基于误差预测的风速集成学习模型

受风能随机性和预测模型的影响,风速预测时不可避免地会出现误差,通过挖掘误差特性可探索新的风速预测模型,提高预测精度。提出一种基于误差预测的风速集成学习模型。该模型首先采用快速集合经验模态分解来降低风速序列的随机性,其次采用布谷鸟算法优化最小二乘支持向量机对分解得到的各分量分别建立学习预测模型。同时将历史预测误差作为一个新序列,进行建模预测。最后将原序列的风速预测结果和误差序列预测结果进行叠加得到最终风速预测结果。算例结果表明,与传统方法相比,所提集成预测模型具有更好的预测精度,证明了在风速预测中,精细化挖掘预测误差对于提高预测精度的有效作用。     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

基于LSSVM-RSM的边坡可靠度研究

由于岩土体材料复杂多变,边坡稳定的功能函数往往具有高度非线性,常规的二次多项式响应面法(RSM)往往很难对其拟合.对此,利用最小二乘支持向量(LSSVM)的小样本优良的拟合能力,提出了基于LSSVM-RSM的可靠度分析方法对边坡稳定的功能函数进行拟合,并通过网格搜索法优化LSSVM参数,最后通过两个算例进行对比验证.计...     

基于AFSA-LSSVM的位移反分析方法研究

以糯扎渡水电站工程为例,依据LSSVM原理构建了待反演参数与位移的预测模型,采用AFSA优化LSSVM模型参数提出基于AFSA-LSSVM的位移反分析方法,寻求预测位移值与监测位移值最接近的适应值,以获得最真实的待反演参数。结果表明,该方法较PSO-LSSVM能搜索到更优适应值,计算精度高,适用性较强。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法.     

基于LS-SVM的基坑最大水平位移预测模型

基于已施工的基坑工程监测资料,提取对基坑变形影响明显的因素.以基坑变形的各影响因素作为模型输入和基坑的最大水平位移作为输出,建立了LS -SVM预测模型,利用该模型对拟开挖基坑进行了变形预测,并将预测结果与BP神经网络模型预测结果进行了比较.结果表明·该模型预测精度较高,且泛化能力强.     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

基于AP-TS-SVR模型的热电厂工业热负荷预测

工业热负荷预测对保障工业生产过程安全和提高热电厂经济性具有重要意义,然而工业热负荷影响因素众多且有较强的随机性,因而采用常规单一负荷预测方法预测难度较大.建立了一种通过平均比例法将时间序列与支持向量机相结合的AP-TS-SVR混合模型,并对某热电厂工业热负荷进行了预测.结果表明,在预测的72h(3个预测日)中,只有6h...     

基于TLS的非线性GM-AR高边坡变形预测模型及应用

为提高传统GM-AR模型预测精度,提出一种基于整体最小二乘(TLS)的非线性GM-AR变形预测模型。首先利用TLS参数估计的GM(1,1)模型提取变形序列中具有确定性的趋势项,然后再对剔除趋势项后的随机部分建立TLS参数估计的AR预测模型,最后叠加两者的预测结果作为最终的变形预测结果,并以三峡库区某高边坡的变形数据为例对模型进行验证。结果表明,相对于传统最小二乘(LS)参数估计的非线性GM-AR模型及GM(1,1)、AR两个单一模型,基于TLS的非线性GM-AR模型的预测精度更高,可在变形预测中应用。     

基于专家样本库和最小二乘支持向量机的配电网线损率预测模型

配电网线损率是评价电网企业运营的一项重要经济指标,利用电力运行数据建立线损率模型时建模样本对模型的预测精度具有重要影响。对此,提出了一种基于专家样本库和最小二乘支持向量机(LS-SVM)的线损率计算模型,利用离散粒子群优化算法从台区配电网电力运行数据中寻找包含较大运行状态信息量的样本记录,构建专家样本库,考虑台区配电网的有功供电量、无功供电量、端口电流、居民容量占比、表计数目及气象温度和气象湿度,基于专家样本库采用LS-SVM算法建立配电网线损率预测模型,并利用该模型对0.4kV配电网线损率进行计算验证。结果表明,基于专家样本库建立的线损率模型与普通样本建立的模型相比,具有更高的预测精度。     

基于蛙跳算法与卡尔曼滤波的大坝位移预测模型优化

为提高传统大坝位移统计模型的预测能力,引入蛙跳算法和卡尔曼滤波等,基于最小二乘法确定统计模型回归系数,采用蛙跳算法对回归系数进行优化;运用卡尔曼滤波法将回归系数作为状态方程的状态向量,使预测模型能实时反映监测数据的变化。工程算例应用结果表明,基于蛙跳算法与卡尔曼滤波的大坝位移预测优化模型能有效提高统计模型的预测精度,可为大坝位移预测提供参考。     

基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。     

基于LS-SVM的制冷系统故障诊断

为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景.