基于支持向量机和粒子群算法的信息网络安全态势复合预测模型

提出一种基于支持向量机和粒子群算法的网络态势复合预测模型。模型使用滑动窗口方法将各原始离散时间监测点的安全态势值构造成部分线性相关的连续时间序列,以其作为安全态势数据样本集对支持向量机加以训练,生成预测模型。在支持向量机训练过程中,利用粒子群算法搜寻支持向量机的最优训练参数,以降低支持向量机参数选择的盲目性,提高预测精度。最后通过基于大量电力企业信息网络现场安全监测数据的实验,验证了复合预测模型的有效性。     

结合支持向量机和马尔可夫链算法的中长期电力负荷预测模型

中长期电力负荷预测具有可利用的历史数据较少和受外界不确定性因素影响较大的特点,传统的单一预测模型很难满足生产实际的需要。在简要分析了支持向量机和马尔可夫链各自优势的基础上,提出了一种基于支持向量机和马尔可夫链的组合负荷预测模型。通过经改进的粒子群算法优化的支持向量机对历史负荷序列进行粗预测,接着借助马尔可夫链确定负荷序列的状态转移概率矩阵,通过划分系统状态以及分析实际值与支持向量机拟合值的相对误差,得到最终的预测结果。实际算例验证了该模型的有效性和优越性。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于高斯过程回归的短期风速预测

准确预测风速能有效减轻风电场对整个电网的不利影响,提高风电场在电力市场中的竞争能力。为了提高风速预测的精度,提出一种基于高斯过程(Gaussian processes,GP)的风速预测模型。首先运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数,进而对混沌风速时间序列进行相空间重构。其次运用GP模型对重构后的风速时间序列进行训练,同时在贝叶斯框架下,确定协方差函数中的"超参数"。最后利用训练好的GP模型风速时间序列进行预测,并与支持向量机、最小二乘支持向量机和BP神经网络进行比较。仿真结果表明,基于GP的风速预测模型具有很好的稳定性,能够满足预测精度的要求,具有很大的工程实际应用价值。     

基于PSO优化LSSVM的短期风速预测

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。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

基于气温累积效应和灰色关联度的短期负荷预测研究

气象因素是短期负荷预测重要的影响因素。为提高预测精度,研究了一种基于气温累积效应和灰色关联度的支持向量机拓展算法——最小二乘支持向量机(least squares support vector machine,LSSVM)。通过相关性分析得到与日平均负荷相关程度较大的气象因素。在此基础上,结合气温累积效应采用灰色关联方法对历史日进行分析,选取与待预测日关联度较大的历史日作为相似日,并对LSSVM模型进行训练和预测。实际应用表明,使用所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

杂草算法优化支持向量机的短期负荷预测

针对支持向量机在短期负荷预测中的参数优化问题,利用杂草算法优异的搜索能力,构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型(IWO-SVM)。该模型首先将支持向量机一组参数看作一个杂草种子,然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优,最后采用具体短期负荷数据对其性能进行分析。结果表明,IWO-SVM获得了高精度的短期负荷预测结果,能够满足短期负荷预测的实际要求。     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

支持向量机（SVM）已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测。提出了一种基于鲁棒支持向量回归机RSVR（Robust Support Vector Regression）的中长期负荷预测的新方法。给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法。建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势。     

径流混沌时间序列的模糊支持向量机预测模型研究及其应用

针对径流混沌时间序列固有的确定性和非线性特点,以传统的支持向量机预测模型为基础,通过引入模糊隶属函数来考虑气候和流域下垫面条件变化,建立了径流混沌时间序列的模糊支持向最机预测模型.通过三种方法对长江寸滩站实际月径流时间序列的预测模拟结果对比,表明本文建立的模型具有更高的模拟精度,是一种有效的径流时间序列预测模型.     

最小二乘支持向量机在光伏功率预测中的应用

为了减少光伏发电的随机化问题对电力系统的影响,建立了基于最小二乘支持向量机的光伏功率预测模型,提前1h进行功率预测,根据储能补偿光伏输出期望值与实际输出的差额,优化储能安装容量。介绍了一种反映云层变化信息的地表太阳辐射量预测模型。采用光伏阵列的发电量、地表太阳能辐射量和气温序列分别按统一建模和时间序列建模2种方案建立了最小二乘支持向量机模型,并对训练好的模型在不同日类型下进行了测试和评估,验证了该模型和算法的有效性。结果表明,该模型不仅能够解决光伏发电的随机化问题,而且能有效减少储能安装容量。     

基于粒子群优化鲁棒支持向量回归机的中长期负荷预测

持向量机(SVM)已经成功地应用于解决非线性回归和时间序列问题,并且已经开始用于中长期负荷预测.提出了一种基于鲁棒支持向量回归机RSVR(Robust Support Vector Regression)的中长期负荷预测的新方法.给出利用粒子群优化算法对鲁棒支持向量机系数优化选择的方法.建立基于此原理的中长期负荷预测模型,算例分析比较验证本文方法具有预测精度高、计算量小等特点和优势.     

风电场发电功率组合预测方法研究

针对风电场发电功率的短期预测,阐述了组合预测的方法原理。分别建立基于相空间重构的RBF神经网络模型、时间序列模型、支持向量机模型三种单项预测模型,并在此基础上确立加权系数,得到了两个组合预测模型。预测结果显示组合预测较单项预测的效果有了很大的改善,具有实际意义和应用价值。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于混沌优化支持向量机的火电厂NO_x排放量预测

在传统支持向量机的基础上,建立了基于混沌优化算法优化的支持向量机预测模型,提高了支持向量机的预测精度。根据1995~2009年的NOx统计数据,对2010年的NOx排放量进行了预测,验证了预测模型的合理性。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于模态分解和支持向量机的风电功率组合预测

针对风电功率序列的不确定性和随机性特征,提出基于聚类经验模态分解(EEMD)和支持向量回归机(SVR)的风电功率预测模型。同时,为克服支持向量回归机依赖人为经验选择学习参数的弊端,采用纵横交叉算法(CSO)优化支持向量回归机学习参数。首先,利用聚类经验模态分解将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对每子序列单独建立CSO-SVR预测模型。最后,叠加各子序列的预测值得到实际预测结果。实例研究表明,所提模型能获得优良的风电功率预测结果。     

基于EMD和ABC-SVM的光伏并网系统输出功率预测研究

针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型。首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列。然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理。最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值。通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度。