萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

基于改进logistic模型法的配电网负荷预测

为了达到“双碳”目标，新开发地区的配电网需要进行目标网架结构规划，目标网架的搭建又离不开准确的负荷预测。常规配电网规划通常以自然增长法和点负荷法求取过渡年负荷增长速度，误差往往较大。本文考虑新开发地区负荷增长规律，先使用空间负荷预测进行饱和负荷预测，然后以空间负荷预测的值作为饱和值，利用logistic法进行近期负荷预测，并运用粒子群算法对logistic的参数进行寻优。最后通过以华东某地区2001年至2020年历史负荷数据与该地区发展规划为分析案例，印证了该预测模型相比于传统模型以及未改进模型的优越性。     

基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测

钢铁企业电力负荷作为电力负荷的重要组成部分,钢铁电力负荷的准确预测对于提高电力负荷预测精度具有重要意义。为了实现钢铁电力负荷的中长期预测,本文选取了经济因素和社会因素作为自变量,引入带有惯性权重的粒子群算法(WPSO)对传统的最小二乘支持向量机智能预测模型(LSSVM)参数进行优化,并利用某地区钢铁电力负荷样本数据进行验证,拟合结果显示,经过粒子群算法优化后的最小二乘智能向量机算法预测精度更高,收敛速度更快,具有良好的推广性和适应性。     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

基于气象因素的供热机组热负荷预测方法的改进

针对"三北"地区供热机组在供暖期按照"以热定电"方式运行,强迫出力大时,供热机组调峰能力降低.拟合供热机组采暖热负荷和室外温度,利用当日气象因素修正室外温度,提高其与采暖热负荷拟合优度R2值.通过MATLAB编程,给往日气象因素对当日室外温度影响赋予合理的权重,进一步提高室外温度与采暖热负荷拟合优度,提高采暖热负荷预测精度.精确预测采暖热负荷是实现供热机组按需供热,预测供热机组调峰范围的前提.     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

基于PSO-动态修正算法的静态负荷模型辨识

采用具有全局寻优能力的微粒群优化（PSO）算法辨识负荷模型的参数;同时考虑负荷电压的变化,用动态修正法实时修正负荷模型的参数,建模仿真分析结果验证了PSO-动态修正算法的有效性和准确性.相对于线性回归分析的动态修正法,该算法能够提高负荷模型的辨识精度,所建模型更适合描述全电压范围下负荷的静态特性.     

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。     

基于交叉验证支持向量回归的供热负荷预测

支持向量回归机(Support Vector Regression,SVR)在供热负荷预测中得到了一些研究,然而模型的拟合度和泛化能力依赖于其相关参数的选取,需要足够的先验信息,寻优过程存在难度.针对上述情况,提出采用交叉验证(Cross Validation,CV)的思想对其中的重要参数(惩罚因子C和RBF核函数参数γ)进行网格划分,在训练集中自动寻找最佳参数,从而得到最佳的训练模型,并用该模型对测试集进行回归预测.以某热源数据进行了实验研究,结果表明:该方法能够快速建立预测模型,有效地预测供热负荷,具有较高的拟合度和较强的泛化能力.     

GA—LSSVM模型在粉煤灰混凝土强度预测中的应用

为了更好地预测粉煤灰混凝土强度,将遗传算法和LSSVM相结合,建立了粉煤灰混凝土强度预测的GA—LSSVM智能模型．该模型既利用了LSSVM求解速度快、易于描述非线性关系的优良特性,又利用了GA强大的全局搜索能力,克服了人工搜索的盲目性,增强了模型的适应性．计算结果表明,该模型的计算精度较好．     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

基于GA-LSSVM深基坑墙体侧斜滚动预测模型研究

针对基坑墙体侧斜数据的小样本和非线性特征,提出一种基于GA-LSSVM模型的基坑墙体侧斜的时间序列滚动预测方法。采用三次样条插值法对基坑墙体侧斜的时间序列进行预处理,运用遗传算法(GA)对最小二乘支持向量机(LSSVM)进行参数寻优,寻找最优参数模型,建立GA-LSSVM时间序列滚动预测模型,预测结果采用相关系数R和均方误差(Mean Squared Error,MSE)进行评价。该方法用于广州某地铁车站基坑墙体侧斜的预测分析,并和未经参数优化的最小二乘支持向量机预测模型进行对比分析,结果表明该预测模型的相关系数高,均方误差小,预测结果较为精准。     

基于多源数据特征融合的球磨机负荷软测量

针对磨矿过程球磨机负荷(ML)难以实时检测,生产中主要依靠人工经验判断负荷状态的难题,依据磨机筒体振动、振声、电流等信号与磨机负荷间存在相关性、信息互补与冗余的现象,提出基于多源数据特征融合的球磨机负荷软测量新方法.该方法由时域滤波、时频转换、特征提取、特征选择及软测量模型5部分组成.采用快速傅里叶变换(FFT)将滤波后的筒体振动及振声时域信号转换成频域信号,根据研磨机理将频域信号划分为低、中、高3个频段,采用核主元分析(KPCA)分别提取各个频段的非线性特征,选择振动、振声频域特征与电流时域特征的融合信号作为模型输入,建立基于最小二乘支持向量机(LSSVM)的磨机负荷软测量模型.实验结果表明,该方法与基于主元分析-最小二乘支持向量机(PCA-LSSVM)方法和单传感器方法相比,磨机负荷参数预测精度较高.     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.