不同机器学习模型对混凝土坝位移预测性能的影响

针对机器学习模型的合理选择问题,基于Gauss、Linear和Sigmoid核函数,对某拱坝径向位移利用支持向量机、关联向量机、极限学习机和传统多元线性回归法分别建立预测模型,并对比分析拟合均方差、复相关系数、最大绝对误差和预测置信带宽等模型性能评价指标.结果 表明,机器学习模型的性能整体优于多元线性回归模型,但受核函...     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

基于ARIMA-SVM组合模型的光功率趋势预测新方法

针对电力通信系统光纤线路未来状态趋势预测问题,提出一种基于自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)-支持向量机(Support Vector Machine,SVM)组合模型的光功率趋势预测法。根据光功率数据的非线性和时变性特点,首先利用小波变换将其分解并重构,然后设计一种基于混合核函数的SVM预测模型,对重构后的数据分别构建ARIMA模型与基于混合核函数的SVM模型并预测,最后组合2种模型的预测结果实现光功率趋势预测。分别采用ARIMA模型、径向基函数(Radical Basis Function,RBF)模型、SVM模型、ARIMA-RBF模型与该模型进行实验并对比,结果表明,基于混合核函数的ARIMA-SVM组合模型对光功率趋势预测最为准确,其预测精度及计算速度都有了显著提高,为未来光功率趋势发展提供了一种有效可行的预测新方法。     

基于小世界优化的风电功率变权组合预测模型

提出一种新型的基于小世界优化的支持向量机与灰色预测变权组合风电功率预测模型。该模型发挥小世界优化算法避免陷入局部极小、快速收敛等优势,对组合权重系数进行移动样本自适应变权求解,同时,支持向量机采用实数编码小世界算法(R-SWOA)进行回归估计,构成支持向量机改进算法(RSWO-SVM)。利用江苏某风场数据对风电机组输出功率的超短期实时滚动功率预测进行研究,分别预测未来10 min、30 min和1 h的功率值。预测结果表明,无论哪个时间尺度,该文变权组合模型的预测精度均明显高于各单项、等权平均和最小方差固定权系数组合预测方法,预测误差大幅降低。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于支持向量回归机的汽轮机转子应力修正系数模型

提出了基于支持向量回归机的汽轮机转子应力修正系数预测方法.介绍了支持向量回归算法及其参数选择,并将该算法应用于某600 Mw汽轮机高中压转子应力修正系数的建模计算,同时与径向基神经网络模型所预测的结果进行了对比,结果表明:基于支持向量回归机的计算模型可以对转子的应力修正系数进行准确估算,具有更好的计算精度和泛化性能.     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

基于H-P滤波预测技术的年用电量预测模型研究

针对电力市场预测电力负荷受众多因素影响及各类预测模型模拟预测误差较大的问题,为提高负荷预测精度,基于H-P滤波预测法将等维信息法、指数回归模型及分布滞后回归模型引入年用电量预测中,通过双层预测降低预测误差,并结合实例比较。对比结果,滤波滞后回归模型的预测综合得分高于滤波指数回归模型。     

基于支持向量回归机的车辆排气噪声品质预测分析

通过对比较法测试得到34种车辆噪声的满意度评价,应用支持向量回归机建立车辆噪声声音品质之间的预测模型,对排气噪声的满意度进行了预测,在相同的训练与测试样本集下,与多元线性回归模型预测结果进行了对比。结果表明:向量回归机回归模型预测值更接近实测值,具有更小的预测误差,更强的泛化能力。采用向量回归机模型构建的车辆排气噪声主观评价预测模型可以获得理想的样本满意度测试结果,平均预测误差不超过8%,最大只有7.36%,小于2%的样本是4个,其余样本介于3%～6%范围内,比较接近。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于支持向量机的风速预测模型研究

由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性.     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。     

基于GA-BP神经网络与LSSVM支持向量机的日用水量组合预测模型

影响城市日用水量的因素众多,供水部门由于缺乏有效的日用水量预测模型,造成了调度过程中严重的水电等资源浪费现象。针对日用水量变化的趋势性和周期性特点,提出了基于GA-BP神经网络与LSSVM支持向量机的组合预测模型,即选择不同影响因素分别输入到两个子模型,可达到最优效果。在对两个子模型的训练过程中,同时获得预测结果的置信概率,利用置信概率结合两子模型的预测结果,建立组合预测模型,并与传统组合模型进行了对比分析。在上海市某区域自来水公司的应用表明,与单项预测模型、传统线性和非线性组合模型相比,该组合模型具有更高的精度和泛化能力。     

基于支持向量机和BP神经网络的燃煤锅炉NO_x排放预测

基于某660 MW燃煤锅炉运行时的热态实验数据,应用BP神经网络方法和支持向量机回归的方法对该燃煤电站锅炉NO_x排放特性分别进行建模,针对BP神经网络存在的问题,采用动量法对其进行改进,而对SVM预测模型进行了核函数及相应参数c和g进行了选优。两种模型仿真结果的平均相对误差为2.75%和1.37%,证明模型的准确性和泛化能力比较好。引入神经网络模型评价指标,对这两种模型的仿真和预测结果进行对比分析,结果表明采用支持向量机方法建立的NO_x排放模型比BP神经网络模型收敛速度快,准确度高,性能更优。     

基于共享最小二乘支持向量机模型的电站锅炉燃烧系统的优化

电站锅炉燃烧系统是一个复杂的多输入多输出系统,为了在同一个模型中实现高效率、低污染物排放的优化目标,对标准最小二乘支持向量机回归方法进行了扩展．借助某电厂1000MW超超临界锅炉的现场燃烧调整试验数据,建立了以锅炉热效率和NOx排放质量浓度为输出的共享最小二乘支持向量机（LSSVM）模型,采用一种改进的粒子群算法对共享模型中的锅炉运行工况进行了寻优．结果表明：在共享LSSVM模型中,锅炉热效率和NOx排放质量浓度的平均预测误差分别可达到0．028％和2．16％,搜索得到的高效率和低NOx排放的参数组合可为电站锅炉优化运行提供指导．     

不同特征向量下基于SVM的短期风速预测

选取广东省某风电场的测风数据,运用支持向量机(SVM)的方法对其进行短期风速预测。为提高预测的精度,通过LIBSVM回归机的交叉验证函数确定最优参数,建立4种不同输入特征向量组合(风速序列、风速和风向、风速和气压、风速风向和气压)的模型,分别预测该风场的短期风速,并对4种模型的预测误差进行分析和比较。实验结果表明:气压不宜作为输入特征向量;选用风速和风向作为输入特征向量的模型,预测效果最理想,其平均绝对百分比误差为12.8%。     

基于小波变换和时间序列的风功率超短期预测模型研究

为提高风功率超短期预测模型的精确度,利用小波变换将原始风功率时间序列进行分解和重构,得到相应的高频序列和低频序列。对不同序列建立相应的自回归移动平均模型,并且进行拉格朗日乘子检验,验证是否具有拉格朗日乘子效应,从而建立相应的自回归条件异方差模型或广义自回归条件异方差模型,将所得的预测结果进行线性叠加组合得出最终结果。通过算例分析及与其他几种预测模型预测结果的对比,结果表明小波变换和时间序列结合的风功率超短期预测模型可以有效提高风功率超短期预测精度。     

基于随机森林的支持向量机混凝土抗渗性预测模型研究

为了快速有效预测混凝土的耐久性,引入随机森林并结合支持向量机(RF-SVM)算法,从混凝土材料配比层面选择了影响混凝土抗渗性的16种因素,以抗氯离子扩散系数作为混凝土抗渗性评价指标,构建了基于RF-SVM的混凝土抗渗性预测模型,预测了松通桥梁项目工程混凝土抗渗性,同时与其他预测模型进行对比,分别得出均方根误差和拟合优度。结果表明,该模型回归拟合效果更佳,预测结果精度更高。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。