基于支持向量机的风速预测模型研究

由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性.     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于改进自适应遗传算法的大坝变形支持向量机预测模型

针对支持向量机模型预测大坝变形的核心为选取惩罚因子C和核函数参数σ的问题,以及标准遗传算法可能存在收敛局部小而最后得不到全局最优解、收敛速度慢等缺点,采用改进的自适应遗传算法对参数进行寻优。实例应用表明,与自适应遗传算法的支持向量机模型和统计模型相比,改进的自适应遗传算法的支持向量机模型推广能力和泛化能力更好,从而证明该预测模型具有可行性和实用性。     

基于蚁群优化的最小二乘支持向量机风速预测模型研究

基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。     

支持向量机灰熔点预测模型研究

根据电厂对混煤灰熔点计算的需求,采用支持向量机算法和BP神经网络算法对灰熔点进行了建模和对比研究,灰熔点模型采用灰成分作为输入量,灰熔点(ST)作为输出量,用所建模型对单煤和混煤灰熔点进行预测,然后将预测结果与实验结果进行比较。支持向量机模型对单煤和混煤的预测误差分别为0.57%和1.94%,BP神经网络模型对单煤和混煤的预测误差分别为1.925%和10.43%,结果表明,支持向量机模型对单煤和混煤灰熔点的预测更精确。     

基于最大熵混沌时间序列的支持向量机短期风速预测模型研究

为了提高短期风速预测的精度,减小风力发电接入对电力系统的安全和稳定运行带来的影响,提出基于最大熵混沌时间序列的支持向量机短期风速预测模型。该模型将最大熵原理引入到混沌时间序列样本选择过程中,针对风速混沌时间序列建模,并采用贝叶斯框架下的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型能有效提高短期风速预测的精度。     

基于粒子群的支持向量机在径流预测中的应用

针对中长期水文预报中样本缺乏问题,以大伙房水库月径流预测为例,基于粒子群优化算法寻优选择,构建了粒子群优化算法的支持向量机回归预测模型,并与未优化的预测模型进行比较.结果表明,该模型收敛速度快、推广能力强,预测精度高.     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

基于GA-BP神经网络与LSSVM支持向量机的日用水量组合预测模型

影响城市日用水量的因素众多,供水部门由于缺乏有效的日用水量预测模型,造成了调度过程中严重的水电等资源浪费现象。针对日用水量变化的趋势性和周期性特点,提出了基于GA-BP神经网络与LSSVM支持向量机的组合预测模型,即选择不同影响因素分别输入到两个子模型,可达到最优效果。在对两个子模型的训练过程中,同时获得预测结果的置信概率,利用置信概率结合两子模型的预测结果,建立组合预测模型,并与传统组合模型进行了对比分析。在上海市某区域自来水公司的应用表明,与单项预测模型、传统线性和非线性组合模型相比,该组合模型具有更高的精度和泛化能力。     

基于在线支持向量机的风速预测方法研究

对风速的预测可准确地估计风力发电机组的有效风速,提高风力发电机组的控制能力。本文以风速为研究对象,建立风速模型获取实验样本,提出一种基于在线支持向量机的风速预测方法,并进行实验验证。     

基于小波分析与支持向量机的风速预测

将小波多分辨率分析特点和支持向量机良好的泛化性能相结合,建立小波-支持向量机风速预测模型。先将原始风速序列经小波分解成概貌分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

基于粒子群算法优化支持向量机的 专用工程费用量化研究

针对电力专用工程费用的复杂性且易受各种因素影响的问题,以某地区专用工程数据为基础,参考国内其他地区的收费标准,提出了一种基于粒子群算法优化支持向量机的专用工程费用预测。通过历史的专用工程费用数据样本对支持向量机进行训练,利用训练的模型对专用工程费用进行预测。同时用粒子群优化算法优化支持向量机的关键参数,提高专项工程费用的预测精度。     

基于相空间重构的支持向量机的风电场风速预测

风力发电具有波动性、间歇性和随机性的特点,风力发电的并网给电力系统的安全运行带来了严峻挑战,因此,实现风电场风速的预测具有重要意义。支持向量机是发展比较好的一种常用的风速预测方法,但是由于其输入特征对预测的精度影响比较大,所以特征的选择一直是人们所关注的问题。文章提出采用相空间重构理论对风电场风速进行预测,并通过与使用自然特征作为输入特征的预测方法作比较,验证了基于相空间重构的支持向量机的预测方法的优越性。     

基于混沌相空间重构与支持向量机的风速预测

讨论了基于混沌相空间重构和支持向量机的风速预测。对风速数据的混沌特性进行分析,在此基础上进行相空间重构,采用C-C算法求取嵌入维数m和延时时间τ,确定预测模型的输入维m与样本集;在样本集中,采用粗搜索和细搜索的方法选取预测点的参考点,在进行细搜索的过程中提出相关性分离速率的方法,提高了预测精度。利用支持向量机强大的泛化能力,构造出风速预测回归函数,避免了传统的人工神经网络所存在收敛速度慢、结构选择困难和局部极小点问题。最后采用新西兰某风电场采样周期为10min的风速测量数据进行风速预测,实验结果表明采用Chaos-SVR方法有效降低了风速预测误差,且此方法与神经网络法相比具有更好的泛化能力和更高的预测精度。     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

摘要： 为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSO-LSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

基于粒子群算法最小二乘支持向量机的日前光伏功率预测

准确预测光伏电站输出功率,是促进光伏并网发电,提高电网运行稳定性的主要途径之一.该文提出一种基于粒子群算法最小二乘支持向量机(particle swarm optimization and least squares support vector machine,PSO-LSSVM)的日前光伏功率预测方法,该方法首先利...     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

一种风电场短期风速组合预测模型

为了提高短期风速预测精度,提出一种变权系数的支持向量机组合风速预测模型。选择基于不同核函数的支持向量机作为单项预测模型以保证单项模型之间的差异性,对核参数用粒子群算法寻优选取以保证各单项模型的精确性。组合预测方法采用以预测误差平方和最小为准则的可变加权系数组合预测方法,以计算各单项模型在风速预测不同时刻的权系数。仿真实验表明,所建立的变权组合预测模型在短期风速预测上具有良好的预测效果,预测精度优于各单项模型和固定权系数的组合模型。     

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。     

基于支持向量机的水资源短缺量预测模型及其应用

随着水资源短缺问题的日益突出,利用支持向量机在解决小样本、非线性及高维模式识别问题中的优势,建立了基于支持向量机的水资源短缺影响因子的识别模型和缺水量预测模型,并以北京市为例,对水资源短缺影响因子进行了识别,分析了影响因子的敏感性,进而对北京市未来5年(2014~2018年)的水资源短缺量进行了预测,根据预测结果,为解决北京市水资源短缺问题提出了具体建议。