基于改进PSO-LSSVM的电采暖短期负荷预测研究

为了提高电采暖短期功率负荷预测的精度、准确性和速度,提出一种改进PSO-LSSVM算法对电采暖的短期负荷功率预测。利用PSO算法对LSSVM进行参数的优化,将得到的最优参数值作为LSSVM参数从而建立改进PSO-LSSVM算法模型。考虑电采暖地区的天气、温度的因素,将新疆某地电采暖负荷历史数据以天气变化、温度差为参考指标经过分解、组合,得到归类组合数据样本,利用改进PSO-LSSVM算法与传统BP、LSSVM预测结果的精度、准确性和速度进行对比。仿真结果表明,改进PSO-LSSVM预测方法的精度和准确性最高、速度相对较快,验证了所提方法的有效性和准确性。改进方法对含高比例电采暖设备的地区电采暖实际短期负荷预测和“煤改电”“气改电”的电采暖工程应用中有借鉴意义。     

基于改进ABC与LS-SVM算法的电力负荷预测的研究

为了解决电力负荷的非线性等问题和帮助电力企业迅速地制定电力的预计交易量,提出一种建立在最小二乘支持向量机算法基础上的电力负荷预测方法。采用改进的ABC算法优化惩罚因子C和核系数σ,再将最优解赋给LS-SVM用以预测。仿真结果证明:基于改进ABC与LS-SVM算法的电力负荷预测方法具有较高的预测精度,更小的误差,是一种有效的预测方法。     

基于改进PSO算法和LS-SVM的苹果分级检测

为解决苹果分级准确率低和速度慢等缺陷,提出一种基于粒子群优化(PSO)改进算法的最小二乘支持向量机(LS-SVM)苹果分级检测方法,通过对苹果特征的优化选择,从而大规模缩减分类前LS-SVM训练样本数据,提高分类器训练效率。苹果分级实验表明,此方法能从红富士苹果的16个形状特征中提取出5个最优特征,用最优特征分级的正确率达96%以上,效果显著,该方法具有可行性。     

基于改进PSO算法的LS-SVM油层识别模型

为解决常规油层识别方法因其本身缺陷而无法取得理想效果的缺点,提出一种基于改进PSO算法的LS-SVM油层识别模型,即综合已有改进的PSO模型提出一种新的改进形式,并用此算法迭代求解LS—SVM中出现的矩阵方程,从而避免矩阵求逆,加快LS-SVM算法的训练速度,节省内存,而且求得最优解．实际应用表明,所提出的识别模型优于BP模型和经典SVM模型,识别精度高、收敛速度快、效果显著．     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。     

基于改进全局和声搜索算法LSSVM的短期电力负荷预测

针对全局和声搜索算法（GHS）存在的缺陷,提出改进全局和声搜索算法（IGHS）。该算法通过扩大最优和声搜索区域,并在搜索过程中引入受和声库影响的微调变量,从而增强了算法跳出局部极小值束缚的能力。将该改进算法应用于电力负荷预测中,提出基于改进全局和声搜索算法最小二乘支持向量机（IGHS-LSSVM）的负荷预测方法。利用某电力公司的历史数据进行仿真,结果表明方法具有较高的预测精度。     

基于最小二乘支持向量机的短期电力负荷预测

提出了结合遗传算法(Genetic Algorithm,GA)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的短期电力负荷预测。由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性,提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择,然后利用提取出的数据序列和选择的参数,建立最小二乘支持向量机预测模型。通过实际算例分析,证明了该算法可以改善预测模型的精度和泛化能力。     

基于一种混合算法模型的短期电力负荷预测

研究电网管理,进行电力负荷预测,为了保证系统的安全性,提出一种新颖的混合算法预测模型,是在粒子群优化算法的基础上引入模拟退火算法的思想形成一种混合算法,再结合模糊神经网络而成的一种预测模型.可有效地避免了传统的模糊神经网络收敛慢且容易陷入局部最小的缺点,也有助于克服标准粒子群优化算法训练模糊神经网络出现的早熟现象.通过对某市一天的电力系统进行短期负荷预测的仿真,并对BP算法、遗传算法、标准粒子群优化算法的模型进行了比较,仿真结果表明,改进预测模型的优越性和有效性.     

短期负荷预测的简化LS-SVM模型及实现

负荷预测对电力系统安全起重要作用.为适应短期负荷精密在线预测需要,在负荷预测中引入了最小二乘支持向量机(LS-SVM).通过对影响短期负荷较大的近期历史负荷及日期类型进行建模,构建出了短期负荷预测模型;针对短期负荷变化的周期性及其与历史负荷间存在"近大远小"的相关性,规划出一种五元组样本结构,用以训练预测模型的LS-SVM算法;最后,利用真实负荷数据进行了算法仿真.仿真表明SL-SVM算法可将预测误差控制在5%之内,预测速度为ANN的2~3倍,说明LS-SVM在短期负荷在线预测中可实现实时性.     

基于GA和SVM的电力负荷预测方法研究

提出一种基于支持向量机(SVM)技术和遗传算法优化技术(GA)的电力系统短期负荷预测算法。以历史数据、气象因素和日历因素等作为输入,建立预测模型,对未来1个小时的电力负荷值进行预测。该模型采用结构风险最小化原则替代传统的经验风险最小化,以充分提炼出原始数据和其它数据的一些信息,并采用遗传算法对支持向量机中的参数进行优化来提高预测模型的预测能力和训练速度,并具有良好的泛化能力。实验表明,使用上述方法进行短期电力负荷预测,具有良好的有效性和可行性,与BP网络法预测的结果相比具有更好的精度和较强的鲁棒性。     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机(Least square Support Vectormachine.LSSVM)相结合的电力系统短期负荷预测方法.考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度.利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度.     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于混沌粒子群优化LS-SVM的发动机磨损状态监测研究

基于混沌PSO算法优化最小二乘支持向量机实现航空发动机磨损状态监测;通过小波包分解消除润滑油光谱数据的噪声,获取LS-SVM的训练与测试样本;针对最小二乘支持向量机解决大规模数据样本回归问题时所出现的训练时间长、收敛速度慢等缺点,提出了混沌PSO算法优化LS-SVM的模型参数;该方法不仅克服了传统PSO算法早熟、容易陷入局部最小值等缺点,同时显著提高了最小二乘支持向量机的预测能力;最后,将一般LS-SVM和GM(1,1)模型的预测结果与文中预测结果进行对比,该方法构建的模型对测试样本产生的预测误差仅为0.0441,验证了该方法在预测精度上具有明显优势。