基于小波分解和支持向量机的办公建筑空调负荷预测

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于混沌支持向量回归机的短期空调负荷预测

提出了1种基于混沌分析和支持向量回归机的短期空调负荷预测建模方法。通过研究实际空调负荷序列的混沌特性,确定其混沌特征参数并选取支持向量回归机进行预测。支持向量机建模过程使用粒子群算法进行参数寻优。仿真结果表明,空调负荷序列具有一定的混沌特性,使用混沌支持向量机方法的预测精度比单一支持向量机法预测结果 EEP指标降低了31.4%,预测精度有了明显提升。     

基于PSO-SA优化的LSSVM空调负荷预测

对空调负荷进行准确预测不仅对优化空调控制的意义重大,也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析最小二乘支持向量机建模特点的基础上提出了利用PSO-SA优化的一种空调负荷预测算法。该方法利用粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择,提高模型的精度和泛化能力。通过空调负荷预测建模的结果表明,该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为实现空调系统的优化运行奠定了基础。     

基于模糊信息粒化和支持向量机的空调负荷预测

为提高空调负荷预测精度,预测空调负荷的平均值和波动范围,本文提出了一种基于模糊信息粒化和支持向量机相结合的空调负荷组合预测方法。该方法首先对原始数据模糊信息粒化处理,提取各窗口信息,其次应用支持向量机原理建立模型,采用交叉验证的方法对相应参数进行寻优,最后使用优化支持向量机模型对实测空调负荷进行预测。实例分析结果表明,该预测方法更为精简,可以有效的对空调负荷的平均值和波动范围进行组合预测。     

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于支持向量回归和小波包的供热负荷预澳

通过分析影响热网负荷变化的各种因素，对热负荷数据进行预处理，运用小波包变换对负荷序列进行分解，对各子序列分别建立支持向量回归预测模型，最后通过序列重构，得出预测结果。仿真结果表明，该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

最小二乘支持向量机(LS-SVM)在短期空调负荷预测中的应用

将最小二乘支持向量机(LS-SVM)引入空调负荷预测中,在Fortran软件平台上建立LS-SVM空调负荷预测模型,并将其应用于绵阳一栋办公类建筑的空调负荷预测中。试验表明所提出的方法预测精度较高,运算简单,收敛速度快,具有较强的可行性和实用性。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

混凝土强度预测的两种非线性模型比较研究

混凝土的强度的预测是一个复杂的问题,受多种因素的影响.采用两种先进的非线性算法支持向量机与小波支持向量机,建立 了混凝土强度预测的两种非线性预测方法.研究结果表明:两种方法的预测结果与实测结果吻合较好,小波支持向量机的预测精度较支持向量机精度高,在混凝土的强度预测中具有较好的适应性.     

基于多元非线性回归法的商场空调负荷预测

提出了一种基于多元非线性回归的商场空调负荷预测快速建模方法,采用实际用能系数描述不同时刻商场空调的负荷特性,建立了空调负荷预测模型,在提高预测建模速度的同时很大程度上避免了由于训练样本不完备而导致的预测精度波动。利用广州某商场空调负荷的实测数据进行了仿真实验,得到空调负荷与其影响因素之间的多元非线性拟合方程。揭示各种因素对空调负荷的影响规律,仿真结果验证了该方法的有效性和可行性。     

基于支持向量机的似大地水准面精化研究

本文论述了支持向量机的回归算法,提出了在似大地水准面精化中基于支持向量机的GPS高程异常建模的方法。以实例数据讨论了基于支持向量机的GPS高程异常建模步骤。研究结果表明,该技术无论在历史样本拟合的精度上还是模型的实际预测能力都具有较高的精度,将支持向量机技术应用于似大地水准面精化是可行的和有效的。     

机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

小波网络应用于空调负荷预测

准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是冷热电三联产技术发挥优势的关键所在。本文提出一种小波网络应用于空调负荷的预测模型,通过小波分解,把空调负荷序列分解为不同频段的小波系数序列,再将各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成空调负荷序列的最终预测结果。该预测模型中的低频小波系数a3和中频小波系数d3的神经网络输入变量为前1天小波系数值和对应时刻的温度、相对湿度、风速、总辐射量、天气状况和星期几编码共7个因子,并采用主成分分析法进行输入变量的降维;高频小波系数d2和d1以前几日的小波系数为输入因子。经过对西安市某综合楼的空调负荷进行预测,证明了预测值和实际运行值拟和很好,相对误差为-10%~8%。该预测模型具有预测精度较高、推广能力较强及计算速度较快的优点。     

改进支持向量机在大坝变形预测中的应用研究

支持向量机算法进行建模的过程中,选取合适的核函数以及相关的参数组合是最重要的部分,参数选取的好坏将直接影响到预测结果的精度。本文采用基因表达式编程算法对支持向量机算法进行参数组选取,得到改进支持向量机算法并将其应用于具体工程实例之中。结果表明改进支持向量机大坝变形预测模型比传统支持向量机大坝变形预测模型得出的预测结果的精度提高了近3倍,从而说明基于基因表达式编程的改进支持向量机的预测模型在大坝变形预测中具有良好的预测效果。     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

单层网壳损伤识别理论与试验研究

结构损伤识别可以归结为结构损伤参数的模式识别问题.对结构响应信号进行小波包分解可以获得各频带的信号能量,将此特征向量作为输入,利用支持向量机强大的模式分类功能,可以实现结构的损伤识别.在环境振动下,对1/10比例的单层网壳模型进行损伤识别试验,将不同的杆件沿径向进行相应程度的截面切割用以模拟不同程度的损伤状态.对不同损伤情况的加速度样本进行三层小波包分解,以相应频带的信号能量作为输入建立支持向量机,利用支持向量机对未训练样本的信号能量进行损伤分类.试验结果表明该方法简便准确,验证了小波包和支持向量机方法用于损失识别的有效性.