基于支持向量回归的时间序列预测

该文简要介绍了时间序列预测的研究状况以及支持向量回归的基本原理,将支持向量回归用于对Box-Jenkins煤气炉时间序列的预测,并同其他前馈网络——BP神经网络、自适应特征空间扩张神经网络进行比较,仿真结果表明,BP神经网络和自适应特征空间扩张神经网络在预测性能上比较接近,而支持向量回归在预测性能方面明显优于这两种方法,为进行模型辨识与建模研究奠定基础.文章最后分析了支持向量回归优于BP神经网络和自适应特征空间扩张神经网络的机理.     

基于多维时间序列局部支持向量回归的微网光伏发电预测

目前光伏发电预测普遍采用采样间隔较大的单一时间尺度功率序列建模,模型简单但对功率时序特征的模拟精度不高。文中提出了一种基于小采样间隔光伏功率数据的多维时间序列局部预测方法。通过构造不同时间尺度的光伏功率均值序列,形成以小时平均光伏功率序列为主要研究序列的多维时间序列;基于相关性分析、C-C方法和嵌入维最小预测误差法确定多维时间序列相空间重构的时间延迟和嵌入维;采用支持向量回归方法建立提前1h的光伏功率局部预测模型。以国内某微网的光伏功率预测为例进行仿真实验,计算结果表明,多维时间序列局部预测模型优于基于单一时间尺度功率序列的局部预测模型,更具应用价值。     

基于时间序列与支持向量机的风电场风速预测研究

介绍时间序列法与支持向量机用于风速预测的理论基础,通过Matlab软件,利用风电场采集得到的风速数据,建立时间序列法与支持向量机模型,对这2种方法在风电场风速预测中的应用进行了研究和比较。仿真结果表明,这两种方法都有效,但支持向量机风速预测精度更高,预测结果更好,具有一定的实用价值。     

基于支持向量机的回归预测和异常数据检测

针对电站实时数据中普遍存在异常数据的情况,提出一种基于支持向量回归的异常数据检测方法。该方法利用支持向量回归估计模型不倾向于消除个别大的回归误差,而是从整体上考虑回归曲线的平滑程度的特点,通过比较回归估计值与实测值之间的残差来识别测量数据中的异常数据。以某300 MW机组的主蒸汽流量为具体对象,给出了该方法的算例和检测结果,计算结果表明该方法能有效地实现异常数据的定位与分离,为提高电站性能计算的精确性奠定基础。     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

基于时间序列的支持向量机在负荷预测中的应用

由于负荷预测是不确定、非线性、动态开放性的复杂大系统,传统方法往往难以准确地描述这种复杂的非线性特征,因而无法准确进行负荷预测.作者提出了基于一种基于时间序列的支持向量机(SVM)的负荷预测方法.SVM方法采用结构风险最小化原则(SRM),能够在对小样本学习的基础上,对其它样本进行快速、准确的拟合预测,具有更好的泛化性能和精度,减少了对经验的依赖.时间序列考虑了趋势分量和周期分量,使负荷预测模型更加符合电力负荷特性.将该方法用于实际负荷预测中.和真实值的比较说明所提出的负荷预测方法是可行和有效的.     

基于灰色神经网络的凝汽器水侧清洁系数预测

分别采用灰色模型、神经网络以及串联灰色神经网络对某机组凝汽器水侧清洁系数进行预测.结果表明,串联灰色神经网络模型优于单一预测模型,其预测值更接近真实值,在网络训练过程中实现了误差可控,将该模型用于凝汽器水侧清洁系数的预测可行.在实际应用中,可根据前3个清洗周期某时刻的数据来预测下1个周期该时刻的清洁系数,依据所需的输入参数,即可实现在线预测凝汽器的清洁系数.     

基于支持向量回归的长期电路负载预测

长期电力负载预测是一项具有挑战性的任务,因为负荷和影响负荷的因素之间关系复杂.值得一提的是,总负荷消耗量是衡量经济增长的关键指标,尤其是从全球经济衰退中复苏的指标.因此本文采用以GDP为经济因素的LTLF,采用支持向量回归(SVR)作为训练算法,得到负荷与经济因子GDP之间的非线性关系,以提高预测的准确性.     

凝汽器清洁系数的灰色预测

本文根据灰色系统理论，建立了表面式换汽器清洁系数灰色预测动态模型，经检验，模型的精度为一级，并给出了清洁系数的预测值，预测值符合实际情况。该方法具有预测精度高，计算速度快，所需数据少及使用方便等优点。     

空气对凝汽器传热系数的呼吸及清洁系数在线测定方法的进一步探讨

提出了一种基于试验的计算凝汽器传热系数空气侧修正系数的新方法。用这种方法确定的修正系数是空气含量的单值函数,即Ｃａ＝ｆ（ｄＧａ）,所以能够准确地反映空气含量对传热系数的影响。将此式应用于凝汽器清洁率的测定计算,可实现凝汽器汽侧空气量和水侧脏污对传热系数影响的二者分离,为凝汽器的合理清扫提供了依据。     

基于支持向量回归的300MW电站锅炉再热汽温建模

为解决某电厂300MW电站锅炉再热汽温异常的问题,提出一种基于支持向量回归的建模方法,采用现场数据进行数据建模。建立在数据统计特性基础上的模型具有高的回归相关度,能反映出再热汽温与操作参数之间的内在联系。针对机组存在的再热器出口汽温偏低而部分管壁温度过高的问题进行了回归分析,结果表明模型具有较高的相关系数,且模型复杂度较低,具有好的鲁棒性。作为现场试验辅助手段,对进一步进行参数优化和再热汽温调节具有重要指导意义和参考价值。     

管壁清洁系数对双背压凝汽器真空的影响

凝汽器是火电厂重要的辅助设备 ,其性能好坏对机组的经济性和安全性有重要影响。凝汽器铜管的脏污程度严重时将影响凝汽器内的传热效果。以 6 0 0MW机组为例 ,计算了凝汽器水侧管壁清洁系数 ,所得结果与大修试验结果相吻合。同时 ,研究清洁系数对凝汽器变工况特性曲线的影响 ,可为运行及监控提供更接近实际的依据     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

基于连续时间段聚类的支持向量机风电功率预测方法

提出了一种基于连续时间段聚类的支持向量机风电功率预测方法。通过2次聚类把全年分为若干个类型的连续时间段,并对同类型时间段使用支持向量机建模,建立后的模型用于其他年份对应时间段的预测。与神经网络相比,支持向量机建模方法避免了局部最优。利用国内某风电场数据进行对比实验,证明了所述方法的有效性。     

基于支持向量机回归的继电器触点接触电阻的长期预测

分析了继电器触点接触电阻的时变规律,提出了基于时变趋势和支持向量机回归（SVR）的触点接触电阻的长期预测方法。采用小波技术和零均值平稳检验技术提取时变长期趋势项,进而以接触电阻的趋势分量为变量,建立了接触电阻的SVR预测模型。分析了接触电阻的超长期预测,提出了基于相关触点的SVR模型的超长期预测方法。预测实例结果表明,所提方法能实现触点接触电阻长期预测,能有效剔除短时干扰、异点对预测结果的影响。     

用SVRM预测变压器油中溶解气体量

变压器油中溶解气体体积分数的预测对变压器故障的早期发现,确保电力系统安全运行有着重要意义。针对现有预测方法的不足,提出了基于支持向量回归机(SVRM)的变压器油中溶解气体体积分数的预测方法,在SVRM算法基础上建立了预测模型,其中结合网格法和留一交叉检验法寻求SVRM中最优的参数组合。变压器油中溶解气体体积分数预测分析的实例表明,在同为小样本训练数据的情况下,SVRM比灰色模型有着更为优越的预测效果。研究表明,SVRM模型更适合于变压器油中溶解气体体积分数的预测。     

基于改进支持向量回归的IGBT老化预测

为了准确预测绝缘栅双极型晶体管（IGBT）的老化状态,提出了一种基于改进鲸鱼优化算法（IWOA）优化支持向量回归（SVR）的IGBT老化预测方法。该方法提取IGBT集电极-发射极电压信号的时频域特征,通过核主成分分析（KPCA）降维将时频域特征融合成一个综合指标来表征IGBT的老化状态;针对鲸鱼优化算法（WOA）不足,在WOA的基础上引入Sobol序列种群初始化、惯性权重和反向学习策略,增强WOA的局部搜索能力和收敛速度;利用IWOA优化SVR的惩罚因子和核参数,并构建一种基于综合指标的IGBT预测模型。利用NASA Ames实验室的IGBT老化数据集对IWOA-SVR方法进行验证,结果表明,所构建IWOA-SVR预测模型可以更准确实现对IGBT的老化预测。     

基于光滑支持向量回归的汽轮机振动分析

传统的时间序列分析方法如统计和神经网络并不适用于复杂的非线性系统.为此,引入了支持向量回归(SVR)算法用以解决复杂时间序列的预测问题,在Matlab6.5环境下编程实现SVR算法,对汽轮机振动数据进行拟合和预测,并与神经网络方法进行比较.为了降低计算的复杂度,在SVR的基础上,采用光滑化算法,对汽轮机振动时间序列进行预测分析.仿真结果表明,光滑支持向量回归(SSVR)在预测性能方面明显优于神经网络.与SVR相比,SSVR具有更好的收敛速度和精度,适于进行复杂动态系统的时间序列分析.