基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于支持向量机的软测量技术应用研究

讨论了支持向量机的回归计算理论,并针对某炼油厂加氢裂化分馏汽油干点无法实时在线监测的问题,建立了基于支持向量机的软测量模型对汽油干点进行实时预测．     

水火弯板局部变形预测建模方法比较

在开发的水火弯板成形过程的热一机分析有限元模型的基础上,就有限元计算结果和实验值进行了对比验证,提出了支持向量机回归模型应用于水火弯板局部变形预测．将数值模拟的计算数据,用传统回归方法、神经网络和支持向量回归技术进行了变形预测的建模和预报对比,结果表明：支持向量回归的预报准确率较高,预测结果稳健性方面也有一定的优势,鉴于支持向量机算法具有较好的建模能力和预报能力,可望在水火弯板变形预测领域得到实际应用。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

基于支持向量机的短期风速预测研究综述

介绍了支持向量机(SVM)的理论基础,从两个方面归纳了目前国内外支持向量机算法在短期风速预测应用中的现状。首先,介绍了确定性支持向量机的预测方法:使用数据挖掘算法结合支持向量机的预测模型和对核函数参数改进优化的支持向量机预测模型。其次,介绍了结合模糊、粗糙和未确知等不确定性支持向量机的预测方法。对现有支持向量机在短期风速预测的应用现状介绍后,分析了SVM核函数的选取和参数优化对预测精度影响的问题,最后展望了基于支持向量机的短期风速预测研究的前景。     

最小二乘支持向量机的参数优化算法研究

该文针对最小二乘支持向量机的参数优化存在的问题,提出交叉验证的最小二乘支持向量机的参数自调整优化算法,用非线性测试函数的数据进行训练,并用于水下FCAW熔深多信息在线监测。最后把最小二乘支持向量机与传统的BP网络预测结果进行比较,结果证明,该模型的预测精确度是令人满意的,该文提出的方法是可行的。     

基于不确定多分类支持向量机在滑坡危险性预测的应用

为了提高滑坡危险性预测的准确度,提出一种基于不确定多分类的支持向量机在滑坡危险性预测的方法.针对诱发滑坡的不确定因子降雨量数据难以有效刻画等问题,引入不确定支持向量机算法理论,结合其他评价因子,构建不确定多分类支持向量机分类器,建立滑坡危险性预测模型,以延安市宝塔区为例进行预测实验.结果表明,该方法不仅能够达到滑坡危险性预测的精度标准,且比传统的支持向量机分类方法有更高的预测精度.     

一种基于改进万有引力和支持向量机的数据校正方法

针对在线数据校正效果差的问题,提出了一种基于改进万有引力和支持向量机的数据校正方法.首先为了减小计算量,对万有引力算法中的适应度函数进行改进,利用改进的万有引力算法对影响支持向量机性能的重要参数进行优化.然后利用少数准确的离线试验数据对支持向量机回归模型进行训练,当在线监测的历史或实时数据不在回归模型允许偏差范围内时,通过回归模型对异常数据进行校正.最后通过实际数据对提出的方法进行验证,结果证明了该方法的可行性和有效性.     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

大型电厂锅炉NOx排放特性的支持向量机模型

为了降低大型电厂锅炉NOx的排放,并对燃烧进行优化和控制,应用支持向量机算法建立了大型四角切圆燃烧电站锅炉NOx排放特性模型,利用NOx排放的热态实炉试验数据对模型进行了训练和校验,并对支持向量机算法模型中的参数g和C的选择进行了较深入的探讨,定性地分析了模型参数g和C的变化对模型预测能力的影响,获得了最佳的模型参数.利用该模型对不同实验工况下NOx的排放作出了预测,结果说明采用支持向量机算法建模达到了比较准确的预测效果,与其他建模方法相比具有泛化能力好、计算速度快的优点.     

Time series online prediction algorithm based on least squares support vector machine

Deficiencies of applying the traditional least squares support vector machine （LS-SVM） to time series online prediction were specified. According to the kernel function matrix＇s property and using the recursive calculation of block matrix, a new time series online prediction algorithm based on improved LS-SVM was proposed. The historical training results were fully utilized and the computing speed of LS-SVM was enhanced. Then, the improved algorithm was applied to timc series online prediction. Based on the operational data provided by the Northwest Power Grid of China, the method was used in the transient stability prediction of electric power system. The results show that, compared with the calculation time of the traditional LS-SVM（75 1 600 ms）, that of the proposed method in different time windows is 40-60 ms, proposed method is above 0.8. So the improved method is online prediction. and the prediction accuracy（normalized root mean squared error） of the better than the traditional LS-SVM and more suitable for time series online prediction.     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.     

源网荷全景同步测量系统分布式主站的设计与实现

源网荷全景同步测量系统（Full-View Synchronized Measurement System ,SYMS）实现了对高比例电力电子化的新型电力系统的全方位实时检测。SYMS 主站作为测量数据的接收与分析平台,其数据处理能力对保障SYMS稳定运行与应用效果具有重要意义。然而,由于数据类型多、装置数量激增、数据分析过程复杂,集中式架构的主站难以保证同步相量数据处理的实时性与可靠性。因此,本文提出一种适用于SYMS系统的分布式主站设计方法,并进行了实现。首先,该方法分析了SYMS不同测量装置的通信方式,提出并建立了基于开源相量数据集中器（Open Source Phasor Data Concentrator, OpenPDC）的多源异类数据适配器,并设计实现了基于HAProxy的主站前置服务器的负载均衡集群;其次,针对主站数据在线分析延时高的问题,设计并开发了基于流处理框架的Storm适配多语言、多时间窗算法的分布式计算方式,进一步搭建了包含前置数据平台与在线应用平台的SYMS分布式主站;实际系统测试结果表明,与集中式架构相比,所提架构在实际运行中可有效均衡负载,利用分布式方式提高运算速度,针对多类型实时测量数据具有更强的并发处理能力与更短的处理延时,并有效监测系统的异常状态。可为新型电力系统特性分析、建模、闭环控制等应用提供数据基础与应用平台。     

基于P-Q解耦变换的智能电网状态估计算法

针对传统的电力系统状态估计算法存在计算精度低,运算时间成本高的问题,提出了一种基于P-Q解耦变换的电力系统状态估计算法.该算法将支路功率量测、负荷量测与电压电流幅值量测进行解耦.保留解耦后的非线性迭代表达式,得到变换后的功率表达式,并完成状态估计的优化计算. IEEE标准节点系统的测试计算结果表明,所提出的算法能够适用于不同网络拓扑结构的研究,并可以满足计算精度和计算时间的要求.     

基于深度学习的新能源爬坡事件预测方法

随着新能源渗透率的逐渐增大,有功功率不平衡的爬坡事件时有发生,甚至造成较大负荷损失。因风电和光伏预测的精度不够,需要考虑的运行场景较多,时域仿真不能满足在线评估要求。提出一种基于深度学习的方法,综合考虑机组和联络线的调节能力,利用堆叠降噪自动编码器提取各层特征训练支持向量机。将风电、光伏和负荷预测数据及上一时刻联络线功率等相关量作为输入,是否发生爬坡事件为输出,通过支持向量机快速预测是否发生爬坡事件。实际电网的仿真结果表明,本研究方法快速准确,能够对爬坡事件进行有效辨识。     

基于深度学习的新能源爬坡事件预测方法

随着新能源渗透率的逐渐增大,有功功率不平衡的爬坡事件时有发生,甚至造成较大负荷损失。因风电和光伏预测的精度不够,需要考虑的运行场景较多,时域仿真不能满足在线评估要求。提出一种基于深度学习的方法,综合考虑机组和联络线的调节能力,利用堆叠降噪自动编码器提取各层特征训练支持向量机。将风电、光伏和负荷预测数据及上一时刻联络线功率等相关量作为输入,是否发生爬坡事件为输出,通过支持向量机快速预测是否发生爬坡事件。实际电网的仿真结果表明,本研究方法快速准确,能够对爬坡事件进行有效辨识。     

基于计算吞吐量最大化的能量采集边缘计算系统在线资源优化配置

在基于可再生能量收集技术的移动边缘计算(Mobile Edge Computing, MEC)系统中,可再生能量到达和计算卸载无线信道呈现较强的时空变化特性,因此该系统的无线及计算资源管理与用户任务计算之间存在着动态适配的挑战。针对此类问题,本文研究多时隙多用户的能量采集边缘计算系统,建立可再生能量随机到达和无线信道模型以及预测误差模型,以系统总计算吞吐量最大化为准则,通过逐时隙联合优化用户本地计算和计算卸载模块,提出了一种在线滑动窗设计方案, 需要通过调整滑动窗长度M来实现。该方案逐时隙求解凸优化问题,基于离线资源动态管控的最优结构,实时制定资源管理策略,具有较低的计算复杂度。仿真实验结果表明,提出的在线滑动窗设计方案在系统计算吞吐量性能方面优于已有的基准方案,并在对抗信道/能量状态信息预测误差方面有较好的鲁棒性能。     

在线角速度估计的乒乓球机器人视觉测量方法

针对目前乒乓球机器人在视觉跟踪过程中无法准确识别和跟踪旋转球轨迹,导致预测结果误差较大的问题,提出基于在线旋转角速度估计的视觉测量方法.该方法应用空气动力学的理论知识对旋转球的受力情况进行分析建模,构建旋转球轨迹的过程方程和观测方程,利用非线性扩展Kalman滤波器对包括角速度在内的运动状态进行估计.通过仿真实验和实际轨迹跟踪实验验证了该方法的有效性和正确性,且预测结果优于同类跟踪方法.该方法亦可应用于实时高速目标跟踪的场合.     

一种基于灰色系统和支持向量机的预测优化模型

针对传统的灰色系统中预测模型涉及相关因素多,预测效率与精度不足等问题,结合粗糙集理论和支持向量回归机方法,提出了一种改进的预测优化算法。该模型算法首先利用属性约简技术解决影响因子不相容性问题并有效缩减了影响预测值的因子空间,降低计算的复杂性;然后采用灰色模型进行数据预测,并将预测结果作为支持向量机的输入,进而求解优化模型的预测值,最后采用1990～2010年我国人口数据对我国人口进行预测。实验结果表明该预测优化模型在预测效率和精度方面具有较好的表现。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.