基于DA聚类的多支持向量机负荷预测

针对负荷序列是有噪声的非平稳时间序列的问题,首先利用确定性退火聚类方法(DA)对负荷数据进行全局最优分类。分类考虑了负荷、温度及温度变化等各种因素的影响。然后对分类后的每一个子序列建立相匹配的支持向量机模型进行预测。用所提出的方法对负荷数据进行建模预测,用所得结果同单个支持向量机预测结果进行比较,表明了该方法能改善预测精度,提高学习速度。     

支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

基于遗传算法的加权支持向量机的短期电力负荷预测

建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的支持向量机（SVM）在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于电力负荷预测可以获得很好的效果,但是传统SVM回归预测算法对于不同的样本均采用相同的参数,无法体现各样本的重要程度的区别,而且将支持向量机理论应用于实际中也存在对样本数据进行特征选择和对支持向量机模型参数进行选择的问题。因此提出了将遗传算法应用于短期的电力负荷预测中来对加权支持向量机模型进行特征选择和模型参数确定。     

基于相空间重构理论的电力负荷预测

研究电力负荷预测问题。针对电力负荷既受非线性变量的影响又受自身混沌性质的影响,单一预测方法无法同时完善地映射其复杂关系,导致预测精度较低。为进一步提高电力负荷预测准确度,融合相空间重构理论与支持向量机,提出了一种人工智能的新电力负荷预测方法(PSR-SVM)。首先以对数线性平稳法对初始电力负荷数据进行去趋势处理。然后基于粒子群算法对相空间重构参数与支持向量机参数进行同步优化,以最优延迟时间τ和嵌入维m进行电力负荷序列相空间重构,并以支持向量机及其最优参数构建非线性电力负荷预测模型。最后以某电力公司1978～1998的电力负荷进行仿真,结果表明,新模型预测精度明显高于参比模型,是一种高精度、可行的电力负荷预测方法。     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

基于GA和SVM的电力负荷预测方法研究

提出一种基于支持向量机(SVM)技术和遗传算法优化技术(GA)的电力系统短期负荷预测算法。以历史数据、气象因素和日历因素等作为输入,建立预测模型,对未来1个小时的电力负荷值进行预测。该模型采用结构风险最小化原则替代传统的经验风险最小化,以充分提炼出原始数据和其它数据的一些信息,并采用遗传算法对支持向量机中的参数进行优化来提高预测模型的预测能力和训练速度,并具有良好的泛化能力。实验表明,使用上述方法进行短期电力负荷预测,具有良好的有效性和可行性,与BP网络法预测的结果相比具有更好的精度和较强的鲁棒性。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

基于离散Fréchet距离和SVM的短期负荷预测

针对支持向量机在电力系统短期负荷预测中,预测模型的精度易受训练样本数据的影响,且训练时间长的问题,本文提出1种基于离散Frechet距离和支持向量机相结合的预测方法,通过建立离散曲线相似性的数学模型,找出与基准日负荷曲线形状相似的历史日负荷曲线,以相似日的负荷数据及相应的气温、星期类型等影响因素作为训练样本对支持向量机进行训练,有效地减少了训练数据量,使得训练样本更具针对性。采用East-SlovakiaPowerDistributionCompany提供的负荷数据对提出的模型进行验证,并与标准支持向量机的预测结果对比,本文的方法能够科学合理地选取相似日,提高了支持向量机短期负荷预测的精度。     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.     

Financial forecasting using ANFIS networks with Quantum-behaved Particle Swarm Optimization

To be successful in financial market trading it is necessary to correctly predict future market trends. Most professional traders use technical analysis to forecast future market prices. In this paper, we present a new hybrid intelligent method to forecast financial time series, especially for the Foreign Exchange Market (FX). To emulate the way real traders make predictions, this method uses both historical market data and chart patterns to forecast market trends. First, wavelet full decomposition of time series analysis was used as an Adaptive Network-based Fuzzy Inference System (ANFIS) input data for forecasting future market prices. Also, Quantum-behaved Particle Swarm Optimization (QPSO) for tuning the ANFIS membership functions has been used. The second part of this paper proposes a novel hybrid Dynamic Time Warping (DTW)-Wavelet Transform (WT) method for automatic pattern extraction. The results indicate that the presented hybrid method is a very useful and effective one for financial price forecasting and financial pattern extraction.     

基于粒子群优化的Wv-SVM燃气负荷预测

针对传统预测模型精度不高的问题,提出基于小波核支持向量机的复合预测模型。采用小波分析提取燃气负荷相关的特征值,通过粒子群优化算法确定小波核支持向量机的参数,利用支持向量机(SVM)解决非线性回归和时间序列问题。实验结果证明,该预测模型的预测精度比BP神经网络和传统高斯核SVM高。     

基于EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%, 1.866%, 1.191%,0.026%, 1.559%, 0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.     

基于复解析子波变换（CAWT）的汉语语音谱图

复解析子波变换（CAWT）紧密地将希尔伯特变换（HT）与子波变换（WT）结合在一起,在信号分析处理方面具有良好的表现。本文将复解析子波复换应用于汉语语的谱分析中,实验结果表明,文中所构造的复子波语音谱图可以清晰地表征汉语语音的动态谱结构,谱图中的语音形态为进一步的语音识别提供了一种新的途径。     

语音信号包络提取与汉语音节包络头分析

复解析子小波变换（CAWT）将希尔伯特变换（HT）与子波变换（WT）紧密地结合在一起,在信号处理方面具有良好的表现。本文将复解析子波变换应用于语音信号的包络提取中,数字仿真结果表明,该方法优于传统的希尔伯特变换法,音节包络头的发现为声韵分割和音节识别提供了一种新的依据。     

小波及混沌学习神经网络在短期电力负荷预测中的应用

该文提出了采用小波和神经网络混合模型进行电力系统短期负荷预测方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列。然后,根据分解后的各个分量的特点构造不同的神经网络模型对各分量分别进行预测。神经网络算法采用混沌学习算法,与传统BP算法相比,该算法利用混沌轨道的游动性使系统能够跳出局域极值的束缚而寻求全局最优点,这样克服了BP学习算法所存在的本质问题,可以加快网络学习速度和提高学习精度。最后对各分量预测信号进行重构得到最终预测结果。在构建网络模型时,该文考虑了气候因素的影响,并把它作为网络的一组输入点。实验结果表明基于这一方法的负荷预测系统具有较好的精度及稳定性。     

基于三维小波变换的视频散列算法

针对视频水印系统的安全性问题,提出一种基于三维小波变换的视频散列算法。该算法对预处理后的三维视频序列依次进行行方向一维小波变换、列方向一维小波变换和时间方向一维小波变换,完成视频序列的一层三维离散小波变换,并给出散列计算结果。仿真实验证明,该算法对帧内像素移动攻击及随机帧抖动攻击具有较强的鲁棒性。     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机（SVM）核方法和小波框架理论，提出了一种称为小波支持向量机（Wavelet Support Vector Machines, WSVM）的新的机器学习方法，并把这种方法应用于组合预测，得到了一种基于WSVM的非线性组合预测新模型，然后给出了此模型的结构设计和实现算法．通过仿真实验，把该方法与小波神经网络等方法相比较，得到了更好的实验结果，从而验证了该方法的正确性和有效性．     

A new hybrid Modified Firefly Algorithm and Support Vector Regression model for accurate Short Term Load Forecasting

Precise forecast of the electrical load plays a highly significant role in the electricity industry and market. It provides economic operations and effective future plans for the utilities and power system operators. Due to the intermittent and uncertain characteristic of the electrical load, many research studies have been directed to nonlinear prediction methods. In this paper, a hybrid prediction algorithm comprised of Support Vector Regression (SVR) and Modified Firefly Algorithm (MFA) is proposed to provide the short term electrical load forecast. The SVR models utilize the nonlinear mapping feature to deal with nonlinear regressions. However, such models suffer from a methodical algorithm for obtaining the appropriate model parameters. Therefore, in the proposed method the MFA is employed to obtain the SVR parameters accurately and effectively. In order to evaluate the efficiency of the proposed methodology, it is applied to the electrical load demand in Fars, Iran. The obtained results are compared with those obtained from the ARMA model, ANN, SVR-GA, SVR-HBMO, SVR-PSO and SVR-FA. The experimental results affirm that the proposed algorithm outperforms other techniques.