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。     

基于样本熵和支持向量机的短期风速预测模型

提出一种经验模态分解、样本熵和支持向量机相结合的短期风速组合预测方法。首先利用经验模态分解将原始风速序列逐级分解成若干个规律性更强的子序列,以减小不同特征尺度序列间的相互影响,提高预测精度。接着计算各风速子序列的样本熵,将复杂度相近的序列归类形成一个新序列,以减少所需建立的预测模型的数量。然后对经 EMD-SE 处理后得到的新的风速子序列分别建立支持向量机预测模型,并采用遗传算法实现各模型参数的自动选取和寻优,最后将各序列的预测结果叠加得到风速预测结果。算例研究表明,该方法充分挖掘了风速序列的特性,能快速地对风速变化作出响应,预测的均方根误差和百分比误差分别比单纯采用支持向量机法降低了5.1%和5.4%,有效地提高了短期风速预测的准确度。     

基于多尺度组合模型的区域农业旱灾损失率预测

针对旱灾系统的非平稳和非线性特征,提出了基于经验模态分解和最小二乘支持向量机的多尺度组合预测模型。为了避免分解过程中旱灾序列取值域发生改变的问题,首先采用逆Logistic变换对原始序列的取值域进行扩展;然后使用经验模态分解将旱灾序列进行平稳化,提取出旱灾序列中不同时间尺度的子序列,根据子序列的波动特征选择适用的方法进行预测;最后将预测子序列进行重组和还原。以河南省农业旱灾综合损失率为例进行3步仿真预测。预测结果表明,多尺度组合模型的预测效果和精度均好于最小二乘支持向量机模型的,说明在旱灾序列处理中应优先选用多尺度分析法。     

基于DTCWT与LSSVM的风电场短期风速预测

由于风速具有很强的非线性特性,传统的预测方法难以对其准确预测。为提高预测精度,提出了将双树复小波与最小二乘支持向量机相结合的风速时间序列预测建模方法。首先,利用双树复小波对风速时间序列进行多尺度分解,将其分解为高频子带和低频子带;其次,利用最小二乘支持向量机对不同频率的子带建立相应的预测模型;最后,将各子带预测值进行等权求和得到预测结果。实验表明,基于双树复小波与最小二乘支持向量机的混合预测模型具有较高的预测精度,其平均绝对误差为3. 79%。     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

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。     

基于混沌支持向量机的径流时间序列预测研究——以渭河宝鸡林家村站径流序列为例

混沌理论和支持向量机具有强大的非线性处理能力.首先利用混沌系统相空间延迟坐标重构理论对林家村站月径流进行相空间重构,以便更为深刻地挖掘月径流序列中的信息,并运用最大Lyapunov指数法证实渭河林家村站月径流系列具有混沌特性.在此基础上利用基于统计学习理论的支持向量机建立混沌时间序列的预测模型.仿真结果表明,所提出的模型预测结果好于混沌神经网络模型的预测结果,该模型具有较高的泛化能力,可用于林家村站月径流预测.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向昔机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大．将该模型应用于新疆伊犁河雅码渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用．     

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WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

基于 EMD 和 RVM 的股指期货价格预测

提出了一种基于EMD（经验模态分解）与RVM（相关向量机）的股指期货价格预测方法。首先将目标价格序列通过EMD技术进行分解,然后对分解后的分量进行重组得到三个新序列,通过分析这三个新序列的特点,构造不同的RVM模型对每个新序列分别进行预测,最后将三个新序列的预测结果通过RVM组合得到最终预测值。实验结果表明,该方法能取得良好的预测效果。     

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.     

基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用

为了提高深基坑施工过程中变形预测的准确度,提出一种基于小波变换分解与重构、采用遗传算法优化参数的支持向量机（GASVM）和自回归滑动平均（ARMA）模型相结合的组合模型预测方法。使用GASVM模型对小波分解后的趋势项进行一步预测和多步滚动预测,使用ARMA模型相应地对随机项进行预测,将预测值求和得到最终预测结果。以某地铁车站深基坑为案例,对3个监测点的支护桩深层水平位移进行预测分析,得到其一步预测的短期预测值和多步滚动预测的中长期预测值,并与单一采用GASVM模型得到的预测值进行对比。结果表明：组合模型有效减小了预测误差,在短期和中长期预测中均取得令人满意的结果。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更高的应用价值。     

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.     

基于小波分解—支持向量机的短时交通量预测

基于交通流预测问题与函数估计和逼近问题是等价的的思想,提出一种基于小波分解-支持向量回归的短时交通量预测方法。首先对交通量数据进行小波分解,然后分别对基本信号和不同分辨率的干扰信号建立支持向量机模型,最后对多个预测结果进行合成,从而得到交通量的预测结果,并利用实例计算显示模型具有较低的误差,证明了该方法具有很好的可靠性。     

基于时间序列突变误差校正的超短期风速联合预测模型

为了提高风速预测的准确性,提出了一种超短期风速联合预测模型.该模型首先利用经验模态分解与局部均值分解分别将风速数据分解为一系列相对平稳的分量,然后采用灰狼算法进行参数寻优的支持向量机(GWO-SVM)对分量进行预测,最后整合所有分量的预测结果得到风速预测结果.此外,为了减小预测过程中存在的误差,对误差类型进行了分类和分析,提出了一种基于时间序列突变的误差校正方法,采用时间序列预测模型直接对误差值进行校正,有效地减小了风速预测的误差.最后,通过仿真实例,证明了该风速联合预测模型和误差校正方法可以显著地提高风速预测的准确性.