基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

概率核主成分分析及其应用

主成分分析（PCA）、核主成分分析（KPCA）和概率主成分分析（PPCA）是已经取得广泛应用的特征提取方法。提出一种基于概率核主成分分析（PKPCA）的检测液晶屏幕亮点的方法。作为对PPCA的一种非线性扩展,PKPCA在PPCA的基础上引入了核函数方法,因而其捕获模式非线性特征的能力更强。在KPCA和PPCA的基础上推导了PKPCA过程公式,并在检测液晶屏幕亮点的应用中将PKPCA、PPCA、PCA算法进行比较。实验结果表明,PKPCA的检测率和局部信噪比优于其他两者。     

神经网络在电力负荷预测中的应用研究

研究电力负荷预测问题,针对精确测量电力负荷,由于影响电力负荷因素之间存在着菲线性,因素之间存在冗余信息,传统的数学模型在电力负荷预测中精度较低,为了有效提高电力负荷的预测精度,提出了一种主成分分析(PCA)和BP神经网络相结合的电力负荷预测方法.利用PCA对电力负荷的影响因素进行特征提取,以BP神经网络对经过PCA处理得到的新的变量进行训练建模,采用PCA - BP神经网络模型对河南某地区的电力负荷进行了仿真.结果表明,相对于参比模型,可有效地消除因素间的冗余信息,降低了BP神经网络的输入维数,简化了网络的结构,加快了学习速度,显著提高了电力负荷预测精度,证明提出的预测模型在电力负荷预测中是有效.     

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。     

核主成分分析在异型纤维识别中的应用

异型纤维自动检验过程中,传统边沿检测方法受到图片质量的影响较大。核主成分分析,直接从原始的灰度图像提取高阶统计信息,相对受图片质量影响较小。本文中,通过核主成分分析方法,提取图像特征,利用支持向量机分类器,实现对异性纤维的自动检验,并应用到异型纤维识别系统中,取得了预期的效果。同时实验结果表明,使用非线性核函数的识别率明显优于线性核函数的识别率。     

基于贪心核特征提取方法的中期峰值负荷预测

针对中期电力负荷预测, 提出基于贪心核主元回归(GKPCR)、贪心核岭回归(GKRR) 的特征提取建模方法. 通过对核矩阵的稀疏逼近, GKPCR和GKRR两种贪心核特征提取方法旨在寻找特征空间中数据的低维表示, 计算需求低, 适用于大数据集的在线学习. 将所提出的方法应用于不同地区的电力负荷中期峰值预测, 并与现有预测方法进行了比较. 实验结果表明, 在同等条件下, 所提出的方法能有效地改进预测精度, 而且性能更好, 显示了其有效性和应用潜力.

     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

核函数在主成分分析中的应用

主成分分析在对线性数据进行降维时非常有效,核函数能够将线性不可分的数据映射到高维希尔伯特空间中可能可分。将核函数应用到主成分分析中成为核主成分分析。从核函数的性质、核函数的参数调整、核函数的构造等方面对核主成分分析进行应用与实现,并结合核Fisher判别分析,对样例数据进行核主成分分析,结论表明,效果良好,但执行速度较慢,需要后续改进。     

核函数在主成分分析中的应用

主成分分析在对线性数据进行降维时非常有效,核函数能够将线性不可分的数据映射到高维希尔伯特空间中可能可分。将核函数应用到主成分分析中成为核主成分分析。从核函数的性质、核函数的参数调整、核函数的构造等方面对核主成分分析进行应用与实现,并结合核Fisher判别分析,对样例数据进行核主成分分析,结论表明,效果良好,但执行速度较慢,需要后续改进。     

PCA_RBF网络在电力负荷预测中的应用研究

研究电力负荷预测问题,由于电力负荷因子间存在非线性和高度冗余,传统方法无法消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种将主成份分析(PCA)和RBF神经网络相结合的电力负荷预测方法(PCA-RBF).首先对电力负荷高维变量数据矩阵进行标准化处理,然后利用主成分分析建立相关矩阵,计算特征值和特征向量,通过求取累计方差贡献率,对主成分作为RBF神经网络的输入进行训练预测,主成分以较少的维数包含了原高维变量所携带的大部分信息,避免过多的输入导致的精度低和训练慢的不足.采用PCA_RBF模型对某省1992-2002的电力负荷数据进行验证性测试和分析.实验结果表明,改进的PCA_RBF模型可有效降提高负荷预测精度.     

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率，在对基于核的学习算法中，核函数的构成条件以及不同核函数的特性进行分析和研究的基础上，提出了一种新的核函数——组合核函数，并将它应用于核主分量分析(KPCA)中，以便进行图像特征的提取，由于新的核函数既可以提取全局特征，又可以提取局部特征，因此，可以提高KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性，首先利用新的核函数进行KPCA，以便对手写数字和脸谱等图像进行特征提取，然后利用线性支持向量机(SVM)来进行识别，实验结果显示，从识别率上看，用组合核函数所提取的特征质量比原核函数所提取的特征质量高。     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。     

基于特征向量提取的核主元分析法

核主成分分析(KPCA)是非线性化工过程故障检测与诊断时常用的多变量统计控制方法之一.从两个方面改进了KPCA的故障检测性能.为了提高KPCA方法故障检测的准确率,提出了基于小波的KPCA故障检测方法.当样本数大时,采用基于几何考虑的特征向量提取(FVS)算法,降低了KPCA计算的复杂性,缩短了计算时间.Tennessee Eastman process仿真给出了所提出的方法的有效性.     

An Improved Algorithm for Kernel Principal Component Analysis

Kernel principal component analysis (KPCA), introduced by Schölkopf et al., is a nonlinear generalization of the popular principal component analysis (PCA) via the kernel trick. KPCA has shown to be a very powerful approach of extracting nonlinear features for classification and regression applications. However, the standard KPCA algorithm (Schölkopf et al., 1998, Neural Computation 10, 1299–1319) may suffer from computational problem for large scale data set. To overcome these drawbacks, we propose an efficient training algorithm in this paper, and show that this approach is of much more computational efficiency compared to the previous ones for KPCA.     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

基于GHA的核主成分分析及其应用

文中提出了一种将GHA(Generalized Hebbian Algorithm)学习规则应用到核主成分分析的新方法,它结合了核主成分分析和GHA学习规则的优点,既能利用核主成分分析的方法方便地提取数据的非线性特征,又能避免在大样本数据的情况下运算复杂和存储空间大的问题。实验证明了该方法的可行性和高效性。     

基于核的PP主成分分析及其在离群聚类中的应用

为了提高高维数据集合离群数据挖掘效率,在分析了传统的离群数据挖掘算法优点和缺点的基础上,提出了一种离群聚类算法,该算法将核方法与PP主成分变换结合于离群聚类算法中,采用基于核的PP主成分变换进行数据维数消减。通过该数据变换矩阵得到相应的非线性向量,并为每个向量分配一个动态权值,在优化经典的FCM模糊聚类的目标优化迭代函数基础上,最终得到各个数据的权值,根据权值的大小标识出数据集中的离群点,理论上证明了该算法的收敛性,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。     

基于主分量分析和遗传神经网络的电力负荷预测

针对中长期电力负荷预测受经济、人口、天气、政策的影响密切的问题,为了保证预测的准确性和快速性,应当将这些影响因素全部考虑进来作为预测模型的输入。首先通过主分量分析法在保证不丢失输入信息的情况下将输入的维数降低,然后使用遗传算法优化网络的权值和阈值,最后用L—M贝叶斯正则化BP算法训练网络,并与传统的只考虑经济因素的预测方法的训练结果进行了比较。通过《重庆统计年鉴》统计的数据仿真,结果表明本文提出的预测方法的预测精度更高。     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（PCA）是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。