相关向量机和特征选取技术在短期负荷预测中的应用

通过改进传统的Relief算法,提出一种短期负荷预测特征输入量的选取方法,并使用相关性分析法来消除冗余特征。在所选特征和气温数据的基础上,应用相关相量机来建立预测模型。以美国德州电力市场某东部城市的真实负荷数据来进行仿真分析,结果表明本文的特征选取方法能够很好的提取负荷的短期趋势特征和周期性特征,而相关相量机也获得了比支持向量机和BP神经网络要好的预测结果,体现了本文方法的优越性。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

优化SVM模型在泥石流易发性中的应用

泥石流灾害是我国最常发生且危害最大的地质灾害之一，因此实现有效、准确的泥石流灾害预测对于人类的生活和生产具有重大意义。研究以四川省石棉县为研究区域，选取12个泥石流影响因子。同时针对传统支持向量机模型精度不高的问题，采用遗传算法、粒子群算法、秃鹰搜索算法以及新型的群智能优化算法—麻雀搜索算法等4种算法来优化支持向量机的超参数C和gamma。通过优化后的支持向量机模型建立泥石流易发性评价模型，同时对比随机森林模型与人工神经网络模型，最后采用受试者工作特征曲线来评价预测模型。研究结果表明，4种优化算法均能有效提高预测准确度，但麻雀搜索算法优化的支持向量机模型具有更高的准确度和受试者工作特征曲线下面积，分别为0.957 3和0.98,并在泥石流易发性分区图中得到验证。因此，麻雀搜索算法优化的支持向量机模型在泥石流易发性评价研究中更为适用。     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

基于免疫支持向量机方法的电力系统短期负荷预测

在对支持向量机(Support Vector Machines,SVM)方法的参数性能进行分析的基础上,提出了一种免疫支持向量机方法来预测电力系统短期负荷,其中利用免疫算法来优化支持向量机方法的参数.免疫算法是根据人类或其它高等动物免疫系统的机理而设计的,通过仿真抗原和抗体之间的相互作用过程,有效地克服了未成熟收敛现象,提高了群体的多样性.电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,本文所提免疫支持向量机方法具有更高的预测精度.     

基于LIBSVM和智能算法的电站锅炉排烟温度优化

针对电站锅炉的排烟温度控制问题,阐述了某1000 MW超临界锅炉排烟温度的支持向量机模型,运用采集的数据对模型进行训练和验证,并结合人工智能算法对排烟温度排放较高的工况进行优化,得出了相应的参数调整策略.结果表明,该模型能够准确预测排烟温度,智能算法能够对模型进行优化,其中微分进化算法的优化效果最好.     

基于DE-GWO-SVR的中长期电力需求预测

电力需求预测是电力系统科学规划与运行的重要前提。根据相关性分析,从经济发展水平、城镇化水平、工业化水平、人口数量、产业结构、居民消费水平、电价和用电基数8个方面筛选出电力需求关键影响因素。利用差分进化（differential evolution,DE）和灰狼优化（grey wolf optimization,GWO）算法对支持向量回归模型（support vector regression,SVR）的参数进行优化,建立差分进化-灰狼优化-支持向量回归电力需求预测模型。选取北京市电力需求历史数据进行实证分析,比较不同模型的预测结果,验证组合优化模型的有效性及其预测的准确率,并对北京市2021—2025年电力需求进行预测。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

免疫支持向量机在故障测距中的应用

针对支持向量机参数选择难的问题,提出了一种免疫支持向量回归机进行故障测距.该算法运用免疫算法来优化支持向量回归机的参数,减少人为选择参数的盲目性,提高了SVR的推广预测能力.与标准支持向量机算法相比,文章的参数选择具有更明确的理论指导,加速了参数的寻优过程.大量仿真表明:该算法测距精度高,适应性强,训练样本少,测距结果...