支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

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。     

支持向量机在衰落信道预测中的应用

研究信道通信优化控制问题,针对传统衰落信道预测算法中的不足,提出一种改进LSSVM的衰落信道预测。首先通过相空间重构对衰落信道系数序列进行重构,然后采用LSSVM对训练样本集进行学习,并通过自适应遗传算法对LSSVM参数进行优化建立最优衰落信道系数预测模型,最后采用测试集对模型的性能进行验证。仿真结果表明,相对于传统LSS-VM模型,改进模型提高了衰落信道系数预测精度,是一种进行衰落信道非线性预测的有效方法。     

带扩展记忆的粒子群优化最小二乘支持向量机在中长期电力负荷预测中的应用

针对中长期电力负荷预测,考虑了影响中长期电力负荷的各种因素,提出了一种带扩展记忆的粒子群优化算法(PSOEM)与最小二乘支持向量机(LSSVM)相结合的中长期负荷预测方法。PSOEM比传统PS0收敛速度更快,精度更高,具有更强的寻优能力,因此利用PSOEM算法对LSSVM参数进行优化选择,获得了较优的PSOEM-LSSVM预测模型。通过实例仿真表明,该方法与其他几种方法相比具有更高的预测精度和速度。     

基于遗传算法的加权支持向量机的短期电力负荷预测

建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的支持向量机（SVM）在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于电力负荷预测可以获得很好的效果,但是传统SVM回归预测算法对于不同的样本均采用相同的参数,无法体现各样本的重要程度的区别,而且将支持向量机理论应用于实际中也存在对样本数据进行特征选择和对支持向量机模型参数进行选择的问题。因此提出了将遗传算法应用于短期的电力负荷预测中来对加权支持向量机模型进行特征选择和模型参数确定。     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

基于遗传优化最小二乘支持向量机的导引头故障诊断

为提高导引头故障诊断准确率,提出了一种采用改进遗传算法优化的最小二乘支持向量机（LSSVM）构造导引头多故障分类模型的方法。该方法基于一对一策略及改进的投票法建立两层LSSVM多故障分类器,并利用一种自适应变步长搜索策略改进的遗传算法对LSSVM的核参数和正则化参数进行自动优选。通过对某型导引头实测数据的仿真并和标准SVM及BP神经网络诊断方法相比较,结果表明该方法具有更高诊断准确率和计算效率。     

基于相似日的支持向量机短期负荷预测

摘要：为提高电网短期负荷预测的精度,对以往学者基于相似日和最小二乘支持向量机(LS-SVM)短期负荷预测方法进行改进,形成一种改进的基于相似日和细菌趋化改进粒子群算法优化最小二乘支持向量机(least squares support vector machine based on improved particle swarm optimization for bacterial chemotaxis, PSOBC-LSSVM)的预测模型。克服了标准粒子群算法容易早熟收敛和陷入局部最优的问题,并充分考虑短期负荷的连续性与周期性对选取相似日造成的影响,将二者结合到一起综合考虑,利用改进的粒子群得到二者的最佳匹配值,并将其融合到时间距离这一因子当中。算例表明该方法预测精度较更高,可行且有效。     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

支持向量机在钻井工程数据拟合中的应用

支持向量机(SVM)是近年来发展起来的一种通用的机器学习方法,在小样本数据的拟合中已获得了很好的效果。对于常见的支持向量回归机方法:ε-支持向量回归机和最小二乘支持向量回归机进行了归纳总结,并给出了一具体应用案例。     

基于遗传算法支持向量机的天线罩修磨量预测

研究天线罩修磨量预测优化问题,在天线罩制造过程中,天线罩电厚度偏差是由多种因素造成的.通常采用修磨或喷涂等改变天线罩几何厚度的方式来补偿天线罩电厚度.在天线罩修磨时,针对几何修磨量不易准确获取的问题,提出了一种基于支持向量机的获取天线罩几何修磨量的方法,说明支持向量机回归算法的作用,建立了天线罩几何修磨量预测模型,并利用遗传算法对模型参数进行了优化仿真.结果表明,改进方法比经验法推导所确定的几何修磨量,有着更高的精度.通过与神经网络模型相比较,支持向量机模型精度更高,性能更好,更适合对天线罩几何修磨量进行预测,对提高天线罩的生产效率具有重要意义.     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法。采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛。充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析。分析结果表明,该预测模型可将预测的均方根误差降低约40%,绝对值误差降低约42%,相对误差降低约46%,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

支持向量机在混沌系统预测中的应用

提出用支持向量机回归方法解决混沌系统预测问题。阐述了支持向量机回归算法,对四阶混沌时间序列进行预测,在此基础上结合城市交通的混沌性,对珠海市迎宾大道的交通流量进行预测。仿真实验表明,支持向量机泛化能力好、学习速度快,对混沌时间序列具有很好的预测效果,对城市交通流量预测也是切实可行的。     

支持向量回归机在物价预测上的应用

把时间序列SVM预测模型应用于物价指数的预测,采用逐步递归的方法进行,同时注意尽量减少训练样本的浪费和充分挖掘SVM模型适合短期预测的潜力.分析结果表明,无论是拟合情况,还是预测值的检验和物价指数的实际规律来看,都有很高的精度,可以作为物价指数预测的一种行之有效的方法.     

遗传算法优化支持向量机的道岔控制电路故障诊断

针对目前我国道岔控制电路故障后难以快速准确诊断的现状,采用遗传算法优化支持向量机的参数从而完成对道岔控制电路的故障诊断;特别是采用遗传算法对参数C,g寻优后的SVM显著提高了道岔控制电路故障诊断的准确率。仿真结果表明在相同样本测试条件下,该方法与普通SVM、BP(Back propagation)神经网络和最小二乘支持向量机(LS-SVM)相比,有较高的分类准确率;从而验证了该方法在道岔控制电路故障诊断的可行性。     

基于优化支持向量机的飞机重着陆智能诊断

为提高飞机重着陆判断的准确性,研究了将最小二乘支持向量机应用于飞机重着陆诊断的方法;首先,根据飞机着陆阶段运动方程确定5类关键的重着陆诊断指标,将传统的单一指标诊断扩展到多指标诊断;接着,对支持向量机的分类算法进行扩展,实现了支持向量机的多类分类,建立了飞机重着陆诊断模型;然后,分别利用遗传算法和粒子群算法优化了模型参数,并对优化结果进行了分析比较;最后,利用飞行品质监控数据库中的样本数据对某航空公司B737型飞机进行了重着陆诊断实验,结果表明;支持向量机模型具有较高的诊断精度,适用于飞机重着陆诊断.     

支持向量机及其在用电量时间序列预测中的应用

支持向量机在解决非线性及高维模式识别问题中表现出许多特有的优势。由于现实世界中大量数据的采集与时间相关,数据具有时间上的关联性,从而时间序列预测成为人们更感兴趣同时也是更富挑战性的工作。本文探讨了支持向量机对混沌时间序列的预测能力,推导出在用电量时间序列预测中的模型,并进行求解。可以看出将支持向量机理论和方法应用于电流量时间序列预测中具有理论和实际意义。     

融合协同进化人工鱼群算法和SVM的雾霾预测方法

针对日益严重的雾霾污染问题,提出融合协同进化人工鱼群算法和支持向量机的雾霾预测方法.首先,运用佳点集构造均匀分布的种群,并引入自适应视野范围策略、自适应步长策略、种群间协同策略,提出协同进化人工鱼群算法.然后,使用协同进化人工鱼群算法,优化支持向量机的主要参数.最后,构建基于支持向量机的雾霾预测模型,预测雾霾天气.在10个测试函数上的实验证明协同进化人工鱼群算法的性能,在6个UCI数据集上的实验验证预测模型的稳定性和有效性.