基于混合建模的蒸汽管道参数计算

提出一种结合机理建模和数据驱动建模的混合模型用于蒸汽管道的参数计算。在机理模型的基础上,采用向量机算法建立数据驱动误差预测模型,对机理模型计算所造成的机理误差进行预测,并将该模型的误差预测结果用于修正机理模型计算结果。为验证混合建模计算的有效性,通过实例建立机理模型和基于向量机算法的蒸汽参数预测模型计算管道末端蒸汽参数,并与混合模型的计算结果进行比较。结果证明,混合模型具有更高的计算精度,可为供热管道的运行优化提供参考。     

改进灰狼算法优化支持向量机的网络流量预测

高精度网络流量预测是现代网络智能管理的基础,针对支持向量机在网络流量预测建模过程中的参数优化难题,以改善网络流量预测结果为目标,提出了改进灰狼算法优化支持向量机的网络流量预测模型。首先收集网络流量历史数据,并对数据进行相空间重构、归一化等预处理,然后引入改进灰狼算法快速搜索到全局最优支持向量机的相关参数,并根据最优参数对预处理后的网络流量历史数据进行学习,建立能够挖掘网络流量历史数据包含变化规律的预测模型,最后与其他算法优化支持向量机的网络流量预测模型进行了对比分析。结果显示,改进灰狼算法优化支持向量机的网络流量预测精度超过90%,远高于对比模型,且预测建模过程的建模时间少于对比模型,可以满足网络流量管理的高精度和实时性的要求。     

LSSVR在电子设备电磁脉冲场耦合建模中的应用

针对现有机理建模算法普遍存在计算过程复杂的问题,研究了最小二乘支持向量回归机在电子设备电磁脉冲场耦合建模中的应用。先利用稳压电源在吉赫兹横电磁波室内对矩形脉冲场感应得到的耦合电压数据,对电磁脉冲能量耦合传递函数进行最小二乘支持向量回归机建模,并基于模拟退火算法、遗传算法2种典型算法对模型进行了参数优化,再运用建立的模型对耦合电压进行了仿真预测。通过对比表征模型回归能力的拟合度、均方误差2个重要参数证明,利用模拟退火算法优化的最小二乘支持向量回归机,建立的矩形脉冲场耦合模型与实际数据的拟合度更高,均方误差更小,而计算过程得到了简化,是一种简便有效的工程仿真建模手段。     

改进麻雀算法优化支持向量机的接触电阻预测

针对接触电阻常规计算公式计算结果精度难以达到要求，本文提出一种改进麻雀搜索算法(IASSA)优化支持向量(SVM)的接触电阻预测模型。首先，运用经验模态(EMD)对接触电阻的时序数据进行分解，得到一系列不同特征的本征模函数(IMF);其次，在对分解数据进行支持向量机建模时，采用一种多策略混合改进的麻雀算法去优化支持向量机的回归参数，该改进算法具有全局探索能力强、精度高等优点，从而可以有效避免支持向量机选择参数的盲目性；最后建立EMD-IASSA-SVM模型对每个IMF分量进行预测，在得到每个分量的预测结果后并进行重构，最终得到接触电阻的预测结果。实验结果表明，所提组合模型对接触电阻非平稳时间序列有较高预测精度和适用性。     

群优化支持向量机的磁轴承转子位移预测建模

为实现三自由度混合磁轴承转子位移自检测,提出了基于粒子群优化最小二乘支持向量机的转子位移预测建模方法。通过对该磁轴承电磁结构和工作原理的分析,基于等效磁路法构建了大气隙范围内的非线性模型。在此模型基础上,结合最小二乘支持向量机在有限样本下对高维非线性的拟合及预测能力,通过采集具有代表性的电流–位移样本数据,训练得到磁轴承位移预测模型。针对最小二乘支持向量机超参数选取问题,采用粒子群优化算法进行自动寻优,以提高预测模型的拟合和预测精度。最后将均值误差和绝对误差作为模型评价指标对所提方法进行对比仿真研究,并对结果进行了讨论,验证了预测建模和自检测方法的有效性。     

最小二乘支持向量机在航空蓄电池剩余容量预测中的应用

本文提出了一种预测航空蓄电池剩余容量的新方法.介绍了电池容量常用的几种预测方法及缺点;阐述了用于航空蓄电池容量预测的最小二乘支持向量机(LS-SVM)回归算法原理,并说明了预测模型的建立步骤;提出了交叉验证法来优化惩罚因子和核函数参数,给出了两种误差标准;最后用实验数据验证了所建LS-SVM预测模型的准确性,并与BP神经网络进行比较,仿真结果证明,LS-SVM预测模型比BPNN模型的精度高,更适合用于航空蓄电池容量在线预测.     

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。     

短期负荷预测中支持向量机模型的参数选取和优化方法

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。对建立支持向量机模型,通过对模型结构的分析,提出了模型学习参数的选取方法,给出了基于最优方向搜索的高斯核函数参数的优化算法。针对负荷预测模型,对模型的输入变量采用规范化预处理消除了量纲不一致对SVM模型的不利影响,通过对数变换将模型输出的相对误差转化为模型输出的绝对误差,便于模型学习参数的选择。最后采用实际数据对该方法进行了模拟计算,其结果表明该方法可以有效地降低SVM模型的建模误差和测试误差,而且SVM模型比模糊模型和神经网络模型有更好的泛化性能和预测精度。     

电力市场下系统边际价格混合预测模型的新研究

电力市场中,价格作为各市场主体运营工作的重要参考信息,一直得到广泛的重视和研究.但是,电价影响因素之间复杂的相互作用增加了电价预测建模的难度.针对该问题,该文提出了一种基于独立分量分析-支持向量机的系统边际价格预测混合模型.首先,该模型基于影响因素的高阶统计信息,通过构造混合优化变换函数,建立自适应的独立分量分析迭代算法,并提出基于峭度的去冗余新方法,实现了电价影响因素的特征提取,挖掘出更具表征能力的电价有效影响因素集.然后,将该样本集用于回归支持向量机的训练,建立了独立分量分析与支持向量机相结合的电价预测模型.该模型充分发挥独立分量分析的特征提取优势,增强了支持向量机模型输入样本的表征能力,使电价预测模型更加准确.美国加州现货电能量市场的实例数据验证了该文所建模型的有效性.     

基于支持向量机与遗传算法的灰熔点预测

为了提高估算煤灰熔点的精度，文中采用支持向量机算法对求解灰熔点问题进行了建模，并利用遗传算法对支持向量机模型的参数进行了优化，获得了最优的模型参数。支持向量机模型将灰成分作为输入量，煤的灰熔点Tst作为输出量，用试验数据对模型进行了校验和参数的寻优，利用优化后的模型对单煤和混煤灰熔点进行了预测，并将预测结果与实验结果进行了对比，结果表明，优化后的支持向量机模型实现了对单煤和混煤灰熔点较精确的预测。支持向量机可用于小样本问题的学习，计算速度快，提高了实时处理与预测能力。     

基于CNGWO-LSSVM的汽轮机热耗率预测模型

为了准确计算汽轮机热耗率,提出一种改进灰狼优化算法优化最小二乘支持向量机（LSSVM）的热耗率软测量方法。首先针对灰狼算法收敛精度低的缺点提出一种混沌非线性灰狼优化算法（CNGWO）,通过Kent混沌搜索策略和非线性动态递减权值策略来改善灰狼优化算法的性能。然后利用CNGWO算法预先选择LSSVM模型参数,并建立CNGWO-LSSVM的软测量模型。以某600 MW超临界汽轮机组实时运行数据仿真实验,对具有复杂非线性的热耗率变量进行预测,预测结果表明,经过CNGWO算法优化的LSSVM模型取得了较好的预测效果,为汽轮机热耗率的精确计算提供了一种有效方法。     

基于SVR数据驱动的发电机进相极限最优化求解方法

针对发电机进相限制条件中多变量间复杂非线性强耦合关系导致的机理建模难题,提出一种基于支持向量回归（SVR）数据驱动的发电机进相极限最优化求解方法。该方法将发电机进相极限求解问题转化为计及多个进相限制因素约束下的无功功率最小值问题。基于发电机功角方程推导建立无功功率的目标函数方程;基于SVR驱动模型建立约束变量与目标函数自变量的非线性映射关系,形成约束方程模型;采用改进的二阶振荡粒子群算法对优化模型进行求解。算例分析表明,所提方法建模简单,具有较高的精度和较强的泛化能力,可实现对任意已知有功出力工况下的发电机进相极限的快速计算,适用于发电机进相裕度在线建模和监测。     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。     

基于层次聚类算法与ISA-LSSVM的短期负荷预测研究

针对不同类型用户的短期负荷预测,目前应用较为广泛的为支持向量机与深度学习模型。针对最小二乘支持向量机（least squares support vector machine,LSSVM）模型中超参数难以确定、模型对数据质量要求较高等问题,而集成常规优化算法又会有寻优速度慢、易陷入局部最优等问题,提出了一种混合模型。首先使用层次聚类（hierarchical clustering,HC）对原始特征数据进行聚类进而为同一类预测日建立对应LSSVM 模型,再通过改进的模拟退火算法（improved simulateanneal,ISA）对 LSSVM 中的超参数进行启发式搜索。最后通过对广东省佛山市某行业用户用电负荷进行负荷预测,与各种负荷预测模型性能进行对比,结果证明所提模型可有效提高负荷预测精度、缩短预测时间。     

基于最小二乘算法的模糊支持向量机控制器及其应用

介绍了一种基于最小二乘算法的模糊支持向量机控制器，它将模糊控制与支持向量机结合起来，融合了两者的优点，既有不依赖被控对象模型又有泛化能力强等特点。同时采用混合学习算法来优化控制器参数，即先采用最小二乘算法离线优化支持向量机(SVM)性能参数，建立SVM控制系统，再根据对象的变化，采用遗传(GA)算法在线学习优化SVM性能参数和模糊比例因子，以使控制器的性能能适应对象的变化而达到最优。火电厂主汽温控制的仿真结果表明这种控制器具有良好的控制性能。     

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。     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。