基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

基于原子稀疏分解和支持向量机的风电功率实时预测研究

准确的超短期风电功率实时预测是实现风能大规模调度的有效手段.针对风电场风电功率实时预测精度低的问题,文中提出了一种基于原子稀疏分解(ASD)理论和支持向量机的预测方法.该方法利用原子稀疏分解算法对风电功率时间序列进行分解,然后对得到的原子分量和残差分量分别进行自预测和支持向量机预测,最后将预测值组合叠加,从而得到最终的预测值.以某风电场的实测风电功率数据为例,进行不同时段的实时预测.结果表明,该方法可以显著提高风电功率的预测精度.     

基于误差修正码的支持向量机大类别分类方法

针对传统的支持向量机大类别分类算法存在的不足，结合支持向量机快速准确的分类性能和误差修正输出码误差修正的特点，提出一种基于误差修正输出码的支持向量机大类别分类方法，分析了误差修正输出码误差修正的原理，提出4种最优误差修正输出码编码方法．并将该方法与传统的支持向量机大类别分类方法“一对多”算法相比较，通过实验研究表明，该方法能有效的提高支持向量机大类别分类器的分类精度，具有良好的分类品质指标。     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于支持向量机的风电短期功率的研究及应用

以风电场功率数据为基础,介绍了支持向量机理论的新应用,讨论了支持向量机算法用于风电场功率数据的具体过程,建立了基于支持向量机的风电场功率数据处理模型．该模型能对风电场功率数据进行有效的分析和处理,能为风电并网的规划、调度、运行和控制提供及时、有效的信息．     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于DBN-Kalman-EC算法的 短期风电功率组合预测

提出一种基于深度置信网络(DBN)和卡尔曼算法(Kalman),结合误差修正算法(EC)的短期风电功率组合预测模型。运用经验模态算法(EMD)将原始风速序列分解,提取其主要特征,降低风速序列突变性;然后利用DBN法,通过构造两种不同的输入输出矩阵,得到pro_1和pro_2两种预测功率、bias_1和bias_2两种预测误差;接着将pro_1作为测量值、bias_1作为测量误差,将pro_2作为观测值、bias_2作为过程误差引入Kalman模型,得到预测结果 pro和预测误差bias;最后利用EC算法对pro和bias进行修正。仿真结果表明,DBN-Kalman-EC模型能有效中和bias_1和bias_2两种误差,降低了预测误差,修正预测值,有效地提高了短期风电功率预测的精度。     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于SVM模型的风电功率预测

为解决因风电机组功率波动产生的调度问题,运用支持向量机法对风电机组功率的输出进行实时预测,结果表明单台机组预测的均方根误差为2.16%,相关系数为77.605 4%,58台机组预测的均方误差为0.7%,相关系数为90.321 4%。说明了风机机组汇聚得越多,机组系统越稳定。最后还探索了进一步提高SVM预测精度的方法。     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

基于风速功率关系带的时间序列法预测研究

在运用时间序列法预测风速及风电功率的基础上,采用分层统计法对16台风电机组的风速功率数据进行统计分析,得出基于实测数据的风速功率关系带,用于提取有效历史功率点,达到提高风电功率预测精度的目的．运用MATLAB软件编程实现预测,并选取合适的误差衡量指标进行误差分析．     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于FILTERSIM算法的风力发电功率预测

由于风力发电受天气条件的影响,所以其输出功率难以预测。将风力发电功率与气象数据依据一定的排列规则整理为三维图像,通过FILTERSIM算法对训练数据图像降维并提取其特征,然后在已知的气象数据组成的验证点集上预测风力发电功率。试验结果与验证数据的对比表明,该方法能有效预测风电的发电功率。     

基于支持向量机的短期风电功率预测

风电场风速及风电机功率预测的准确性对电力系统运行有着重要的意义。基于支持向量机理论,结合江西省某风电场的风速和功率历史数据,建立了支持向量机风速预测模型,预测未来4 h的风速和功率。仿真结果表明:该模型预测的风速和功率平均相对误差分别为6.35%,16.83%,要优于BP神经网络的25.37%,25.43%。     

基于自回归滑动平均模型的风电功率预测

针对风电功率的波动性及不可控性等问题,提出基于自回归滑动平均(ARMA)模型的风电预测方法。基于风速序列的时序性和相关性建立ARMA模型,利用该模型进行风电功率的预测。结合某风电厂的风电数据对该预测模型进行分析和验证,结果表明,提出的基于ARMA模型的风电预测方法能够有效地对风电功率进行预测。