基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法（MG-CACO）对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法.阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG.CACO)对SVM核函数的参数进行了优化.同时介绍了基于MG.CACO算法的支持向量机技术的设计思想和特点.并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性.     

基于蚁群支持向量机的发电机进相能力建模评估

通过发电机进相运行可有效调节系统运行过电压情况,但发电机进相运行是一个非线性的过程,现有方法难以对发电机进相能力进行精准建模,因此,提出采用蚁群算法优化的支持向量机来对发电机进相能力进行建模评估,可进一步提高支持向量机算法的运行效率和泛化能力。以发电机进相运行时的有功和无功作为支持向量机中数据点集的输入向量,以发电机功角和系统/定子电压作为输出向量进行建模。最后以额定功率为10 MW和300 MW的2台发电机为模型进行试验,通过对比分析试验结果可知,本文提出的蚁群支持向量机具有较强的泛化能力,可较为准确地评估发电机进相能力,有一定的实际工程应用价值。     

基于差分进化算法优化支持向量机的柴油机故障诊断

针对支持向量机核函数参数和惩罚因子的不同取值会影响到柴油机故障分类正确率的问题,提出利用差分进化算法对支持向量机相关参数进行选择优化,并在实际中通过柴油机故障诊断实验证明了该方法能够获得较高的故障分类正确率,而且运行时间较短,即说明该方法具有一定的实用性。     

基于支持向量机的时间序列交叉负荷预报方法

针对电力系统负荷具有拟周期性、非线性、非平稳性和随机性等特点,提出一种支持向量机(support vector machines,SVM)预报模型,并研究它在电力系统短期负荷预报中的应用:通过相空间重构理论,挖掘时间序列数据横向和纵向隐周期性信息,给出了SVM横向和纵向预报样本的构造方法;利用SVM预报方法适应电力系统负荷的非线性;最后,利用SVM时间序列交叉预报方法降低随机因素对负荷预报的影响。算例结果表明,该方法能够揭示负荷的拟周期性、非线性和随机性,且仅采用时间序列交叉就可得到较高的预报精度,便于工程应用。     

基于支持向量机的中长期电力负荷预测

通过探讨多种确定性及非确定性负荷预测方法,将当前少有应用的支持向量机算法引入电力系统负荷预测。介绍了统计学理论,引入了根据该理论提出的支持向量机算法。对支持向量机算法原理进行了介绍,分析了该算法的本质及应用价值。采用回归问题的支持向量回归机ε-SVR算法,给出了将该算法应用于中长期负荷预测的方法。通过算例,验证了该方法的有效性。     

基于遗传支持向量机算法的燃烧状态诊断

针对支持向量机中的参数通常用交叉验证来确定的状况,提出了遗传支持向量机算法,即使用遗传算法来优化支持向量机中的参数并应用在基于火焰图像特征参数的锅炉燃烧状态诊断中.从火焰图像中提取的5个特征量作为支持向量机的输入,3种燃烧状态作为输出,选用径向基核函数,使用遗传算法得到优化参数.实验结果表明,该方法能在较大范围内准确地...     

基于支持向量机的彩色序列图像复原模型更新算法

提出一种用于彩色序列图像复原的模型更新算法,计算退化图像序列各帧的图像质量,统计序列图像质量的方差,以方差差异作为判断准则,选择适当的模型进行复原。该算法扩展了基于支持向量机的彩色图像复原算法。仿真实验中,测试图像采用视频监控和智能交通领域常见的运动模糊进行退化处理。实验结果表明,该算法能有效标记出图像序列中质量发生显著变化的关键帧,复原效率得以提高,同时复原也更有针对性。     

提高支持向量机洪水峰值预报精度研究

本文引入支持向量机算法进行流域洪水预报建模,同时针对训练样本的不平衡性,提出了一种能进行峰值识别的改进支持向量机算法(support Vector Machine with Peak Recognizer,简称SVMPR)。该算法在结构风险最小化准则的目标函数中适当加大峰值样本的权重,从而提高支持向量机洪水预报模型对洪峰的预报精度。分别采用SVM算法和SVMPR算法对沙溪口流域上洋口站建立洪水预报模型,对比分析表明了SVMPR算法的有效性。     

基于支持向量机的中长期日负荷曲线预测

提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。     

基于最小二乘支持向量机的短期负荷预测

针对当今人工智能短期负荷预测方法存在的缺陷,提出了一种最小二乘支持向量机(LS-SVM)短期负荷预测方法,即建立最小二乘支持向量机(LS-SVM)回归模型。在选取该模型训练样本时,为了提高预测精度,采用灰色关联投影法来选取相似日。同时,针对标准粒子群优化算法易陷入局部最优的缺点,提出自适应变异粒子群优化算法来选择最小二乘向量机的参数,从而提高了负荷预测精度,避免了对模型参数的盲目选择。仿真结果分析表明,该方法有效、可行。     

基于支持向量机的电力负荷组合预测模型

给出了一种基于支持向量机(SVM)的组合预测模型,利用各种方法的预测结果作为SVM的输入,实际负荷值作为SVM的输出,并采用LIBSVM算法和径向基核函数对SVM进行训练,训练后的SVM便具有预测能力。最后的仿真结果表明,基于SVM的组合预测模型的预测精度不仅高于任一单一模型,且高于固定权系数组合预测模型。     

基于支持向量机的电价组合预测模型

对传统的2个线性组合预测模型进行了分析,提出了一个新的线性组合预测模型,该模型不要求权系数和为1,而且权重也可以取负值。同时,为提高精度,提出了支持向量机非线性的组合预测模型,该模型实质上是一个非线性回归模型,利用结构风险最小化原则代替传统的经验风险最小化。该模型充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据作为组合预测样本,选择径向基核函数的支持向量机进行组合预测。同时给出了解决此问题的基于Matlab的支持向量机工具箱的源程序。以美国加州电力日均价为例,与单一预测方法、线性组合预测进行对比,支持向量机非线性的组合预测方法预测比较精确。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

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。     

基于负荷细分与SVM技术的电力负荷空间分布预测

提出了一种新颖的电力空间负荷分布预测模型,该方法首先对各类负荷的影响因素进行分析并分别建模预测;而后将选定区域划分成等面积小区,利用主成分分析法对小区空间信息进行处理,从而形成支持向量机的训练样本集;在此基础上用训练好的支持向量机计算待预测区域小区的属性值,并按照各类用地类型排序.根据预测结果,结合待预测区域的整体发展规划,给出待预测区域各类负荷增量;最后,结合各类负荷密度预测值、各类用地发展总量、各类用地发展排序,给出空间负荷预测值.实例验证了本文方法的有效性.     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

基于支持向量机负荷预测应用的探究

理论研究中基于支持向量机的负荷预测的精度已得到了验证,但实际应用中还与其对当地负荷特性的适应性及工作人员对相应软件的应用密切相关,需要进一步验证并解决可能出现的问题。因此,为了将支持向量机预测法应用到新疆电网实际工作中并确保其精度,笔者通过实例将向量机预测法与BP神经网络预测法作了比较,其结果证明了该方法对新疆电网负荷特性具有更好的适应性,同时,重点探讨了在实际应用中出现训练集与预测集存在交集时预测精度与数据重合程度间的非线性关系,并指出预测时需对数据重合程度不同的训练集与预测集的组合进行选择,以确保预测精度。