支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

电力变压器故障预测与诊断仿真研究

电力变压器是电力系统的主要设备,对故障准确预测是保证运行安全的前提.研究电力变压器故障诊断问题,针对传统支持向量机参数寻优方法在诊断中往往费时而且得到的参数不一定最优,导致识别精度低,为了提高变压器故障识别精度,提出一种用粒子群优化支持向量机参数(PSO-SVM)的变压器故障诊断方法.在变压器故障诊断过程中,将变压器油中溶解气体作支持向量机输入,故障作为输出,在故障诊断的过程中利用粒子群算法动态调整支持向量机的参数,最后得到优化变压器故障诊断模型.以某地区供电局的变压器故障数据为例进行了仿真,实验结果证明,PSO-SVM的故障诊断识别精度高,是一种有效性、高精度的变压器故障诊断方法,为实际应用提供了依据.     

基于粒子群优化支持向量机的煤矿水位预测模型

支持向量机算法(SVM)具有可靠的全局最优性和良好的泛化能力,适用于有限样本的学习,而该算法的成功与否很大程度上取决于其参数的选择,而常规经验选取方法往往不能获得满意效果。利用粒子群算法(PSO)随机搜索策略对支持向量机参数进行优选,建立基于粒子群算法参数优化的支持向量机模型(PSO-SVM)。仿真结果表明,该优化模型比传统的人工神经网络(BP)模拟效果要好,在拟合精度方面有很大的提高,且具有较好的泛化能力。     

电网可靠性评估的PSO-SVR评估模型

城市电网结构复杂,数据量大是电网可靠性评估的难点,导致了传统的电网可靠性评估方法难以有效评估.为提高评估的精度和效率,提出一种基于粒子群支持向量回归法的电网可靠性评估的新方法解决电网可靠性评估的问题,采用供电可靠率作为评估指标,粒子群支持向量回归法能克服传统的人工神经网络可靠性评估方法易陷人局部极值.采用电网可靠性评估特征参数与评估指标,确定评估模型结构,再用粒子群优化算法优化支持向量回归模型参数.仿真结果表明,粒子群支持向量回归法可靠性评估精度高于人工神经网络.证明粒子群支持向量回归的电网可靠性评估方法具有更好的应用价值.     

基于PSO和SVM的发酵过程建模与优化控制

针对微生物发酵过程的建模与优化控制问题,利用支持向量机理论进行发酵过程的建模,并提出采用粒子群优化算法对支持向量机建模过程中的重要参数进行优化调整.仿真结果表明参数优化调整后得到的模型能取得更好的预测效果.同时基于此模型,在补料分批发酵控制过程中采用粒子群优化算法对补料速率进行优化控制,仿真结果表明,该方法能够提高最终的产物合成量.     

基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于PSO与LS—SVM的飞机总体设计的综合论证

研究小样本数据对飞机武器系统的设计和改型方案是航空系统工程的重要内容。针对提高设计的进度和质量问题,利用粒子群优化算法的群体智能优化理论与最小二乘回归支持向量机的回归思想,提出了一种基于粒子群算法与最小二乘回归支持向量机的飞机设计综合智能论证模型。提出应用粒子群算法对支持向量机核函数参数进行寻优,再利用优化的核函数参数支持向量机回归模型,建立映射模型来对飞机的作战效能进行预测。仿真实例验证了方法的适用性和结果的可靠性。     

一种基于累加PSO-SVM的网络安全态势预测模型

在网络安全态势感知系统中,态势预测是关键的环节.为了保证及提高态势预测的精度,结合粒子群算法的寻优性能好和支持向量机的预测准确的优势,提出了一种在数据累加预处理基础上的PSO-SVM预测模型.此模型利用将原始序列累加,弱化了原始序列中的不规则扰动影响,增强了序列的规律性的特点,与粒子群优化支持向量机(PSO-SW)相结合,更好地发挥预测精度高的优势,更能保证预测精度.通过仿真实验检验此模型的有效性,并与PSO-SVM预测模型的结果进行对比,验证了其预测精度的优越性.     

基于PSO-SVR的岩质边坡稳定性评价模型

针对边坡稳定性影响因素的复杂性,提出了基于粒子群算法（PSO）和支持向量回归（SVR）的边坡稳定性评价模型。该模型利用粒子群算法快速全局优化的特点和支持向量回归机对小样本数据的良好学习能力,建立了岩质边坡稳定性与其影响因素之间的非线性关系。仿真实验表明,该方法具有比BP神经网络和自适应模糊推理系统（ANFIS）方法更好的预测精度。     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.