基于CEEMD-SSA-SVM的短期光伏发电功率预测

针对光伏发电功率随机波动性导致预测难度大这一问题,采用改进的经验模态分解(CEEMD)对原始光伏发电功率数据进行分解,得到不同尺度的模态分量;然后引入麻雀搜索算法(SSA)对支持向量机(SVM)进行优化,建立不同尺度模态分量的预测模型;最后将各预测值叠加得到最终的光伏发电功率预测值。仿真结果表明,所提CEEMD-SSA-SVM光伏发电功率预测方法在保证原始光伏发电功率序列经CEEMD处理后具有较小重构误差的前提下,极大地提高了预测精准度。     

基于PSO和GA混合优化SVM的水质评价

科学地评价水质可以更好地反映水体质量变化,从而加强水资源污染的防治,而分类方法与模型参数的选取对于水质评价的准确度尤为重要。传统支持向量机SVM对模型参数的选择具有盲目性,为了提高模型分类的准确度,采用基于粒子群优化PSO和遗传算法GA的混合算法HPSOCS对支持向量机中的参数进行优化,选取菏泽市水体污染物监测数据,构建了基于HPSOCS-SVM算法的水质评价模型。实验结果表明,优化后的SVM提高了水质分类的准确度,可广泛应用于水体质量的评估,为水资源的防控治理提供科学的理论依据。     

基于模型预测控制的多源自动发电控制系统及运行优化

根据火电站、风电场和光伏电站的动态响应特性,搭建了基于模型预测控制的多源自动发电控制系统模型,并利用粒子群优化算法优化区域内系统的动态响应调节性能。案例分析表明,与优化前相比,多源自动发电控制系统模型能提高系统的动态响应能力,减少区域控制总偏差,减少区域“弃风”、“弃光”,让风光新能源充分发挥调节潜力。     

基于云计算和智能优化SVR的光伏发电功率预测

为提高光伏发电功率的预测精度,针对支持向量机回归(Support Vector Regression,SVR)模型的预测结果易受其惩罚系数C、敏感损失函数的最大误差系数ε和核函数g影响的问题,提出一种基于新型智能算法-蝗虫算法优化SVR模型参数的光伏发电功率预测模型。由于光伏发电功率数据存在随机性和间隙性的特征,Multi-Agent和分布式思想被引入蝗虫算法优化SVR模型,通过将云计算的MapReduce框架和GOA-SVR结合,提出一种基于MapReduce和GOA-SVR并行化的光伏发电功率预测模型(MapReduce and GOA-SVR,MR-GOA-SVR),从而提高海量高维光伏发电数据的处理能力。将影响光伏输出功率的11个气象因素作为GOA-SVR的输入向量,光伏输出功率作为GOA-SVR的输出向量,建立GOA-SVR的光伏发电功率预测模型。研究结果表明:MR-GOA-SVR可以有效提高不同天气类型下的光伏发电功率的预测精度,具有很强的现实性和指导意义。与PSO-SVR、GA-SVR、GOA-SVR和SVR相比,MR-GOA-SVR在晴天、阴天和雨天均可以提高预测精度,且具有优异的并行性能。     

基于改进支持向量机模型的开都河年径流量预测

针对回归支持向量机(SVR)惩罚因子C和核函数参数g的选取对模型性能有着关键性影响以及在实际应用中存在参数选取等困难,提出基于启发式算法的PSO-SVR和GA-SVR年径流预测模型,以新疆开都河大山口水文站年径流预测为例进行实例研究。首先,利用DPS软件选取年径流影响因子,确定输入向量;其次,基于粒子群算法(PSO)、遗传算法(GA)基本原理,采用PSO、GA优化SVR惩罚因子C和核函数参数g,构建PSO-SVR和GA-SVR年径流预测模型,并构建基于网格划分(GS)与交叉验证(CV)算法相结合的GS-SVR模型作为对比模型。最后,利用所构建的模型对实例进行预测分析。结果表明:PSO-SVR和GA-SVR模型对开都河1996—2012年径流预测的平均相对误差绝对值分别为2.65%、3.22%,平均绝对误差分别为1.055亿m3和1.291亿m3,预测精度和泛化能力均优于GS-SVR模型,表明PSO和GA能有效对SVR惩罚因子C和核函数参数g进行优化,具有预测精度高、泛化能力强以及稳健性能好的特点。相对而言,PSO-SVR模型性能略优于GA-SVR模型。     

基于PSO-SVR模型的供水系统余氯预测研究

支持向量机回归(SVR)模型在非线性预测方面具有优良性能,基于该模型对供水系统余氯变化过程进行预测,并采用二阶振荡粒子群优化算法(SOPSO)对SVR模型参数进行优化调整,以提高小样本状态下模型的模拟精度,增强模型的泛化性能。将优化后的SVR模型应用于某供水系统余氯预测,结果表明:在有限样本状态下,优化后的SVR模型的预测平均误差小,明显优于BP神经网络模型和ARX模型,并具有较强的稳健性。该预测模型能较好地解决传统模型在小样本状态下余氯预测精度不高、预测效果较差的问题,为研究供水系统余氯变化过程及动态预测提供了新的途径。     

基于PSO-SVM的水工隧洞施工成本预测

为了对水工隧洞工程施工成本进行精确预测,从工程、环境、市场以及管理4个方面分析了水工隧洞施工成本影响因素,构建了水工隧洞施工成本影响因素量化方法.采用粒子群算法(PSO)优化支持向量机(SVM)模型中的惩罚因子C和核函数参数g,建立基于PSO-SVM的水工隧洞施工成本预测模型.对比SVM模型的预测结果发现,PSO-SV...     

甘肃光伏发电装机破百万

近日,随着中利腾晖嘉峪关100兆瓦光伏电站并网,甘肃太阳能光伏发电站并网,甘肃太阳能光伏发电装机容量突破百万大关,达到105万千瓦,占系统总装机的3.5%。标志着甘肃成为全国仅次于青海的光伏发电容量第二大省。在甘肃,光伏发电已成为继风力发电之后迅速崛起的又一重要电源形式。截至目前,甘肃省已实现并网光伏电站37座,装机达到105万千瓦。按照《甘肃省"十二五"新能源和可再生能源发展规划》,预计今后两年内,到2015年底,甘肃光伏     

混合智能算法在需水预测模型中的应用

针对需水预测过程中传统预测方法及单一智能优化算法预测精度低的问题,研究了粒子群算法和遗传算法混合运用在优化需水预测模型中的优越性,建立了基于混合智能算法优化LS-SVM的需水预测模型。实例应用表明,该模型拟合精度较高,预测结果较合理,具有一定的先进性。     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。     

基于BP神经网络的光伏发电功率预测模型研究

光伏发电功率预测对提高光伏发电并网系统调度质量有重要意义.通过建立基于BP神经网络的光伏发电预测模型,并创新性地提出将光伏组件环境清洁度作为模型输入因子,对光伏电站发电功率进行预测.采用新疆电力科学研究院光伏发电系统作为算例验证平台,证明了模型的有效性.     

察尔森水库开发太阳能光伏发电系统的探讨

1太阳能光伏发电系统特点及组成 太阳能光伏发电技术是一种清洁的可再生能源,是传统化石能源的最为重要替代能源之一,不产生任何有害气体和有害物质,因此是绿色环保能源。具有以下特点：没有转动部件,不产生噪声;没有空气污染,不排放废水;没有燃烧过程,不需要燃料;维护保养简单,维护费用低;运行可靠,稳定性好;关键部件的太阳能电池使用寿命长,晶体硅太阳能电池寿命可达25年以上;易增容,根据需要很容易扩大发电规模。     

自适应变异粒子群算法与支持向量机在农业用水预测中的应用

为提高农业用水预测精度以及改善基本粒子群算法(PSO)的收敛性能,提出基于自适应变异(Adaptive Variation,AV)算法改进的PSO-SVR多元变量农业用水预测模型,以2000-2011年全国农业用水量预测为例进行实例研究。首先,选用3个典型函数测试AVPSO算法性能,并与基本PSO算法比较;其次选取粮食作物播种面积、水灾成灾面积等4个指标作为农业用水预测的影响因子,采用AVPSO算法优化SVR惩罚因子C和核函数参数g,构建AVPSO-SVR农业用水预测模型,并构建基本PSO-SVR、GA-SVR、GA-BP和传统BP模型作为对比模型;最后,利用实例前8年和后4年资料分别对各模型进行训练和预测。结果表明:1AVPSO算法的全局搜索能力有了明显提高,有效避免了早熟收敛问题。2AVPSO-SVR模型对实例后4年农业用水量预测的平均相对误差绝对值和最大相对误差绝对值分别为0.48%、0.78%,预测精度及泛化能力均优于PSO-SVR、GA-SVR、GA-BP和传统BP模型,AVPSO算法能有效对SVR惩罚因子C和核函数参数g进行寻优。     

基于GA参数优选的ε-SVR地下水位预测方法

选择径向基核函数建立地下水位ε-SVR预测模型,基于遗传算法实现惩罚因子C、核函数参数γ和不敏感损失函数参数ε的自适应优选,并运用建立的模型对某地傍河试验井地下水位进行预测.结果表明:基于GA参数优选的ε-SVR模型对训练样本的拟合误差平方和仅为0.0022,回归系数达到0.9933,检验样本拟合结果平均相对误差仅为1...     

基于改进PSO算法和SVM的大坝监控模型研究

针对传统大坝安全变形预警监控模型对缺失数据敏感、精度易受其它因素影响的特点,提出了一种利用粒子群算法与支持向量机相结合的建模方法。即通过粒子群算法对支持向量机模型的参数进行寻优,同时改进了惯性权重因子与学习因子,并引入参数收敛程度,有效地解决了粒子群算法存在的早熟收敛问题,提高了全局收敛能力。阐述了模型建立的算法步骤,并利用某水电站观测数据进行了验证。结果表明,相对于传统优化算法,改进的PSO-SVM模型在大坝安全变形监控上具有很大的优越性,而且也扩展了粒子群算法的应用范围。      

提高风力和光伏发电质量的探索

近年来利用风力发电与太阳能发电已成为人类发展新能源的方向,它们正在逐步为人类所利用。但是这两项能源有一个共同致命的缺点那就是无法储存或储存成本极高。它在电网中只能占很小的比例,人们往往称它们为＂垃圾电＂。如何将这部分＂垃圾电＂用较低的造价转换为＂优质电＂,是人们要探索的目的。     

基于粒子群优化支持向量机的径流预测模型研究

径流预测的精度关系到研究地区的水资源开发利用.为了提高径流预测的精度,将基于统计学理论的模式识别方法支持向量机引入到径流预测模型中.支持向量机中有2个参数惩罚因子C和核参数,这2个参数的选择对支持向量机的模型结构有重要的影响.为了准确地找到支持向量机的参数,将全局寻优的粒子群算法引入到支持向量机的2个参数优化中来.实例研究表明,粒子群优化支持向量机模型能够提高径流预测的精度.     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,该文提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明:该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于 PSO-SVR 的丹江口年径流预报

目前应用于丹江口水库年径流预报的方法主要为物理统计和人工神经网络(ANN)等方法,但这些方法普遍存在预报精度不高和稳定性不强等缺点。选择回归支持向量机(SVR)模型应用于丹江口水库年径流预报,针对惩罚系数C、核参数σ和不敏感损失系数ε三个参数在实际赋值过程中存在计算量大、难以得到最优值等问题,将粒子群优化算法(PSO)加入到SVR模型中,建立PSO-SVR模型,实现了参数的自动优选。结果表明,PSO-SVR模型较之SVR模型,提高了预报精度;较之ANN模型,稳定性更强,可信度更高。该模型具有较好的应用价值,可为南水北调中线工程调度方案制定提供一定的参考依据。