基于支持向量回归的时间序列预测

该文简要介绍了时间序列预测的研究状况以及支持向量回归的基本原理,将支持向量回归用于对Box-Jenkins煤气炉时间序列的预测,并同其他前馈网络——BP神经网络、自适应特征空间扩张神经网络进行比较,仿真结果表明,BP神经网络和自适应特征空间扩张神经网络在预测性能上比较接近,而支持向量回归在预测性能方面明显优于这两种方法,为进行模型辨识与建模研究奠定基础.文章最后分析了支持向量回归优于BP神经网络和自适应特征空间扩张神经网络的机理.     

基于灰色神经网络的凝汽器水侧清洁系数预测

分别采用灰色模型、神经网络以及串联灰色神经网络对某机组凝汽器水侧清洁系数进行预测.结果表明,串联灰色神经网络模型优于单一预测模型,其预测值更接近真实值,在网络训练过程中实现了误差可控,将该模型用于凝汽器水侧清洁系数的预测可行.在实际应用中,可根据前3个清洗周期某时刻的数据来预测下1个周期该时刻的清洁系数,依据所需的输入参数,即可实现在线预测凝汽器的清洁系数.     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

基于最优权系数的风电功率组合预测方法

风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明:所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

风电场发电功率组合预测方法研究

针对风电场发电功率的短期预测,阐述了组合预测的方法原理。分别建立基于相空间重构的RBF神经网络模型、时间序列模型、支持向量机模型三种单项预测模型,并在此基础上确立加权系数,得到了两个组合预测模型。预测结果显示组合预测较单项预测的效果有了很大的改善,具有实际意义和应用价值。     

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。     

短期风速的Adaboost_GRNN组合预测模型

对风电场风速进行准确预测对于风能的开发利用具有重要意义。为了克服单一预测方法的局限性并进一步提高预测精度,提出了基于Adaboost算法和广义回归神经网络的短期风速组合预测方法。首先,分别采用时间序列法、支持向量机法和神经网络法建立3种风速预测模型;其次,采用广义回归神经网络将这3种单一模型的预测值进行非线性组合;最后,利用Adaboost算法集成多个广义回归神经网络的输出并将其作为高精度的风速预测值。算例测试结果表明,所提组合方法的预测精度高于各个单一模型以及熵权法组合模型和广义回归神经网络组合模型的预测精度。     

基于支持过程向量机的航空发动机排气温度预测

针对航空发动机气路性能衰退主要是由时间累积效应造成的这一问题,为反映航空发动机气路性能参数时间序列中实际存在的时间累积效应,以预测航空发动机气路性能衰退规律,本文从泛函分析的角度出发,提出了一种支持过程向量机模型。并建立了基于支持过程向量机的时间序列预测模型,且以Logistic混沌时间序列预测为例验证了该预测模型的有效性。在此基础上建立了基于支持过程向量机的航空发动机排气温度预测模型,并采用遗传算法进行模型参数的优化选择。通过航空发动机排气温度预测实际应用案例对提出的模型进行了验证,实验结果表明:支持过程向量机预测结果的平均相对误差为2.81%,优于传统支持向量机的预测结果。     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机（RVM）的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机（SVM）模型相比,RVM模型预测精度更高。     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化（social spider optimization,SSO）SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法（adaptive fuzzy C-means clustering）对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法（multi-sample social spider optimization algorithm）对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。     

采用加速减量策略的快速在线支持向量回归算法

针对在线支持向量同归(online support vector regression,online SVR)算法进行复杂时间序列精确预测时效率较低的问题,提出一种改进减量训练策略的快速预测方法,通过对非支持向量样本的采样选择,采取加速减量训练实现对在线训练数据集规模的缩减,从而达到快速在线训练和预测的目的.将该算法应用于黑龙江移动通信话务量数据的预测中,实验结果表明,在保持Online SVR预测精度的条件下,算法执行效率得到大幅提高.     

基于RLS-SVR的光伏并网变流器早期故障预测方法研究

针对光伏并网变流器故障预测问题,提出了基于鲁棒最小二乘-支持向量回归(RLS-SVR)的早期故障预测方法。从系统层面分析了光伏并网变流器脆弱元件退化互相耦合机理及对系统状态特征和早期故障特征选取的影响,进而提出了以特征相对变化量表征变流器状态的电路故障预测方法。为了减小工作条件对特征退化预测的影响,方法首先采用RLS-SVR算法,建立以工作条件为输入、状态特征为输出的无退化拟合RLS-SVR计算模型;然后,根据退化过程中工作条件序列、状态特征量序列,结合变流器无退化RLS-SVR拟合模型,计算特征相对变化量退化序列;最后,根据特征相对变化量序列,再次采用RLS-SVR算法构建特征相对变化量预测模型,以实现故障早期预测。预测方法无需额外增加传感器,具有简单、成本低、预测精度高的优点。最后,以光伏发电单相并网变流器为例进行了实验,结果验证了方法的可行性和有效性。     

基于光滑支持向量回归的汽轮机振动分析

传统的时间序列分析方法如统计和神经网络并不适用于复杂的非线性系统.为此,引入了支持向量回归(SVR)算法用以解决复杂时间序列的预测问题,在Matlab6.5环境下编程实现SVR算法,对汽轮机振动数据进行拟合和预测,并与神经网络方法进行比较.为了降低计算的复杂度,在SVR的基础上,采用光滑化算法,对汽轮机振动时间序列进行预测分析.仿真结果表明,光滑支持向量回归(SSVR)在预测性能方面明显优于神经网络.与SVR相比,SSVR具有更好的收敛速度和精度,适于进行复杂动态系统的时间序列分析.     

基于SVR残差修正的光伏发电功率预测模型

作为一种重要的分布式电源,光伏发电发展迅速且当前部分地区的渗透率不断升高,对区域电网的安全稳定运行造成了严重的影响。光伏功率超短期预测可以为区域电力调度提供必要的数据支撑,促进新能源消纳目标的实现。但是光伏电源自身的波动性特性使光伏功率预测的精度难以提高。鉴于此,本文提出了一种考虑功率修正基于差分自回归移动平均模型(ARIMA)的光伏发电功率预测模型。首先,以光伏电站现场采集的功率时间序列数据建立ARIMA模型进行预测日发电功率的初步预测;其次,利用前一个气象相似日的预测残差数据建立支持向量回归模型对预测日的ARIMA预测残差进行预测;最后,对初步预测结果进行修正。现场实际数据建模证明了本文方法的有效性。#$NL关键词：光伏发电; 功率预测; SVR; ARIMA#$NL中图分类号：TM615     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

风电场短期风速的多变量局域预测法

风电场短期风速的统计预测方法大都基于单变量风速时间序列,预测精度有限,而在多变量预测中选取哪些变量又没有明确的方法。针对此问题,提出一种风电场短期风速的多变量局域预测法,该方法基于相关性原则来筛选多变量时间序列数据并构造多变量相空间,在该相空间中寻找预测状态点的邻域点并建立支持向量回归(support vectorregression,SVR)模型。采用风电场实测数据进行验证,结果表明:在构造相空间时,增加彼此相关程度低的变量数目,能够明显提升局域法的搜索能力,找到与预测点相似程度更高的邻域点并将其用于模型训练;同时结合SVR模型的高维非线性拟合能力,有效地提高了短期风速预测精度。     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于 CEEMDAN 和 SVR 的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对 系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩 余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量 之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因 子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试 验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在 2%以下。