基于PSO-LSSVM的矿井冲击地压分级预测研究

为准确预测煤矿冲击地压灾害,提出一种基于粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)预测方法,即冲击地压分级预测的PSO-LSSVM方法。该方法综合考虑煤矿开采深度、地质构造、煤的坚固性系数、最大主应力、煤层倾角变化、煤厚变化、顶板岩层厚度、开采工艺、顶板和底板岩石强度共10项指标因素,构建冲击地压预测指标体系。利用PSO搜索方法对LSSVM模型的核参数σ和惩罚因子 f快速寻优,再将优化参数输入LSSVM模型中,构建基于PSO-LSSVM方法的冲击地压危险性分级预测方法,并进行工作面实例预测。研究结果表明:与其他预测方法相比,PSO-LSSVM方法具有计算效率高、准确性高、操作简便等特点,现场应用效果良好。     

基于最小二乘支持向量机的胎儿心电信号提取

该文针对胎儿心电信号难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电信号的方法。首先利用最小二乘支持向量机(LSSVM)拟合母体心电信号传导至腹壁所经历的非线性变换,然后将母体心电信号经由所拟合的非线性变换得到腹壁混合信号中的母体心电成分的最优估计,再从腹壁混合信号中减去母体心电成分的最优估计得到含噪声的胎儿心电信号,最后通过经验模式分解(EMD)抑制胎儿心电信号中的基线漂移和噪声,得到清晰的胎儿心电信号。在胎儿心电信号和母体心电信号QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电信号。实验结果验证了该方法的有效性。     

基于即时学习算法的短期负荷预测方法

针对电力系统短期负荷数据存在非线性和时变性等问题,提出了一种变量相关性局部即时学习算法和最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型。利用互信息计算气象数据、各气象因素等变量的相关度,并引入到即时学习算法训练集中,用以选择当前电力系统负荷的建模邻域,提高系统短期负荷模型预测的精度。利用相似度阈值对局部模型进行自适应更新,增强系统负荷模型实时性。利用Matlab对某市宛城区的负荷量进行预测,结果表明,基于即时学习算法的电力系统短期负荷预测模型误差更小,系统预测精度更高。     

基于相似性样本的LSSVM短期风速和风功率预测研究

风速具有较大的随机波动性,影响电网的稳定性,良好的风速预测是解决风电并网问题的关键。为了提高风速预测的精确性,首先对风速数据进行相似性样本的提取,采用分段线性化的搜索方法,求出各小段风速的斜率与长度所占的比重,继而找出相似性距离最小的曲线簇。并以此作为训练样本,采用最小二乘支持向量机（LSSVM）模型对风速进行预测。预测结果表明,采用风速的相似曲线簇进行LSSVM模型训练所得的风速和风电功率预测结果更优。     

改进的局部LSSVM算法在明胶浓度软测量中的应用

在明胶生产的提胶工艺中,胶液浓度是一个很重要的质量和控制参数,但是目前对明胶浓度的检测手段多为离线人工检测,不能实现在线实时测量.该文提出使用软测量的方法对明胶浓度进行在线测量,采用局部LSSVM建模方法进行软测量建模,并用PSO算法对模型参数进行优化.Matlab仿真结果表明,基于PSO优化的局部LSSVM的软测量方...     

An Efficient Approach for the Determination of Oil Production Rate During the Water-flooding Recovery Method

In this work, a mathematical methodology namely, least square support vector machine (LSSVM) is implemented to predict the variation of oil production rate as a function of oil water viscosity ratio and water injection rate for water-flooding. Furthermore, the coupled simulated annealing (CSA) optimization technique is coupled with LSSVM to find the optimal architecture and parameters of the LSSVM. The obtained results demonstrate that the CSA-LSSVM estimations are in a satisfactory agreement with literature-reported data and the previously published correlation. Consequently, the R² and average absolute relative deviation of CSA-LSSVM model in testing phase are reported 0.979 and 8.15, respectively.     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

应用弱化缓冲算子与最小二乘支持向量机的变压器油中溶解气体浓度预测

变压器油中溶解气体浓度是评估油浸式变压器绝缘状态的重要依据。变压器油中溶解气体浓度的时间序列数据具有随机振荡性,往往不能准确把握溶解气体浓度的发展趋势,因此应用缓冲算子首先对原始数据进行弱化处理,减少其随机性。现有溶解气体浓度预测模型仅实现了点预测,为此采用最小二乘支持向量机与区间参数估计理论建立了溶解气体浓度的区间预测模型,确定未来溶解气体浓度在一定置信度下的变化区间。算例结果验证了该模型的有效性。     

基于数据均值化及LSSVM算法的峰谷电价需求响应模型

为提高系统的鲁棒性,客观挖掘特定用户对峰谷分时电价的需求响应规律,采用历史数据均值化的预处理方法,在一定程度上去除历史数据中其他非价格因素随机波动对用户需求响应行为的影响;运用构造等效峰谷分时电价思路,对训练样本集中的数据容量进行扩展;运用最小二乘支持向量机回归技术在所构造的训练样本集上建立分时电价需求响应预测模型;以地区T某行业为例进行算例仿真,在验证模型合理性的基础上,得到该行业日峰荷、平荷、谷荷对分时电价变动的响应规律曲线,该曲线符合用户峰谷分时电价需求响应曲线的实际情况,从而进一步验证了模型的可行性。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。 