基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。     

Heating load interval forecasting approach based on support vector regression and error estimation

As the existing heating load forecasting methods are almostly point forecasting,an interval forecasting approach based on Support Vector Regression (SVR) and interval estimation of relative error is proposed in this paper.The forecasting output can be defined as energy saving control setting value of heating supply substation;meanwhile,it can also provide a practical basis for heating dispatching and peak load regulating operation.By means of the proposed approach,SVR model is used to point forecasting and the error interval can be gained by using nonparametric kernel estimation to the forecast error,which avoid the distributional assumptions.Combining the point forecasting results and error interval,the forecast confidence interval is obtained.Finally,the proposed model is performed through simulations by applying it to the data from a heating supply network in Harbin,and the results show that the method can meet the demands of energy saving control and heating dispatching.     

基于混沌优化支持向量机的大坝安全监控预测

首先介绍了基于统计学习理论的一种新的机器学习技术——支持向量机(Support Vector Machine,SVM),并针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的混沌优化(Chaos Optimi-zation)技术应用到支持向量机惩罚函数和核函数参数的优化,提出了混沌优化支持向量机(Chaos Optimization Support Vector Machine,COSVM)方法.根据丰满大坝1997-2004年的实际监测数据,建立了混沌优化支持向量机大坝安全监控预测模型,进行了与统计回归模型和BP神经网络模型的分析比较,结果表明,COSVM模型具有更高的预测精度,同时在较长时段的预测中,COSVM模型也表现出更好的泛化推广性能.     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.     

支持向量机在线训练算法及其应用

针对支持向量机在线训练算法训练速度较慢和无法处理边缘支持向量集合为空的缺点,以KKT条件和拉格朗日乘数法为基础,用严格的数学推导得到一种改进的训练算法.通过建立一个矩阵缓存来保存与核函数相关的数据,给出在算法中有效操作该矩阵缓存的方法以加快训练速度;边缘支持向量集合为空时,修改模型的偏值项使样本进入该集合,训练算法得以继续运行;并讨论了该算法在在线系统辨识中的应用.仿真实验和分析结果表明: 对于非线性时变系统,改进算法的建模精度较高,训练速度较原算法有了很大的提高.     

基于免疫进化的支撑矢量回归的参数优化

在对支撑矢量回归的参数性能进行分析的基础上，引入了免疫进化算法对支撑矢量回归的模型参数和核参数进行优化。免疫进化算法是一种集免疫机制和进化机制于一体的一种新的全局并行算法，它可以通过对进化环境的自适应和自学习，有针对性地抑制由原进化算子操作的盲目性而引起的退化现象。仿真实验结果表明，免疫进化算法优化支撑矢量回归的参数不仅是可行的，也是十分有效的。     

一种基于灰色系统和支持向量机的预测优化模型

针对传统的灰色系统中预测模型涉及相关因素多,预测效率与精度不足等问题,结合粗糙集理论和支持向量回归机方法,提出了一种改进的预测优化算法。该模型算法首先利用属性约简技术解决影响因子不相容性问题并有效缩减了影响预测值的因子空间,降低计算的复杂性;然后采用灰色模型进行数据预测,并将预测结果作为支持向量机的输入,进而求解优化模型的预测值,最后采用1990～2010年我国人口数据对我国人口进行预测。实验结果表明该预测优化模型在预测效率和精度方面具有较好的表现。     

基于序列最小化算法的周负荷预测研究

周负荷预测具有周规律性,对编制发供电计划有重要意义。运用序列最小化算法（SMO）求解支持向量机,既能发挥支持向量机的优势,又能简化问题,缩短运行时间。通过山西省某变电站的实例分析,得到序列最小化算法适用于求解周负荷预测,且精度较高。     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

基于支持向量机的区域运量滚动预测模型

为寻求反映区域交通需求特性机理的运量预测方法,针对一般区域运量数据小样本的问题及其诱发因素的随机性和不可控制性,在分析区域交通需求特性及现有运量预测方法缺陷的基础上,采用以统计学习理论为基础的专门研究小样本情况下机器学习规律的支持向量机,建立了区域运量预测支持向量机模型.该模型通过预测值与统计值不断交互,实现区域运量的...     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

High-rise building fire pre-warning model based on the support vector regression

Aiming at reducing the deficiency of the traditional fire pre-warning algorithms and the intelligent fire pre-warning algorithms such as artificial neural network, and then to improve the accuracy of fire pre-warning for high-rise buildings, a composite fire pre-warning controller is designed according to the characteristic (nonlinear, less historical data, many influence factors), also a high-rise building fire pre-warning model is set up based on the support vector regression(SVR).Then the wood fire standard history data is applied to make empirical analysis. The research results can provide a reliable decision support framework for high-rise building fire pre-warning.     

基于支持向量回归的自适应逆控制方法

将支持向量回归引入逆控制,提出了一种基于支持向量回归的自适应逆控制方法。采用支持向量回归在线辨识算法建立被控对象的逆模型,然后将逆模型作为控制器进行复制去驱动被控对象,从而完成一个自适应逆控制过程。由于支持向量回归是建立在小样本基础上的一种学习方法,因此较好地解决了对于线性系统自适应滤波算法存在的运算量大,权值失调及自适应过程时间长等问题。对于非线性系统,与现有的神经网络方法相比,该方法能提高收敛速度及逼近能力,而且具有更好的推广能力。仿真结果表明,应用该方法可以取得良好的控制效果,并具有较好的鲁棒性能。     

Forecasting model of residential load based on general regression neural network and PSO-Bayes least squares support vector machine

Firstly,general regression neural network(GRNN) was used for variable selection of key influencing factors of residential load(RL) forecasting.Secondly,the key influencing factors chosen by GRNN were used as the input and output terminals of urban and rural RL for simulating and learning.In addition,the suitable parameters of final model were obtained through applying the evidence theory to combine the optimization results which were calculated with the PSO method and the Bayes theory.Then,the model of PSO-...     

基于支持向量区间回归的供热负荷概率预报

提出了一种基于支持向量区间回归(SVIR)的概率预报方法,克服了点预报法无法确定预报结果波动范围的缺点。该方法利用支持向量回归确定SVIR模型的初始参数,再利用两个径向基网络分别辨识SVIR的上限和下限,可以同时给出置信区间和点预报。最后,以某热力站实际供热负荷数据与BP神经网络点预报方法进行比较,验证了该方法的有效性和实用性。     

基于相空间重构的支持向量回归机在振动数据预测中的应用

支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。     

一种基于支持向量回归机的经验模态分解方法

经典经验模态分解中采用基于曲线参数插值拟合局部均值曲线,该类方法对参加拟合的极值点很敏感,若出现干扰的异常极值点或得不到真实的极值点,将导致分解结果失真或产生模态混叠.提出一种基于支持向量回归机拟合局部均值曲线的经验模态分解方法,即利用序列的极值点训练支持向量回归机拟合局部均值曲线代替传统的曲线参数插值.实验表明,与经典算法相比,该方法具有更好的频率分辨率,对采样频率不敏感且能克服微弱高频间断信号的干扰,有效解决Hilbert-Huang变换中存在的模态混叠问题.     

Fusion of multi-spectral image and panchromatic image based on support vector regression

In our study,support vector value contourlet transform is constructed by using support vector regression model and directional filter banks.The transform is then used to decompose source images at multi-scale,multi-direction and multi-resolution.After that,the super-resolved multi-spectral image is reconstructed by utilizing the strong learning ability of support vector regression and the correlation between multi-spectral image and panchromatic image.Finally,the super-resolved multi-spectral image and the panchromatic image are fused based on regions at different levels.Our experiments show that,the learning method based on support vector regression can improve the effect of super-resolution of multi-spectral image.The fused image preserves both high space resolution and spectrum information of multi-spectral image.     

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.     

克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

为改善最小二乘支持向量机的泛化性能,将克隆规划、交叉验证相结合的优化算法用于最小二乘支持向量机的参数优化．克隆规划算法是具有局部、全局搜索能力的优化算法,能有效避免陷入局部极值;交叉验证算法的无偏估计性抑制了训练过程中“过拟合”和“欠拟合”．在该优化算法中,用交叉验证误差构造抗体抗原亲合度,用克隆规划算法寻找最小二乘支持向量机的最优参数．用优化的最小二乘支持向量机回归模型建立了惯性器件时间序列预测模型．实验结果验证了算法的有效性及预测模型的泛化性能．预测模型为动态补偿、故障预测提供了依据．