共查询到10条相似文献,搜索用时 46 毫秒
1.
针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。 相似文献
2.
风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法(improved particle swarm optimization algorithm ,IPSO)对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机(LSSVM)的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机(support vector machine,SVM)模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机(IPSO-LSSVM)的风电功率预测模型具有较高的预测精度。 相似文献
3.
提出了一种基于压缩感知(CS)和最小二乘支持向量机(LSSVM)构成的压缩感知最小二乘支持向量机(CS-LSSVM)软测量模型,用于预测烟气中的NOx质量浓度。利用压缩感知理论中的最小二乘匹配追踪算法(LS-OMP)对LSSVM在建模过程中的映射矩阵进行压缩,采用压缩后的稀疏映射矩阵直接建立CS-LSSVM软测量模型。与传统LSSVM模型相比,本模型通过稀疏映射矩阵,降低了运算成本的同时提高了模型的计算速度;与传统稀疏化LSSVM(Sparse-LSSVM)模型相比,LSSVM模型仍需要在建模后不断稀疏新输入的支持向量,本文CS-LSSVM模型仅通过在建模过程中一次性压缩,降低了运算成本的同时提高了软测量精度,将该模型用于电厂燃煤锅炉NOx排放的软测量中,现场数据仿真结果表明,用本文提出的方法以50%的支持向量就能达到很好的表现能力,为现场NOx的在线软测量提供了数据支持。 相似文献
4.
针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。 相似文献
5.
6.
磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。 相似文献
7.
8.
针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较... 相似文献
9.
10.
准确的中长期电力负荷预测对电力系统的合理规划具有重要作用.考虑了经济发展趋势,提出了一种应用模拟退火算法(sA)优化最小二乘支持向量机(LSSVM)的中长期负荷预测新方法(SALSSVM).首先将反映经济发展趋势的指标和历史负荷数据作为输入变量;其次运用SA优化选择用于负荷预测的LSSVM模型最优参数值;最后将该方法与未考虑经济发展趋势或未经SA优化的LSSVM预测方法进行对比.实例验证结果表明,考虑经济发展趋势并经SA优化的LSSVM模型具有更高的预测精度.该方法是有效可行的. 相似文献