参数进行优化。采用主元分析法(PCA)对各触点温度序列进行特征分析,在温度分布异常的情况下提取故障的早期特征;以此时刻为起点,采用PSO与最小二乘支持向量机相结合的方法,并结合实时更新的现场温度信息,对载流故障发展的短期趋势和长期趋势分别进行预测。基于实际运行数据的实验结果表明,将长期预测时间裕量大与短期预测精度高的优势相结合,可以对载流故障的发展趋势做出较为准确的预测。     

基于模糊信息粒化和最小二乘支持向量机的风电功率 联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。