一种基于多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型.该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力.为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络,采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值.仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型.     

基于最小二乘支持向量机的绝缘子等值附盐密度预测

等值附盐密度是确定污秽等级和绘制电网污区分布图的主要依据，而绝缘子污秽在线监测系统主要监测绝缘子表面泄漏电流和环境参数。研究表明，泄漏电流除了和绝缘子表面的污秽状况有关外，还受温度、湿度等环境因素的影响，并且和各因素之间存在着复杂的非线性关系。文中在实验室模拟试验和现场实测数据基础上，利用最小二乘支持向量机，建立了以泄漏电流有效值、泄漏电流脉冲峰值、泄漏电流脉冲频度、环境湿度、温度等五个变量作为输入参数，等值附盐密度作为输出参数的智能预测模型。并通过部分实验数据验证了该方法的可行性。     

最小二乘支持向量机预测绝缘子等值附盐密度

考虑到气象因子条件对绝缘子的等值附盐密度影响复杂,难以建立精确数学模型等问题,提出了一种最小二乘支持向量机的绝缘子在一定的气象因子条件下的等值附盐密度预测新模型。以温度、湿度、风速等主要气象因子为输入,绝缘子等值附盐密度为输出,通过最小二乘支持向量机模型,拟合输入与输出之间的复杂非线性函数关系。以现场采集的气候数据为样本对模型进行学习训练,用训练好模型预测绝缘子在一定气候条件下的等值附盐密度。实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型。     

应用最小二乘支持向量机在线预测绝缘子等值附盐密度

污秽等级评定方法是绝缘子泄漏电流在线监测系统的重要研究内容,等值附盐密度是确定污秽等级的唯一依据,而泄漏电流与绝缘子表面污秽状况密切相关。笔者采用最小二乘支持向量机(LS-SVM)方法,建立以泄漏电流有效值、泄漏电流峰值、脉冲电流次数、环境湿度、温度5个变量作为输入参数,ESDD作为输出参数的智能预测模型。实验结果表明,该方法有效、模型预测精度高,能实现绝缘子表面污秽程度在线评估。     

基于最小二乘支持向量机的复杂气象条件下绝缘子等值附盐密度的预测

以"光传感器输变电设备盐密在线监测系统"提供的数据为依据,建立了一种基于最小二乘支持向量机的智能预测模型,该模型以温度(T)、相对湿度(H)、风速(Wv)、气压(P)、雨量(R)等5个变量为输入参数,等值附盐密度为输出参数,用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束.从而将二次规划问题转变为线性方程组的求解,用最小二乘法实现了支持向量机算法.用网格搜索法对最小二乘支持向量机最优参数进行自动选取,提高了预测的快速性和准确性.仿真结果表明,与BP神经网络预测的结果相比.该模型预测的等值附盐密度更接近实测结果.本文的方法为电网污区分布图的计算提供了一条新的思路.     

用神经网络预测基于气象因素的绝缘子等值附盐密度

利用神经网络建立了温度、湿度、风速等主要气象因素与等值附盐密度之间关系的模型,并进行了现场数据拟合、迭代,验证了直接以气候数据来判断等值密度的可行性、实用性。这一方法不仅简单、有效,而且也为寻找污秽主要成因、提升绝缘子抗污闪能力提供了帮助。     

三峡直流换流站等值附盐密度取值的研究

针对宜昌市大气污染和三峡换流站站址附近污秽状况,结合短峡换流站附近交、直流设备盐密测量和运行经验以及宜昌气候特征,提出了三峡换流站适用的等值附盐密度值,并在此基础上提出了交、直流户外设备外绝缘的有关结构参数。     

一种燃煤质量的综合预测方法

建立了一种新的基于多元线性回归与最小二乘支持向量机(LS-SVM)的燃煤发热量综合预测模型,并给出了建模步骤和具体算法.考虑到燃煤实际发热量与其工业分析组成(水分、灰分和挥发分) 之间的关系,由初步预测子模型和误差修正子模型构成综合模型.用煤样实测发热量与其工业分析组成的原始数据构造训练样本集,用多元线性回归算法对发热量进行初步预测,用LS-SVM修正子模型获得误差补偿量.综合模型最终的预测值为初步预测子模型的输出值加上误差补偿量.实际预测结果表明,这种综合预测方法耗时少,预测效果优于常用方法,具有一定的应用价值.     

基于BP人工神经网络的绝缘子等值附盐密度预测

等值附盐密度是确定污秽等级和绘制电网污区分布图的主要依据,但是,它易受测量用水量的影响,且测量只能在停电状态下进行.通过对3种常用悬式绝缘子进行人工污秽试验,采用BP人工神经网络的方法,建立了以泄漏电流最大值、泄漏电流5个脉冲主成分、环境湿度、温度等8个变量作为输入参数,等值附盐密度作为输出参数的智能预测模型.使用Levenberg-Marquardt快速学习算法对建立的神经网络进行训练.其试验数据验证了该方法的可行性.     

微波辐射计测量绝缘子污秽的LSSVM模型研究

根据物质的辐射能量特性,利用微波辐射计可以测量绝缘子表面污秽的天线温度。绝缘子污秽的主要成分是盐分和灰分,而天线温度和等值附盐密度及等值灰密度有着复杂的非线性关系。为了更精确表达其非线性关系,文章提出了基于粒子算法优化最小二乘支持向量机(LSSVM)的数学模型来描述这种关系。仿真结果表明,利用LSSVM构建的数学模型预测精度很高,且可由模型通过变步长迭代法对绝缘子污秽的等值附盐密度及等值灰密度进行反演,绝缘子污秽的等值附盐密度指标是确定污秽等级和绘制电网污区分布图的主要依据,因此具有很高的工程实际应用价值。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

基于小波分解的风电场短期功率混合预测模型

为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。     

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。     

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。     

基于灰色和神经网络的最优组合预测分析

针对进出口总额数据的非线性,并为了更充分挖掘时间序列所隐含的数据规律,建立了基于灰色预测模型、神经网络算法以及最小方差准则的最优组合预测模型.仿真分析结果显示,最优组合方法能更有效提高非线性时间序列的预测精度.     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘（PLS）对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法（SVM）对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。