基于小波分解和支持向量机的办公建筑空调负荷预测

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于小波分解和支持向量机的办公建筑空调负荷预测北大核心

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于PSO-SA优化的LSSVM空调负荷预测

对空调负荷进行准确预测不仅对优化空调控制的意义重大,也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析最小二乘支持向量机建模特点的基础上提出了利用PSO-SA优化的一种空调负荷预测算法。该方法利用粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择,提高模型的精度和泛化能力。通过空调负荷预测建模的结果表明,该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为实现空调系统的优化运行奠定了基础。     

基于混沌支持向量回归机的短期空调负荷预测

提出了1种基于混沌分析和支持向量回归机的短期空调负荷预测建模方法。通过研究实际空调负荷序列的混沌特性,确定其混沌特征参数并选取支持向量回归机进行预测。支持向量机建模过程使用粒子群算法进行参数寻优。仿真结果表明,空调负荷序列具有一定的混沌特性,使用混沌支持向量机方法的预测精度比单一支持向量机法预测结果 EEP指标降低了31.4%,预测精度有了明显提升。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

SVM的信息粒化时序回归预测城市用水量

利用基于信息粒化的支持向量机预测模型对某市11个月的时用水量数据进行模拟训练,对下一个月的每日最高时用水量进行预测.首先提取每日的最高时用水量,再将每7个数据变换为一个三角型模糊粒子,该模糊粒子中的三个参数Low、R和Up分别代表一周内最高时用水量变化的最小值、平均值和最大值,然后利用SVM对最高时用水量及Low、R和Up进行预测.针对SVM在预测时调整自身相关参数困难的问题,提出了运用网格法对模型中的参数进行优化选择.实例分析结果表明,该模型建模速度快,预测精度高,且实用性强.     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

最小二乘支持向量机(LS-SVM)在短期空调负荷预测中的应用

将最小二乘支持向量机(LS-SVM)引入空调负荷预测中,在Fortran软件平台上建立LS-SVM空调负荷预测模型,并将其应用于绵阳一栋办公类建筑的空调负荷预测中。试验表明所提出的方法预测精度较高,运算简单,收敛速度快,具有较强的可行性和实用性。     

LS-SVM变形预测在雪峰山1号隧道的运用

以沪昆高铁雪峰山1号隧道出口段为例,借助最小二乘支持向量机的反分析技术,探索该方法在大断面隧道位移反分析预测中的应用。首先雪峰山隧道的勘察设计相关资料和相关规范,通过正交设计方法获得多组参数组合,用来做数值模型的参数输入。再通过有限差分方法进行数值分析获得各组参数对应的位移信息,从中提取支持向量机的训练样本和测试样本,获得支持本隧道的向量机模型。最后以实际的拱顶监测位移值带入模型获得反演计算的围岩相关参数,并且通过数值模拟进行验证,取得了很好的效果,获得了与实际近似的数值模型,进而通过最小二乘支持向量机进行隧道拱顶变形预测分析,指导施工。     

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于PSO-SVM模型的短期电力负荷预测研究

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。     

基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型.该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测.研究表明:PSO-LSSVM模型的平均绝对误差为...     

大坝变形非线性智能组合预测方法研究

为同时利用不同大坝变形预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化一支持向量机(PSO-SVM)的大坝变形非线性智能组合预测模型.选取几种不同原理的建模方法建立预测模型并预测,利用其预测结果建立组合预测模型,组合函数的拟合采用混合核函数支持向量回归算法.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.实例分析表明,该模型较好地整合了不同建模方法的特征信息,避免了单一方法的偶然性,较单一预测模型、加权组合预测模型具有更高的预测精度和更小的峰值误差,为更准确地进行大坝安全监控提供了一种新的途径.     

基于极限学习机的燃气日负荷预测

介绍极限学习机(ELM)的原理,提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本,采用归一化等预处理方法处理输入数据,通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机(SVM)方法得到的燃气日负荷预测值进行对比,将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比,极限学习机预测方法具有较好的预测精度,且训练时间短。     

基于支持向量机的中央空调节能控制技术研究

针对目前传统的中央空调节能控制方法和支持向量机(SVM)空调负荷预测方法各自的优缺点,提出了一种基于SVM的中央空调节能控制方法。SVM使用传统的中央空调节能控制系统采集的训练样本数据进行负荷预测,控制系统根据预测结果进行控制调整,SVM根据调整结果增加新的训练样本、或对训练样本进行修正,进而对回归函数进行修正。重复该迭代过程,可不断提高预测和控制的准确度和实时性,进而在保证基本需求(如舒适度)的同时达到最佳的节能效果。     

基于电阻率和支持向量机算法的混凝土振捣范围预测

基于混凝土电阻率和支持向量机算法,提出了一种新拌混凝土振捣范围的原位预测方法.首先采集振捣过程中混凝土不同区域的电阻率数据,经小波去噪后提取特征值;将受振混凝土各区域作为样本群,以各区域的混凝土电阻率特征值、与振捣棒的相对位置以及混凝土流动性特征值作为样本信息,以振捣作用下铝球是否沉降至该区域作为分类标签,搭建支持向量机分类模型,对混凝土各个区域是否处于振捣范围内进行二分类判断,并将两类区域的分界位置作为振捣范围的表征;预测结果表明,以坍落度为60、90 mm的混凝土试验数据作为监督学习的训练组,训练得到的支持向量机分类模型能够准确预测相同振捣棒在坍落度170 mm的混凝土中的振捣范围,证明了使用电阻率数据表征新拌混凝土振捣范围的可行性.     

导水裂缝带高度预测的模糊支持向量机模型

针对传统支持向量机(SVM)模型在导水裂缝带高度预测中存在着易受奇异值干扰而造成的泛化能力降低问题,提出了基于异常样本探测、剔除的模糊支持向量机模型(FSVM)。采用模糊聚类分析和加权支持向量机(WSVM)相结合的方法,首先根据模糊ISODATA算法求得导水裂缝带高度及其影响因素的最优分类矩阵,剔除分类结果不一致的观测样本,然后以模糊隶属度为样本权重,按照WSVM建模思想建立了导水裂缝带高度预测的FSVM模型。通过实例将FSVM和WSVM、SVM的预测结果作对比分析。结果表明,FSVM避免了异常样本对预测结果的影响,并顾及了建模样本的不同重要程度,其预测精度比WSVM和SVM有较大的提高。