基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

支持向量机（SVM）已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测。提出了一种基于鲁棒支持向量回归机RSVR（Robust Support Vector Regression）的中长期负荷预测的新方法。给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法。建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势。     

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。     

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

持向量机(SVM)已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测.提出了一种基于鲁棒支持向量回归机RSVR(Robust Support Vector Regression)的中长期负荷预测的新方法.给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法.建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势.     

基于支持向量机的中长期电力负荷预测

通过探讨多种确定性及非确定性负荷预测方法,将当前少有应用的支持向量机算法引入电力系统负荷预测。介绍了统计学理论,引入了根据该理论提出的支持向量机算法。对支持向量机算法原理进行了介绍,分析了该算法的本质及应用价值。采用回归问题的支持向量回归机ε-SVR算法,给出了将该算法应用于中长期负荷预测的方法。通过算例,验证了该方法的有效性。     

基于混沌优化支持向量机的火电厂NO_x排放量预测

在传统支持向量机的基础上,建立了基于混沌优化算法优化的支持向量机预测模型,提高了支持向量机的预测精度。根据1995~2009年的NOx统计数据,对2010年的NOx排放量进行了预测,验证了预测模型的合理性。     

改进灰狼算法优化支持向量机的网络流量预测

高精度网络流量预测是现代网络智能管理的基础,针对支持向量机在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出了改进灰狼算法优化支持向量机的网络流量预测模型。首先收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理,然后引入改进灰狼算法快速搜索到全局最优支持向量机的相关参数,并根据最优参数对预处理后的网络流量历史数据进行学习,建立能够挖掘网络流量历史数据包含变化规律的预测模型,最后与其他算法优化支持向量机的网络流量预测模型进行了对比分析。结果显示,改进灰狼算法优化支持向量机的网络流量预测精度超过90%,远高于对比模型,且预测建模过程的建模时间少于对比模型,可以满足网络流量管理的高精度和实时性的要求。     

基于支持向量机和粒子群算法的信息网络安全态势复合预测模型

提出一种基于支持向量机和粒子群算法的网络态势复合预测模型。模型使用滑动窗口方法将各原始离散时间监测点的安全态势值构造成部分线性相关的连续时间序列,以其作为安全态势数据样本集对支持向量机加以训练,生成预测模型。在支持向量机训练过程中,利用粒子群算法搜寻支持向量机的最优训练参数,以降低支持向量机参数选择的盲目性,提高预测精度。最后通过基于大量电力企业信息网络现场安全监测数据的实验,验证了复合预测模型的有效性。     

基于BIC与SVRM的变压器油中气体预测模型

基于v-支持向量回归机(v-SVRM)算法建立了变压器油中溶解气体变化预测模型,并引入贝叶斯证据框架对预测模型的参数进行了优化选取.同时,结合预测模型的预测正确率及预测模型的简洁度建立了预测模型的评价机制,并利用改进的贝叶斯信息标准(BIC)作为最终的评价函数量化了评价机制.在实例中与灰色理论预测模型进行了比较,结果表...     

基于支持向量机的电价组合预测模型

对传统的2个线性组合预测模型进行了分析,提出了一个新的线性组合预测模型,该模型不要求权系数和为1,而且权重也可以取负值。同时,为提高精度,提出了支持向量机非线性的组合预测模型,该模型实质上是一个非线性回归模型,利用结构风险最小化原则代替传统的经验风险最小化。该模型充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择径向基核函数的支持向量机进行组合预测。同时给出了解决此问题的基于Matlab的支持向量机工具箱的源程序。以美国加州电力日均价为例,与单一预测方法、线性组合预测进行对比,支持向量机非线性的组合预测方法预测比较精确。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

多电平通用空间矢量调制集成电路及其FPGA实现

提出一种多电平变流器空间矢量控制(space vector modulation,SVM)集成电路(integrated circuit,IC)的设计方法。所提出的多电平SVM IC是建立在参考电压分解的通用多电平SVM算法的基础上,适用于任何电平数目的多电平变流器。采用可编程逻辑门阵列(field-programmable gate array,FPGA)实现所提出的多电平SVM IC。基于FPGA的多电平SVM IC具有高速的处理能力,在数字控制器中专门用于脉冲信号的发生,可解决多电平SVM算法占用数字信号处理器(digital signal processor,DSP)计算资源过多的问题,并可实现较高的开关频率。并且采用所提出的多电平SVM IC可大大加速产品的开发周期。通过在1台9电平级联式变流器上的试验结果对所提出的多电平SVM IC进行验证。     

支持向量机在短期负荷预测中的应用概况

全面总结了支持向量机(SVM)在短期负荷预测中的应用概况,并从SVM的原理出发,对比人工神经网络方法,从本质上阐述了SVM方法在短期负荷预测中应用的优越性.同时针对SVM在应用中存在的问题,包括数据预处理、核函数构造及选取和参数优化的方法,做出分析,并归纳了现行的解决方法.从SVM算法用于负荷预测的机理及提高预测精度和...     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法（MG-CACO）对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM)，与采用经验风险最小化原则（ERM)的传统神经网络方法相比，具有更好的泛化性能和精度，减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题。为了提高负荷预测精度，文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验，结果证明了其在短期负荷预测中的有效性。     

基于模糊控制补偿的支持向量机逆模型控制

支持向量机(SVM)具有很强的非线性逼近能力与泛化能力,文章研究了基于SVM的非线性系统逆模型辨识,并设计了基于模糊控制补偿的SVM逆控制系统.由SVM辨识的逆模型作为前馈控制器,形成直接逆模型控制器.同时,设计模糊控制器构成反馈补偿控制,克服逆模型的建模误差,提高系统鲁棒稳定性.仿真研究表明,SVM具有优良的逆模型辨识能力,基于模糊控制补偿的支持向量机逆控制系统的动态性能好、跟踪精度高、鲁棒稳定性强.     

支持向量机参数优化及其在变压器故障诊断中的应用

支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。     

基于活动面积矢量的SPWM与SVM逆变技术

以三相全桥电路为基本模型,通过分析开关脉冲的本质提出了一种基于活动面积矢量(AAV)的分析方法,并应用该方法揭示了空间矢量调制(SVM)和正弦脉宽调制(SPWM)的根本联系与区别,提出相应改进方法:提高SPWM的直流母线电压利用率,并有效减少SVM的运算量。仿真和实验结果证明基于活动面积矢量的分析方法应用于SPWM-SVM中是可行的,与传统SVM相比,AAV-SVM避免了计算正弦函数非线性运算,大幅度缩短了计算时间,从而缩短了最小采样周期,提高了整个系统的传输带宽。     

基于改进SVM模型的电能质量扰动分类

提出一种改进的支持向量机模型,对电能质量扰动进行分类。支持向量机（SVM）在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢。针对这种情况提出一种改进的SVM模型：将原始训练样本集应用粗糙集理论（RS）去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器。实验表明：这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力。