改进的GM(1,1)模型在城市用水量预测中的应用

针对GM(1,1)模型对原有数据信息利用不充分、模拟序列首项固定不符合最小二乘法要求两个问题,以原始序列与模拟序列差值平方和最小为条件,利用最小二乘法确定了GM(1,1)白化权函数的时间响应函数中的常数,构建了改进的GM(1,1)模型,并应用于宁波市用水量预测中.结果表明,改进的GM(1,1)模型预测精度大幅提高,具有较好的可行性和实用性,可用于预测城市未来用水量.     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。     

系统优化的GM(1,1)模型在大坝位移预测中的应用

针对传统灰色GM(1,1)模型的缺陷,以陈村大坝为例,根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,求得新灰色GM(1,1)预测模型的最优初始值,改进了原GM(1,1)模型的背景值及灰度值,并与传统GM(1,1)模型做了比较.数值仿真结果表明,新模型精度较高,预测效...     

基于社会学习多目标粒子群优化的中长期负荷组合预测方法

精准的负荷预测对提高电网规划水平和准确指导投资具有重要意义。针对经验风险最小化的组合预测模型存在过拟合的缺点,提出了一种基于社会学习多目标粒子群优化算法,并利用偏最小二乘回归模型、支持向量回归模型、灰色预测GM(1,1)模型,引入权重的不确定性函数信息熵来表征期望风险,综合考虑经验风险和期望风险的组合预测模型。仿真结果表明,相比于单一预测模型和其他两种组合预测模型,所提方法具有更高的预测精度,社会学习多目标粒子群优化算法具有更强的全局搜索能力和优化性能。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

边坡变形的非等间隔预测模型探讨

针对传统边坡变形的非等间隔灰色预测模型模拟序列并非指数序列问题,基于灰色差分算法和搜索算法建立模拟结果为指数序列的边坡变形非等间隔预测模型.以链子崖危岩体为例进行预测,结果表明非等间隔预测模型对近似指数增长趋势的边坡变形数据预测精度更高,当建模数据为非等时间间隔时,可代替GM(1,1)模型与其他模型进行组合.     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于最小二乘支持向量机的煤粉着火温度预测分析

针对关系到锅炉经济安全运行的煤着火温度估计难的问题,采用最小二乘支持向量机方法建立煤粉着火温度的预测模型,并和利用PLS以及BP神经网络等方法建立的预测模型进行对比,结果表明,最小二乘支持向量机克服了BP神经网络泛化能力弱以及PLS无法解决的非线性等问题,采用最小二乘支持向量机方法建立的煤粉着火温度模型具有很高的预测精度.     

基于改进FOA-GM(1,1)灰色预测模型的箱涵沉降预测

箱涵沉降变形是多因素共同耦合作用的结果,具有不确定性、灰色性、贫信息性等特点,传统GM(1,1)模型对箱涵沉降变形的预测结果精度较低,因此引入迭代权值和遗传变异思想改进果蝇优化(FOA)算法,以提高其搜索能力和速度。对传统GM(1,1)模型赋值背景值系数d和时间系数λ,利用改进FOA算法进行参数寻优,建立改进FOA-GM(1,1)预测模型。将该预测模型应用于南水北调中段天津干线段箱涵沉降变形预测,结果表明改进模型模拟值与实际沉降值相对误差均在6%以下,明显高于传统模型的精度,说明改进模型不仅对了解箱涵未来沉降变形趋势和实时控制箱涵不均匀沉降具有重要意义,亦为解决水利工程行业其他类似问题提供了参考。     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。     

基于改进的偏最小二乘法的防渗帷幕防渗预测模型研究

针对偏最小二乘回归法含有全部自变量引起的预测误差问题,对偏最小二乘回归法进行了改进,采用主元选择的GA-PLSR法,即引入逐步回归方法中挑选和剔除因子的思想来选择与因变量相关性较强的自变量主元,然后利用偏最小二乘回归法进行建模,再采用遗传算法对其回归系数建立目标函数进行优化,确立最后的拟合模型用于因变量的预测,并通过实例应用,将选择主元的偏最小二乘回归模型、常规的偏最小二乘回归模型及基于主元选择的GA-PLSR模型的预测结果进行比较。结果表明,基于主元选择的GA-PLSR模型的拟合效果较好,且预测精度更高。     

基于风速误差校正和ALO-LSSVM的风电功率预测

风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

一种评判煤灰结渣特性的新方法

针对煤灰结渣特性单一评判指标的预测精度普遍偏低的问题,基于偏最小二乘算法（PLS）和交叉验证理论建立了煤灰结渣特性预测模型,该模型有4个输入变量,即煤灰的软化温度、碱酸比、硅比和硅铝比,1个输出变量,即结渣程度．提出了指标的同向性和异向性的概念,依据所提出的概念对各单一指标对煤灰结渣特性的作用进行了定性分析与讨论,结合拟合方程,给出了煤灰结渣特性的评判依据．通过对测试样本进行检验,结果表明：所提出的PLS预测模型的预测精度远高于单一评判指标的预测精度,所建模型是合理可行的．     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。     

Forecasting model for wind power integrating least squares support vector machine,singular spectrum analysis,deep belief network,and locality‐sensitive hashing

Accurate wind power prediction can alleviate the negative influence on power system caused by the integration of wind farms into grid. In this paper, a novel combination model is proposed with the purpose of enhancing short‐term wind power prediction precision. Singular spectrum analysis is utilized to decompose the original wind power series into the trend component and the fluctuation component. Then least squares support vector machine (LSSVM) is applied to forecast the trend component while deep belief network (DBN) is utilized to predict the fluctuation component. By this means, the performance advantages of LSSVM and DBN can be brought into full play. Moreover, the locality‐sensitive hashing search algorithm is introduced to cluster the nearest training samples to further improve forecasting accuracy. Besides, the effect of LSSVM based on different kernel functions and the number of the nearest samples is investigated. The simulation results show that the normalized root mean square errors of the proposed model based on linear kernel function from 1‐step to 3‐step forecasting are 2.13%, 5.03%, and 7.29%, respectively, which outperforms all the other comparison models. Therefore, it can be concluded that the proposed combination model provides a promising and effective alternative for short‐term wind power prediction.     

基于最小二乘法及信息熵的短期水文预报组合模型的比较

为探讨组合预报中平均加权法的实用性,以三峡流域宜昌站为例,建立了基于最小二乘法和信息熵理论的两种径流组合预报模型,并将组合预报结果与原单一模型的预报结果做了对比,选取具有代表性的预报精度评定指标检验预报精度。结果表明,两种组合预报模型均显著改善了预报精度评定指标,提高了短期水文预报精度,突破了传统单一水文预报模型的局限性,实际应用时可根据预报精度评定的侧重点选择合适的组合预报模型。     

基于专家样本库和最小二乘支持向量机的配电网线损率预测模型

配电网线损率是评价电网企业运营的一项重要经济指标,利用电力运行数据建立线损率模型时建模样本对模型的预测精度具有重要影响。对此,提出了一种基于专家样本库和最小二乘支持向量机(LS-SVM)的线损率计算模型,利用离散粒子群优化算法从台区配电网电力运行数据中寻找包含较大运行状态信息量的样本记录,构建专家样本库,考虑台区配电网的有功供电量、无功供电量、端口电流、居民容量占比、表计数目及气象温度和气象湿度,基于专家样本库采用LS-SVM算法建立配电网线损率预测模型,并利用该模型对0.4kV配电网线损率进行计算验证。结果表明,基于专家样本库建立的线损率模型与普通样本建立的模型相比,具有更高的预测精度。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。