蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测

由于太阳辐射的随机性很大,同时考虑到传统方法建立的单一最小二乘支持向量机(least square supportvector machine,LSSVM)模型精度不高,该文提出一种基于经验模态分解(empirical mode decomposition,EMD)局部均值分解(local mean decomposttion,LMD)和与机器学习方法 LSSVM联合的逐时太阳辐照度预测模型。先利用信号处理算法EMD及LMD将时间顺序数据分解成一系列相对平稳的分量序列,再对各子序列分别建立LSSVM预测模型,最后将各子序列预测结果进行叠加得到最终预测值。仿真结果表明,该模型取得比单一模型更好的预测效果,均方根误差精度可提高24.59%。     

基于集合经验模态分解和相关向量机的风电功率实时预测研究

由于风电功率时间序列的非线性非平稳性特征,将一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的预测模型引入到风电功率实时预测中。首先对风电功率时间序列采用集合经验模态分解,降低序列的非平稳性;其次对各子序列建立相关向量机预测模型;最后将得到的各子序列预测结果叠加就得到最终的功率预测值。利用该方法对吉林省某风电场进行功率预测,研究表明,该文所提出的预测模型能有效地提高预测精度,对工程有较高的利用价值。     

NNBR与SVM耦合模型在径流中长期预报中的应用

在充分考虑模型输入因子的基础上,利用最近邻抽样回归(NNBR)与支持向量机(SVM)模型各自的特点,建立了耦合预测模型,并对柘溪水库汛期径流进行预测.结果表明,与单独的SVM和NNBR模型相比,该耦合模型提高了预报精度,预报可行有效.     

基于小波分析与支持向量机的风速预测

将小波多分辨率分析特点和支持向量机良好的泛化性能相结合,建立小波-支持向量机风速预测模型。先将原始风速序列经小波分解成概貌分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

电网无功负荷预测方法研究

由于电网数据采集与监视控制系统(SCADA)中无功负荷历史数据有限以及其数据波动量较小的特点,采用传统单一预测方法不能满足精度的要求,考虑到时间序列与支持向量机对无功负荷预测的综合优势,建立了时间序列与支持向量机两种方法组合的模型。通过对某电力市场的实测值与预测值进行比较,验证了该方法的预测精度较高。     

基于变分模态分解和LSSVM的风电场短期风速预测

针对风速序列的随机性和非平稳性带来的难以准确预测的问题,提出一种基于变分模态分解和最小二乘支持向量机的风速预测模型。首先利用变分模态分解将风速序列分解为一系列限带内禀模态函数以降低其非平稳性对预测性能的影响,然后对各模态分别建立最小二乘支持向量机预测模型,并利用改进的差分进化算法对其关键核参数寻优,最后将各子序列预测结果叠加组合得到最终风速预测值。实例研究表明,所提出的预测模型在短期风速预测上有较高的预测精度。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于EEMD-WOA-LSSVM的超短期风电功率预测

针对风电场输出功率不稳定特性造成风功率预测精度不高问题。采用集合经验模态分解(EEMD)将风功率信号分解为若干个平稳的子序列,可避免经验模态分解(EMD)出现错误的本征模态函数(IMF)分量;利用相空间重构对分解获得的平稳子序列进行重构;提出一种鲸鱼算法(WOA),优化风功率平稳子序列重构参数和最小二乘支持向量机(LSSVM)参数;从而建立EEMD-WOA-LSSVM风功率预测模型。以某风电场为例,采用所建立预测模型对风功率进行仿真分析,实验结果表明EEMDWOA-LSSVM预测模型的风电功率预测精度更高。     

基于小波分析的并行膜混合核支持向量机月度负荷预测

针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。     

基于改进LSSVM的太阳辐射量预测

为准确预测太阳辐射量,提出一种基于变分模态分解和粒子群优化算法的最小二乘支持向量机组合预测模型。针对太阳辐射量序列具有不稳定性的特点,首先利用变分模态分解将历史太阳辐射量数据分解成一系列相对稳定的分量序列,再应用粒子群优化最小二乘支持向量机参数,以预测各分量序列,将各分量太阳辐射量预测值集成,从而得到最终太阳辐射量预测值。实例分析和对比研究表明,该模型预测太阳辐射量有效可行,具有较高的预测精度。研究成果可为太阳辐射量预测提供参考。     

基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于VMD-SSA-LSSVM的短期风电预测

为解决由于风电预测中出现的波动性和随机性造成风电功率预测精确度不高的问题，提出一种基于变分模态分解（variational mode decomposition,VMD）、Tent混沌映射、随机游走的麻雀搜索优化算法（sparrow search algorithm,SSA）和最小二乘支持向量机（least squares support vector machines,LSSVM）的组合模型。首先应用鲸鱼优化算法（whales optimization algorithm,WOA）对VMD的核心参数（K值和惩罚系数α）进行自动寻优。经过WOA-VMD对原始风电功率时间序列分解过后，引入改进的麻雀搜索算法SSA优化最小二乘支持向量机LSSVM中的学习参数，然后对分解得到的各个子序列建立SSALSSVM预测模型；最后叠加各个子序列的预测值并得到最终预测值。经实验仿真对比，该文组合模型较现有单一预测模型和普通组合模型在预测精度上有较大提高。     

基于模糊信息粒化的电力系统中光伏出力预测模型分析

针对传统点预测模型出现的不稳定性问题，提出基于模糊信息粒化的电力系统中光伏出力预测模型。首先运用W. Pedrycz的模糊粒化方法，确定其基本思想，并对数据预测的序列进行模糊信息粒化处理；其次采用最小二乘支持向量机法，通过非线性映射构建最佳的线性回归函数；最后根据非线性惯性权值对自适应粒子群算法参数进行优化，并构建基于模糊信息粒化和最小二乘支持向量机的光伏出力预测功率波动模型。为进一步提升模型稳定性，使用EEMD将光伏数据分解成多个等同的子序列，对波动性较强序列的识别分组粒化，以获得精准预测值。实验结果表明，所提模型能够解决部分随机性与波动性问题，提高整体稳定性，且百分比误差率较小，可广泛应用在现实生活中。     

基于最大熵混沌时间序列的支持向量机短期风速预测模型研究

为了提高短期风速预测的精度,减小风力发电接入对电力系统的安全和稳定运行带来的影响,提出基于最大熵混沌时间序列的支持向量机短期风速预测模型。该模型将最大熵原理引入到混沌时间序列样本选择过程中,针对风速混沌时间序列建模,并采用贝叶斯框架下的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型能有效提高短期风速预测的精度。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于CPSO-LSSVM的汽轮机热耗率软测量模型

为了准确建立汽轮机热耗率预测模型,提出了一种基于变空间Logistic混沌粒子群算法(CPSO)优化最小二乘支持向量机(LSSVM)的汽轮机热耗率软测量模型。采用变空间Logistic混沌搜索策略和粒子镜像越界处理策略来改善粒子群算法(PSO)的全局优化性能,提出了CPSO优化最小二乘支持向量机的超参数以改善模型预测精度,并以某600 MW汽轮机组为研究对象,利用该机组的运行数据建立CPSO-LSSVM的热耗率预测模型。结果表明:CPSO-LSSVM模型具有更高的预测精度和更强的泛化能力,能够准确有效地预测热电厂的汽轮机热耗率。     

基于支持向量回归机的车辆排气噪声品质预测分析

通过对比较法测试得到34种车辆噪声的满意度评价,应用支持向量回归机建立车辆噪声声音品质之间的预测模型,对排气噪声的满意度进行了预测,在相同的训练与测试样本集下,与多元线性回归模型预测结果进行了对比。结果表明:向量回归机回归模型预测值更接近实测值,具有更小的预测误差,更强的泛化能力。采用向量回归机模型构建的车辆排气噪声主观评价预测模型可以获得理想的样本满意度测试结果,平均预测误差不超过8%,最大只有7.36%,小于2%的样本是4个,其余样本介于3%～6%范围内,比较接近。     

基于VMD-PE和优化相关向量机的短期风电功率预测

针对风电功率序列非线性、非平稳性等特点,提出一种基于变分模态分解(VMD)-排列熵(PE)和混沌布谷鸟搜索算法(CCS)优化相关向量机的短期风电功率预测新方法。为降低风电功率序列非平稳性和减小计算规模,首先采用变分模态分解技术(VMD),将原始风电功率序列分解成一系列不同的子模态,利用排列熵(PE)分析其复杂度并重组得到子序列;然后采用CCS优化后的相关向量机(CCS-RVM)对各子序列进行提前24 h预测;最后将预测结果叠加得到最终预测值,并利用某风电场实际采集数据进行仿真验证。结果表明,所提预测模型能有效提高风电功率预测的准确性。