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。     

基于高斯过程回归的短期风速预测

准确预测风速能有效减轻风电场对整个电网的不利影响,提高风电场在电力市场中的竞争能力。为了提高风速预测的精度,提出一种基于高斯过程(Gaussian processes,GP)的风速预测模型。首先运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数,进而对混沌风速时间序列进行相空间重构。其次运用GP模型对重构后的风速时间序列进行训练,同时在贝叶斯框架下,确定协方差函数中的"超参数"。最后利用训练好的GP模型风速时间序列进行预测,并与支持向量机、最小二乘支持向量机和BP神经网络进行比较。仿真结果表明,基于GP的风速预测模型具有很好的稳定性,能够满足预测精度的要求,具有很大的工程实际应用价值。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

船舶横摇运动实时在线预报方法

为进一步提高支持向量机预报模型在船舶横摇运动预报中的精确度以及实时性,提出一种利用混沌理论和在线最小二乘支持向量机的实时在线预报方法.在混沌动力系统相空间重构的基础上,采用饱和关联维数法对船舶横摇运动的时间序列进行混沌特性判定,并建立混沌在线最小二乘支持向量机实时预报模型.对某船横摇运动时间序列进行预报,仿真结果表明,...     

风电场短期风速变化区间与变化趋势预测算法

风电场短期风速区间预测对风电场与电力系统的协调运行具有重要意义,基于模糊信息粒化和最小二乘支持向量机提出了一种短期风速区间预测算法。首先对风速时间序列进行Witold Pedrycz模糊信息粒化,得到3个模糊粒子Low、R和Up,分别代表风速区间的最小值、变化趋势和最大值,然后利用最小二乘支持向量机回归预测模型对粒化数据进行回归预测。实例分析结果表明,该算法提高了预测精度和效率,可以有效地预测风电场短期风速的变化区间和变化趋势。     

基于Fast ICA和改进LSSVM的短期风速预测

对风速的准确预测能有效减轻风电场对整个电网的不利影响,同时能提高风电场在电力市场中的竞争能力。首先提出一种基于快速独立分量分析算法和改进最小二乘支持向量机的风速预测模型,对运用fast ICA算法对风速时间序列进行多层分解,得到一系列的独立分量;然后运用改进最小二乘支持向量机模型对分解后的各独立分量风速进行预测;最后对各预测结果进行叠加作为最终的预测风速。算例结果表明,该预测模型能准确进行短期风速的预测。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于混沌特性的风电场风速短期预测方法

为了提高风电场风速短期预测的精确性,提出了基于混沌理论的径向基神经网络预测。通过对风速时间序列关联维数及Lyapunov指数的计算,证实了风速时间序列混沌现象的存在。几种典型的求取延迟时间和嵌入维数算法的预测结果对比表明,基于自相关法-假近邻法的相空间重构RBF神经网络的预测效果比较理想。将基于混沌理论的RBF神经预测方法同传统的Volterra级数预测方法相比较的仿真结果表明,基于混沌理论的RBF神经预测方法具有模型简单、预测精度高的优点。     

基于BOTDR监测数据的光纤复合海底电缆状态预测

为了判断光纤复合海底电缆状态的发展趋势,及时发出故障预警信号,提出了基于加权最小二乘支持向量机(WLS-SVM)的海缆BOTDR监测数据多步预测模型。利用Birge-Massart策略计算实测数据小波分解后不同尺度上的阈值,使用软阈值法消除随机噪声对预测准确性的影响;在混沌序列分析的基础上,采用G-P算法进行相空间重构,确定最佳嵌入维数,同时验证频移时间序列的混沌特性;将重构相空间中的相点馈入到WLSSVM模型完成递归多步预测;最后对海缆两个典型位置处测点进行了频移6步预测。结果表明,递归6步预测的最大平均相对误差为1.80%,具有比标准支持向量机预测结果更高的预测精度和更好的适用性。     

基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。     

基于改进混沌理论和ACPSO-LSSVR的短期负荷预测

针对现有混沌理论中嵌入维数和延迟时间的选取难以达到最优,局域预测时邻近预测点的选取不够准确,提出了改进的混沌理论:采用改进的C-C法找到嵌入维数和延迟时间;邻近预测点的选取根据参考相点的演化趋势进行判断。针对最小二乘支持向量回归机LSSVR参数难以确定,提出ACPSOLSSVR:自适应混沌粒子群ACPSO一方面能根据群体早熟收敛程度和个体自适应值来调整惯性权重,另一方面能根据混沌变量的随机性和遍历性进行粒子的初始化,加快优化过程,防止局部极小。采用ACPSO来优化LSSVR的待选参数,提高负荷预测的精度。实例分析验证了该方法的可行性和实用性。     

基于CFA优化最小二乘支持向量机的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种改进的萤火虫算法优化最小二乘支持向量机的风速预测模型,利用自适应惯性权重和混沌搜索机制提高基本萤火虫算法的全局收敛能力。分别采用IPSO-LSSVM和CFA-LSSVM预测模型对历史时序数据进行提前1 h风速预测,通过与实测数据对比进行误差分析,结果表明CFA-LSSVM模型具有更高的预测精度。     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于舒适度的多变量混沌短期负荷预测

针对电力短期负荷预测精度较低的问题,在多变量混沌短期负荷预测基础上,选取负荷时间序列和人体舒适度指数时间序列作为变量,分析人体舒适度指数对负荷的影响,提出一种基于人体舒适度的多变量混沌短期负荷预测方法,采用互信息法求取延迟时间,再由延迟时间求得嵌入维数,最后进行相空间重构,重构好的混沌序列作为径向基神经网络的输入,由此求得预测负荷值,并与基于温度的多变量混沌负荷预测相比较,通过计算实例,验证了基于人体舒适度指数的负荷预测优于基于温度的负荷预测。     

基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。     

基于改进灰狼算法优化WLSSVM的短期风功率预测

为提高风功率短期预测的准确率,提出一种基于改进灰狼算法优化加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLSSVM）的短期风功率预测方法。采用C-C法对风功率时间序列的嵌入维数进行了计算,根据计算结果确定短期风速预测输入量与输出量的关系。利用Tent映射和参数非线性调整策略对灰狼算法进行改进,得到了优化性能更强的改进灰狼优化（Improved Grey Wolf Optimization,IGWO）算法,并利用测试函数验证了IGWO算法能够加快迭代收敛,提高计算精度。采用IGWO算法对WLSSVM的惩罚系数和核参数进行优化,建立基于IGWO-WLSSVM的短期风功率预测模型。采用某风电场春夏两个不同季节的风功率数据进行算例分析,结果表明,所提短期风功率预测结果的平均相对误差、均方根误差和最大相对误差更小,风功率预测精度和预测结果的稳定性均优于其他方法,验证了所提方法的有效性和实用性。     

三种基于支持向量机风速预测方法对比研究

本文介绍了3种基于支持向量机的风电场风速预测模型,分别是最小二乘支持向量机、遗传最小二乘支持向量机和经验模式分解结合遗传最小二乘支持向量机组合模型。针对不同的预测周期,对3种方法在风速预测中的应用进行了研究和比较。研究结果表明：预测周期较短时,三者的预测结果相近;在中长期预测中,遗传最小二乘支持向量机和经验模式分解结合遗传最小二乘支持向量机组合模型要优于最小二乘支持向量机,但2者的结果又有着各自的特点。实际运用时,应根据具体情况进行分析和判断,选择合适的模型,以取得最优预测结果。     

基于经验模式分解和混沌相空间重构的风电功率短期预测

风电场发电功率的短期预测对并网风力发电系统的安全与稳定具有重要意义。根据风电功率时间序列非平稳、非周期的特点,文中运用经验模式分解理论将风电功率时间序列分解为随机分量和趋势分量,对随机分量采用径向基函数神经网络进行混沌预测;趋势分量采用最小二乘支持向量机进行混沌预测,拟合各分量的预测值得到最终的预测结果。以云南某风电场数据对所提出的模型进行验证,证明了该预测模型比传统人工神经网络预测模型具有更高的预测精度,可为风电功率预测提供参考。