基于支持向量回归的时间序列预测

该文简要介绍了时间序列预测的研究状况以及支持向量回归的基本原理,将支持向量回归用于对Box-Jenkins煤气炉时间序列的预测,并同其他前馈网络——BP神经网络、自适应特征空间扩张神经网络进行比较,仿真结果表明,BP神经网络和自适应特征空间扩张神经网络在预测性能上比较接近,而支持向量回归在预测性能方面明显优于这两种方法,为进行模型辨识与建模研究奠定基础.文章最后分析了支持向量回归优于BP神经网络和自适应特征空间扩张神经网络的机理.     

采用加速减量策略的快速在线支持向量回归算法

针对在线支持向量同归(online support vector regression,online SVR)算法进行复杂时间序列精确预测时效率较低的问题,提出一种改进减量训练策略的快速预测方法,通过对非支持向量样本的采样选择,采取加速减量训练实现对在线训练数据集规模的缩减,从而达到快速在线训练和预测的目的.将该算法应用于黑龙江移动通信话务量数据的预测中,实验结果表明,在保持Online SVR预测精度的条件下,算法执行效率得到大幅提高.     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果.和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性.仿真结果表明了算法的有效性.     

基于遗传算法优化参数的支持向量机燃煤发热量预测

利用支持向量回归机(SVR)和遗传算法(GA)对煤的低位发热量建模,采用遗传算法对支持向量机预测模型的各项参数进行寻优,为减少所选参数对训练样本的依赖性,引入交叉验证的思想,以推广能力最好的一组参数作为最终参数.将优化参数代入 SVR 模型,得到基于遗传算法的支持向量回归机(GA-SVR)模型.通过对电厂入炉煤的试验数据进行分析,并且与常规 SVR 模型和 BP 神经网络模型(BP-ANN)进行对比,以验证该模型的可靠性和精确性.结果表明,该方法可准确地预测燃煤发热量.     

基于粒子群优化-支持向量回归的变压器绕组温度软测量模型

针对变压器绕组热点温度测量问题,建立一种基于粒子群优化-支持向量回归算法的变压器绕组热点温度软测量模型,并验证此模型的预测效果。利用基于被动聚集的改进粒子群优化(PSO)算法,优化支持向量机的支持向量回归(SVR)模型的参数组合,并且找到其最优解。充分考虑变压器运行的相关因素,对绕组热点温度软测量模型进行训练与学习,实现对难以直接测得的绕组热点温度的预测。通过对某市110kV变压器运行数据的训练和预测结果,并将其与BP神经网络和SVR方法的结果对比,证明所建模型具有较好的预测能力。     

基于小波支持向量机耦合的月径流预测方法

耦合离散小波变换(DWT)与支持向量回归模型(SVR),建立月径流预测的小波支持向量机耦合模型(WSVR)。利用Mallat算法对原始月径流序列分解并重构成不同频率的子序列,以有效子序列作为SVR模型的输入;采用均方根误差(RMSE),平均绝对误差(MAE),确定性系数(DC)和相关系数(R)评价模型预测精度。模型应用于泾河张家山站的月径流预测,结果表明,在验证期耦合模型的RMSE、MAE、DC和R分别为12.5m~3/s、7.74m~3/s、0.87和0.935,明显优于最优支持向量回归模型的相应指标27.9m~3/s、13.4m~3/s、0.34及0.662,说明WSVR耦合模型可以提高支持向量机在月径流预测的精度。     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。     

基于SVR和GA的汽轮机排汽焓在线预测计算

针对汽轮机排汽焓的计算是火电机组热经济性在线分析的难点,提出了采用遗传算法(GA)对基于支持向量回归机(SVR)的预测模型参数进行优化,利用优化后的模型(GA-SVR)对汽轮机排汽焓进行预测研究。以某300 MW汽轮机组为例进行了排汽焓的在线计算,并与常规SVR模型和BP-ANN模型进行对比。结果表明,该方法能够较为准确地在线预测汽轮机排汽焓值,可为火电机组的在线性能监测提供有效的手段。     

基于 RCNN-SVR组合模型短期风电功率预测

提出一种回归卷积神经网络与支持向量回归组合模型 (RCNN-SVR),采用该模型预测短期风力发电功率. 首先搭建了一种回归卷积神经网络 (RCNN)模型;由于 RCNN 存在计算量大的问题,因此利用 RCNN 从数据集中 提取特征因素,并用特征因素训练支持向量回归 (SVR)对风电输出功率进行预测;最后采用某风电场数据集进行验证,结果表明 RCNN-SVR模型比单独使用的传统 RCNN 模型或支持向量机具有更高的准确率.其中,RCNN-SVR 模型的 CV-RMSE、MAE和 MAPE分别为０．０９９８、０．３９２８和０．５４６８,说明 RCNN-SVR模型有效地提高了预测精度 和输出结果的稳定性.     

基于克隆选择算法的支持向量回归实现年用电量预测

建立在统计学习理论(SLT)和结构风险最小化(SRM)准则基础上的支持向量回归(SVR)是处理小样本数据回归问题的有利工具,SVR的参数取值直接影响其学习性能和泛化能力.文中将SVR参数选取看作参数的组合优化问题,采用克隆选择算法(CSA)求解该组合优化问题进而选取SVR参数,并应用基于CSA的SVR求解年电力需求预测问题,同时与BP网络预测方法进行了对比.预测结果表明提出的预测方法不仅易于实现,而且精度较高,且性能明显优于BP网络方法.     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化（social spider optimization,SSO）SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法（adaptive fuzzy C-means clustering）对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法（multi-sample social spider optimization algorithm）对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

时间序列与神经网络法相结合的短期风速预测

利用时间序列－神经网络法研究了短期风速预测。该方法用时间序列模型来选择神经网络的输入变量,选用多层反向传播(back propagation,BP)神经网络和广义回归神经网络(generalized regression neural network,GRNN)分别对采样时间间隔为10 min、20 min和30 min的风速序列进行预测。结果表明,时间序列结合GRNN的方法精度更高,具有一定的实用价值。     

一种混沌神经网络的混沌时间序列预测

混沌是一种普遍存在的非线性动力学行为,针对混沌时间序列预测问题,提出了一种新颖的混沌对角递归神经网络模型,然后,给出了易实现的动量梯度学习算法。为了验证网络的预测性能,采用该神经网络预测模型对Mackey—Glass混沌时间序列进行了仿真。结果表明,所提出的混沌神经神经网络模型能快速、精确地预测混沌时间序列,并能在一定精度上满足多步预测需要,是研究复杂非线性动力系统辨识和控制的一种有效方法。     

时间序列小波神经网络在故障测距中的应用

在小电流接地系统单相接地故障特征分析的基础上,提出了一种基于故障后暂态电气量由时间序列小波神经网络原理来实现的直配线路单相接地故障测距方法。给出了广义的小波神经网络概念,提出了适合暂态时间序列分析的小波神经网络模型并应用于小电流接地系统直配线故障测距。理论及大量的EMTP仿真结果表明此方法是可行的,且具有较好的故障测距性能。     

基于支持向量回归的凝汽器清洁系数时间序列预测

分析了凝汽器水侧污垢形成的机理，得到凝汽器清洁系数随时间变化的基本规律。提出采用支持向量回归时间序列预测法来预测凝汽器清洁系数。简要介绍了支持向量回归的理论基础，建立了凝汽器清洁系数时间序列预测模型，利用某300MW机组的数据，对模型进行了校验，探讨了参数的选择。并同径向基函数神经网络预测模型进行比较，结果表明，支持向量回归模型在预测性能方面明显优于RBF神经网络方法，并且模型具有较好的预测精度和泛化能力，为凝汽器真空降低故障的诊断，奠定了一定的基础。     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。