基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。     

改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R²为0.958 2,与其他两个模型相比有更高的预测精度。     

基于PCA和GA算法优化最小二乘支持向量机的开关柜温度预测

高压开关柜在变、配电系统中承担着保护、控制和分配电能的作用,其运行稳定性对电网安全稳定运行至关重要。针对影响开关柜温度因素众多以及最小二乘支持向量机(LS-SVM)回归预测时最优参数的选择问题,提出基于主成分分析(PCA)和遗传算法(GA)优化的最小二乘支持向量机开关柜温度预测模型。主成分分析通过变量间相关性降低影响开关柜温度因素变量维数,加快模型训练速度;同时,利用遗传算法进行LS-SVM模型参数优化,提高开关柜温度预测准确度,并通过实例分析进行验证。     

基于PSO参数优化的LS-SVM风速预测方法研究

讨论了嵌入维数d和时间延迟?作为空间重构参数对LS-SVM预测模型精度的影响,提出了基于PSO参数优化的LS-SVM预测方法。将d、?以及模型参数(正则化参数?、核函数宽度?)作为优化对象,利用PSO方法对4个参数共同优化选取,建立LS-SVM风速预测模型。对2组风速数据进行了实验研究,结果显示该方法预测误差约为5.79%和7.33%。而对比方法 (单纯优化?、?)的误差为8.22%和11.10%。这一结果表明,同时对d、?、?、?进行优化选取是有必要的,相对于单纯优化?、?的模型,该方法可以大大提高预测模型精度。     

基于主成分与粒子群算法的LS-SVM短期负荷预测

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。     

基于改进粒子群优化LS-SVM的短期风速预测

针对现有风速预测方法在解决预测问题时存在的不足,提出了采用收缩因子对粒子速度更新的方式进行改进,保证粒子群算法前期的全局搜索能力和后期的局部寻优能力,提高算法的收敛性能。利用改进PSO对LSSVM参数进行寻优,建立基于改进PSO优化LS-SVM的短期风速预测模型。采用实际风速数据进行仿真分析,所建模型的平均相对误差和均方根误差分别为3.72%和0.21,均好于其他几种风速预测方法,验证了所提出方法的正确性和实用性。     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机( LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择.对于支持向量机中的核参数和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择.在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度.选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比,实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域.     

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机（LS-SVM）进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均（ARMA）误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。     

最小二乘支持向量机在航空蓄电池剩余容量预测中的应用

本文提出了一种预测航空蓄电池剩余容量的新方法.介绍了电池容量常用的几种预测方法及缺点;阐述了用于航空蓄电池容量预测的最小二乘支持向量机(LS-SVM)回归算法原理,并说明了预测模型的建立步骤;提出了交叉验证法来优化惩罚因子和核函数参数,给出了两种误差标准;最后用实验数据验证了所建LS-SVM预测模型的准确性,并与BP神经网络进行比较,仿真结果证明,LS-SVM预测模型比BPNN模型的精度高,更适合用于航空蓄电池容量在线预测.     

基于Stacking融合的短期风速预测组合模型

大规模风电并网时,准确的风速预测对电网稳定运行具有重要意义。为提高风速预测精度及预测模型泛化能力,提出基于改进Stacking算法的风速组合预测模型。首先建立基于不同核函数的核岭回归模型;然后利用改进的萤火虫算法对模型关键参数进行选取,通过引入自适应参数、全局搜索及Levy飞行提高算法的全局搜索能力及收敛速度;最后通过Stacking算法将相互独立的各模型进行融合,以增强模型泛化性,并采用交叉验证进一步提高预测精度。选择不同风场、不同季节的实测数据对所提模型的预测效果进行仿真,通过对比分析验证了所提模型的预测精度和泛化能力。     

基于熵权-灰色关联法与ISMA-HKELM的光伏发电功率预测

考虑到光伏发电功率具有波动性和不稳定性的特点,因此需要对光伏发电功率进行准确有效的预测,以保证电力系统的安全、稳定运行。首先,利用熵权-灰色关联分析法筛选出影响光伏发电功率的主要因素;其次,结合高斯核函数和多项式核函数构造具有更强泛化能力的混合核极限学习机（HKELM）,同时针对黏菌算法（SMA）易陷入局部极值和收敛准确度低的问题,引入Levy飞行策略和自适应t分布策略对黏菌算法进行创新性改进;然后,采用改进后的黏菌算法（ISMA）对HKELM模型的参数进行优化,并建立ISMA-HKELM光伏发电功率预测模型;最后,将预测模型应用到实际案例中,并与其他模型的预测结果及误差进行对比分析。结果表明,所提预测模型的准确度更高、稳定性更强,为实现微电网能量管理中的发电优化调度、负荷管理提供一定的依据。     

基于PSO-LSSVM的离心泵状态预测方法

油田系统中离心泵因长期在恶劣环境下运行,受现场工况、介质腐蚀等因素影响,故障信号多表征出明显的非线性和时变非平稳性,数据量大,运行状态难以实时准确预测,本文提出了一种基于PSO（Particle Swarm Optimization,粒子群算法）优化LS-SVM（Least Squares Support Vector Machines,最小二乘支持向量机）的离心泵状态预测方法。首先利用粒子群算法的全局搜索特性,对最小二乘支持向量机的核参数g和惩罚因子C进行快速自动寻优,其次确定了平均绝对误差、平均相对误差和均方根误差为预测精度评估指标,最后通过实时采集的数据对本文的预测方法进行验证。结果表明：与LS-SVM预测模型相比,PSO优化LS-SVM模型降低了计算的复杂性,具有泛化能力强,预测精度高的优点,平均绝对误差、平均相对误差和均方根误差较LS-SVM模型分别减少了52%、56%和44%。该方法可为预测性维修提供理论依据,在工程实践方面具有良好的应用前景。     

基于PBES-LS-SVM的锂离子电池组SOC预测

针对锂离子电池组荷电状态(state of charge,SOC)难以预测的问题,提出应用主成分分析(principal component analysis,PCA)选取影响因素和秃鹰算法(bald eagle search,BES)优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的SOC预测模型。首先,采用PCA筛选出主成分特征值较大的因素后,将其组成多输入样本集合;其次,利用秃鹰搜索算法的全局搜索能力不断优化最小二乘支持向量机的惩罚系数C、核函数g,建立PBESLS-SVM预测模型;最后,应用某储能设备历史数据,采用GA-BP、BES-SVM和PBES-LS-SVM等模型分别对锂离子电池组的完整放电过程数据集与部分放电过程数据集进行仿真研究。结果表明,提出的模型SOC预测均方根误差、平均绝对误差、平均绝对百分比误差分别减小至1.79%、1.30%和3.39%。与其余预测模型相比,PBES-LS-SVM模型预测精度高、预测时间短,具备良好的收敛性、泛化性。     

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型

针对目前输电线路覆冰负荷预测模型存在的预测精度不足、模型参数选择随意性强、预测效率低等问题,提出了一种基于现场监测数据的输电线路覆冰负荷在线预测模型。首先基于主成分分析法(PrincipalComponent Analysis, PCA)提取微气象数据中的有效信息,并采用遗传优化算法(Genetic Algorithm, GA)对惩罚系数等模型参数进行优化确定,建立离线最小二乘支持向量机(LeastSquaresSupportVectorMachines, LS-SVM)模型。然后基于KKT条件(Karush-Kuhn-Tucker conditions)和增量在线学习算法,实现了回归函数和预测模型的在线更新。最后通过云南电网相关输电线路覆冰灾害的实例进行仿真分析。实验结果表明所提模型可有效地对现场输电线路覆冰负荷进行在线预测,单步长及多步长的预测效果均优于传统的覆冰预测模型,应用该预测模型可更好地为输变电系统的除冰和维护决策服务。     

基于EEMD和IHHO-LSSVM滚动轴承剩余寿命预测方法的研究

针对滚动轴承剩余寿命预测准确度不高的问题,构建一种基于集合经验模态分解(EEMD)和考虑改进哈里斯鹰算法(IHHO)的最小二乘支持向量机(LSSVM)滚动轴承剩余寿命IHHO-LSSVM预测模型.首先,使用EEMD对原信号进行分解,根据峭度指标和相关系数选取合适的本征模态函数(IMF)进行重构.然后采用核主成分分析(KPCA)提取累计贡献率大于85％的主成分作为评估轴承退化性能指标.引入能量周期性递减调控机制,IHHO-LSSVM模型进行寿命预测,有效提高了HHO算法中寻找最优解的能力.通过轴承全寿命试验数据进行验证,其结果表明,该方法提取的轴承性能评估指标能够更为全面地表征轴承性能退化情况,建立的IHHO-LSSVM模型具有良好的预测效果.     

基于Bootstrap和ICS-MKELM算法的大坝变形预测

传统大坝预测方法难以适应坝体变形序列的高维非线性特征,且仅能以点值的形式预测大坝变形,未能有效量化由数据随机噪声、输入样本的主观确定、参数的随机选择等引起的结果不确定性。针对上述问题,提出了基于Bootstrap和改进布谷鸟优化多核极限学习机（ICS-MKELM）算法的大坝变形预测模型,实现在精确预测大坝变形点值的同时,通过区间形式量化预测值的不确定性。首先,建立基于高精度多核极限学习机（MKELM）的大坝变形预测模型,该模型集成了核极限学习机（KELM）高效处理强非线性回归问题的优势和混合核泛化、学习能力强的特点,同时采用基于惯性权重和混沌理论改进的布谷鸟搜索（ICS）算法对多核极限学习机中核参数及正则系数进行优化,弥补模型易陷入局部最优的不足;其次,引入Bootstrap区间预测方法对模型和数据造成的不确定影响进行量化;最后,将所提模型应用于某实际大坝工程的变形预测,分析了不同训练样本数对模型预测精度的影响,同时通过与五种常用的预测算法进行对比,验证了本文模型具有一致性和优越性。     

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。     

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。     

基于KPCA-ITSO-ELM-Adaboost的变压器故障诊断方法

针对传统变压器故障诊断方法诊断精度低,单一智能诊断方法在实际模型中不能准确分类的问题,建立了一种改进金枪鱼算法(ITSO)优化加权极限学习机(ELM)的变压器故障诊断模型。首先,使用核主成分分析算法(KPCA)对变压器故障数据进行降维处理,去除数据中的无用信息,提高模型的识别效率,然后,利用ITSO算法对ELM进行优化,建立ITSO-ELM变压器故障诊断模型,最后,使用Adaboost算法对ITSO-ELM模型进行增强。仿真实例表明,所提方法相比于与ELM-Adaboost、TSO-ELM、ITSO-ELM模型分别提高了11.6%、7.2%、4%,验证了所提模型的有效性。