HEV电池SOC预测的留一交叉验证优化LS-SVM方法

针对混合动力汽车(HEV)电池剩余容量(SOC)判别问题,将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出了基于留一交叉验证优化最小二乘支持向量机的预测方法。将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值,在欧洲城市行驶循环工况(EUDS)条件下进行实验验证,结果表明:所设计预测模型能够实时准确地预测出SOC值,有效性高。     

基于网格搜索优化LS_SVM蓄电池SOC估测

依据最小二乘支持向量机(LS_SVM)的基本理论,针对蓄电池荷电状态(state of charge,SOC)随温度、电压、电流而变化的特点,建立基于LS-SVM支持向量机的蓄电池SOC估测模型。通过数据验证,比较不同核函数下的效果,利用网格搜索寻找最优参数。观察在最优参数和最优核函数下LS_SVM支持向量机的预测效果。结果表明,与其他算法相比,采用RBF核函数,并用网格搜索优化的LS_SVM模型精度较高,适合用在蓄电池的SOC估测上。     

LS-SVM在通信电源蓄电池SOC估计中的应用

结合统计学习理论的方法,将最小二乘支撑向量机(LS-SVM)用于通信电源中蓄电池的荷电状态(SOC)检测。选定径向基核函数为支撑向量机算法的核函数,并选取矩阵分块求逆的方法改进最小二乘支撑向量机的算法,在此基础上建立了蓄电池荷电状态估计的模型。通过仿真实验验证了该算法具有较好的SOC估计效果,对于实际应用,可以选择合理的剪辑标准,从而得到更好的估计效果。     

基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

基于贝叶斯最小二乘支持向量机的电池SOC预测

针对混合动力汽车电池电能容量判别问题,将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出了基于贝叶斯证据框架优化的最小二乘支持向量机预测方法。通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中。将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值,在美国城市动态驱动工况(UDDS)条件下进行实验验证,结果表明:所设计预测模型具有较高的精度,能够实时准确地预测出SOC值,实用性强,有效性高。     

基于遗传算法的LS-SVM在谐波源建模中的应用

对现有的电力系统谐波源建模方法进行分析比较,提出基于最小二乘支持向量机的建模方法,并引用遗传算法对参数寻优以提高模型精度.为了验证方法的有效性,在不考虑和考虑供电端电压谐波含量两种情况下采用Matlab对晶闸管控制电抗器进行仿真提取训练数据并建模.结果表明采用基于遗传算法的最小二乘支持向量机建立的谐波源模型精度高,是谐波源建模的有效方法.该方法把建模对象当作黑箱,没有考虑内部机理,也可用于其他非线性负荷建模之中.     

基于贝叶斯框架的LS-SVM中长期径流预报模型研究

为解决最小二乘支持向量机模型采用交叉验证方法确定模型参数耗时较长的问题,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选.选用径向基核函数,建立了中长期径流预报模型.采用岷江紫坪铺水文站1937～2007年的年径流资料进行模型的预测和检验,并与交叉验证方法优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较.研究结果表明,基于贝叶斯框架下的最小二乘支持向量机径流预报模型具有较好的预报精度.     

基于遗传算法的LS-SVM在谐波源建模中的应用

对现有的电力系统谐波源建模方法进行分析比较,提出基于最小二乘支持向量机的建模方法,并引用遗传算法对参数寻优以提高模型精度。为了验证方法的有效性,在不考虑和考虑供电端电压谐波含量两种情况下采用Matlab对晶闸管控制电抗器进行仿真提取训练数据并建模。结果表明采用基于遗传算法的最小二乘支持向量机建立的谐波源模型精度高,是谐波源建模的有效方法。该方法把建模对象当作黑箱,没有考虑内部机理,也可用于其他非线性负荷建模之中。     

混合布谷鸟算法在高压断路器故障诊断上的应用

为了更准确、快速地对高压断路器故障进行分类、诊断,提出一种基于混合布谷鸟算法优化的最小二乘支持向量机(LSSVM)的故障诊断方法。首先提取分合闸线圈的时间和电流特征量得到特征向量,再利用模拟退火算法(SA)与布谷鸟算法(CS)结合形成的混合布谷鸟算法(CS-SA),对支持向量机进行寻优,旨在得到具有最优参数支持向量机分类模型,提高诊断结果的准确性。最后,利用收集到的数据对该算法进行诊断验证,结果表明利用混合布谷鸟算法优化后的LS-SVM得到的分类模型比常用的粒子群算法、遗传算法、标准布谷鸟算法优化得到的模型准确率更高。     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。