基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSOLSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

基于最小二乘支持向量机的电力市场出清电价预测方法

针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国New England ISO的真实数据做验证,结果表明该方法比BP神经网络有更高的预测精度,是一种有效的预测方法。     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

最小二乘支持向量机短期负荷预测研究

电力系统短期负荷预测是一项非常重要的工作,准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义.随着电力系统的日趋复杂化,特别是电力市场的逐步深入,短期负荷预测被赋予了更高的要求.提出了基于负荷日周期性进行前后向外推的数据预处理新方法,为短期负荷预测模型利用这些历史数据奠定了基础.最小二乘支持向量机是新一代机器学习方法,将其应用于电力系统短期负荷预测,在充分利用日周期性和同时刻负荷相近性的基础上,提出了基于最小二乘支持向量机回归算法(LSSVR)的短期负荷预测点模型.该模型通过采用不同天同时刻的负荷样本训练LSSVR来获取负荷的最优线性回归函数,实现了在最小化负荷样本点误差的同时,缩小模型泛化误差的上界,获取了较好的负荷预测性能.     

基于集成经验模态分解和最小二乘双支持向量回归机的风速预测算法研究

为有效解决风电大规模并网过程中面临的并网难和弃风等问题,实现可再生能源大规模平滑并网并保证大电网的安全稳定运行,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)和最小二乘双支持向量回归机(least square twin support vector regression,LSTSVR)算法进行风电场风速预测。分别介绍了LSTSVR、EEMD及自适应变异粒子群算法原理。给出基于EEMD和LSTSVR的风速预测流程,以安徽女儿岭风电场测风声雷达30、70 m处风速采样数据为例,开展基于EEMD和LSTSVR的风速预测算法验证,预测结果误差分析表明:基于EEMD+LSTSVR+自适应变异粒子群算法可以实现风电场风速的高精度预测。     

基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。     

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘（PLS）对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法（SVM）对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。     

基于PSO-LS-SVM的储罐底板缺陷量化方法研究

为能准确量化油气储罐底板上的缺陷,提出一种最小二乘支持向量机缺陷量化方法,并以该方法模型建立了缺陷的三维漏磁场信号与缺陷的长度、宽度、深度之间的映射关系。为提高该方法对储罐底板缺陷的量化精度,采用粒子群算法对模型参数进行了优化。仿真结果及分析表明,与BP神经网络方法相比,结合了粒子群优化的最小二乘支持向量机缺陷量化方法的网络训练时间短、缺陷量化精度高,具有较强的工程应用优势。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测.为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测.首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值.仿真试验表明,此方法具有较高的精度和较强的推广能力.     

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。     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

优化组合核函数相关向量机电力负荷预测模型

在单一核函数相关向量机模型的基础上,构建高斯核函数分别与多项式核函数和张量积线性样条核函数进行线性组合的多种组合核函数相关向量机中期电力负荷预测模型,并利用粒子群优化算法对组合核函数的各参数进行优化选择.以2001年组织的国际电力负荷预测竞赛提供的公开数据为训练和测试样本,分别对多种核函数相关向量机中期电力负荷预测模型进行仿真预测计算.结果显示,虽然各模型都取得了较好的预测精确度,但是基于组合核函数的相关向量机在各项评价指标上都优于基于单一核函数的相关向量机.还利用相关向量机的概率预测优势得到了其他模式识别模型无法得到的预测误差范围.     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

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.     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.