共查询到20条相似文献,搜索用时 65 毫秒
1.
2.
为了提高短期风功率预测精度,采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化(Particle Swarm Optimization-Differential Evolution,PSO-DE)融合算法进行改进,形成改进PSO-DE融合算法,从而提高改进PSO-DE融合算法的优化性能。采用改进PSO-DE融合算法对最小二乘支持向量机进行优化,建立基于改进PSO-DE融合算法优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期风功率预测模型。采用风电场实际运行数据进行算例分析,结果表明,PSO-DE融合算法能够减少迭代次数,提高收敛精度,基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26%、5.97%和13.53,预测精度高于其他几种风功率预测方法,验证了所提出的改进策略及短期风功率预测模型的正确性。 相似文献
3.
提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法。为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡。试验结果证明:该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用。 相似文献
4.
基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用 总被引:2,自引:0,他引:2
提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法.为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡.试验结果证明:该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用. 相似文献
5.
针对电价序列具有非线性强、波动性大的特点,提出一种基于变分模态分解(VMD)和改进粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)的短期电价预测模型.首先利用VMD将原始电价数据分解为多个子序列,然后采取LSSVM模型分别对子序列进行预测.对于LSSVM预测模型的最优参数选择问题,利用改进的PSO优化LSSVM模型的参数,能够很好地提高模型预测精度.最后集成各子序列预测结果,获得最终电价预测值.为了验证所提模型的有效性,以美国PJM市场电价数据为例进行分析,并与其他预测模型进行对比,结果表明,所提模型能够很好地对短期电价进行预测. 相似文献
6.
提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。 相似文献
7.
短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机(LSSVM)作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法(BHPSO)对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。 相似文献
8.
基于主成分与粒子群算法的LS-SVM短期负荷预测 总被引:1,自引:0,他引:1
短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。 相似文献
9.
10.
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。 相似文献
11.
GA-BP神经网络预测金属腐蚀速率 总被引:1,自引:0,他引:1
以华南某地的土壤数据为基础对金属腐蚀进行研究。运用灰色关联度算法分析金属腐蚀速率与土壤中影响因素之间的关系,得到土壤的电阻率、氧化还原电位以及含水量是3个最主要的特征量。同时,针对目前常用的BP神经网络模型在计算时存在的一些局限性,应用遗传算法对其进行优化并利用改进后的模型对金属腐蚀速率进行预测。经计算,GA-BP神经网络相较于传统的BP网络,其模型的精度增加了3.13%,预测集的平均相对误差减少了3.22%。结果证明,建立的GA-BP神经网络预测模型是成功的。 相似文献
12.
13.
电动汽车电机故障时间的粒子群优化灰色预测 总被引:1,自引:0,他引:1
电动汽车电机故障因素多,可靠性分析需要大样本数据,为准确预测电机的故障时间,建立了故障率较高元件的故障树模型,给出了其可靠性计算式,并将基于小样本数据的灰色算法引入到电机可靠性计算中,利用传统和改进灰色模型进行仿真分析。为了进一步提高预测精度,以两种灰色模型为基础,利用粒子群算法的全局寻优能力,提出了以均方差最小为目标函数的优化模型,对电机故障时间进行预测,并利用两组实测数据进行了验证。结果表明,优化算法的相对平均误差分别为3.36%和5.05%,相对误差最大值分别为5.62%和8.41%。该结果验证了所提算法的有效性,为电动汽车电机的故障预测提供了理论依据。 相似文献
14.
15.
基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型 总被引:1,自引:0,他引:1
针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。 相似文献
16.
基于改进PSO的原动机仿真系统PI参数优化 总被引:1,自引:0,他引:1
原动机仿真系统中的速度电流综合调节器实质为PI调节器,其比例系数kp和时间常数τL依靠传统方法难以确定.针对此问题,提出一种改进的粒子群优化算法,以ITAE指标作为改进PSO优化算法的适应度函数.通过具体实例,运用MATLAB仿真试验,比较分析传统方法、免疫遗传算法和改进粒子群算法的控制效果.试验结果表明:改进的PSO优化算法简单实用,并可显著提高原动机仿真系统的动态特性. 相似文献
17.
18.
基于改进离散粒子群算法的电力系统机组组合问题 总被引:2,自引:0,他引:2
提出一种新的离散粒子群算法。结合改进的自学习策略优化粒子群算法适用于求解电力系统中的机组组合(unit commitment,UC)问题。算法将UC问题分解为具有整型变量和连续变量的2个优化子问题,采用离散粒子群优化和原对偶内点法相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求... 相似文献
19.
湿式脱硫制浆系统中再循环箱浆液密度测量的准确性和实时性对脱硫过程的经济稳定运行有重要意义,提出了一种基于改进麻雀搜索算法优化(ISSA)最小二乘支持向量机(LSSVM)的再循环箱浆液密度预测模型。通过机理分析选出与浆液密度相关性较高的辅助变量并进行预处理,并利用PCA算法进行降维处理。在标准麻雀算法(SSA)中引入混沌映射以及自适应权重,提高种群分布均匀性并改善了算法搜索能力,用于优化LSSVM的关键参数,实现对浆液密度的精准预测。通过实际数据的仿真实验,结果表明: ISSA-LSSVM测量模型的平均绝对百分比误差(MAPE)、均方根误差(RMSE)及平均绝对误差(MAE)相比SSA-LSSVM分别降低了44.5%、43.8%、43.9%,预测精度明显优于改进前预测模型,具有一定的工程应用价值。 相似文献
20.
《电力科学与工程》2015,(8)
电力设备故障率具有时变性、随机性、回退等特点,预测难度大,因此在灰色GM(1,1)模型的基础上,采用模糊C均值聚类方法对GM(1,1)模型拟合值的误差序列进行状态划分;通过计算误差序列的状态转移概率矩阵,建立了电力设备故障率的灰色马尔可夫预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又计及了通过状态转移概率矩阵的变换提取数据随机波动响应的特点,避免了最大概率状态不为实际状态而出现最差的预测结果现象。通过实例证明,基于模糊C均值聚类的灰色马尔可夫模型预测结果优于传统的GM(1,1)模型和基于K均值聚类的灰色马尔可夫预测模型,具有较高的预测精度。 相似文献