基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于最小二乘支持向量机的生物质热值预测

生物质的热值与其组成成分有关,基于此,应用最小二乘支持向量机方法建立了生物质热值预测的有效模型,并利用Biomass Feedstock Composition and Properties Database数据库提供的数据进行了测试。以该数据库的部分生物质的固定碳、挥发分和灰分含量作为输入,以相应的热值作为输出,训练最小二乘支持向量机。训练完成后,用剩余的生物质进行测试。测试结果表明,预测方法准确,速度较快。与神经网络方法相比,基于最小二乘支持向量机的生物质的热值预测方法更有效。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

最小二乘支持向量机在大坝渗流监测中的应用

支持向量机的训练速度慢．制约了它的发展和推广应用。Suykens提出了一种新的支持向量机方法——最小二乘支持向量机。最小二乘支持向量机是支持向量机的发展和改进,它采用等式约束替代不等式约束,求解速度大大加快。将其用于大坝的渗流监测中．并与传统的支持向量机进行了比较,结果显示二者的预测效果都比较好．但是最小二乘支持向量机的训练效率比支持向量机要高。     

基于最小二乘支持向量机的氨法烟气脱硫装置脱硫效率预测

针对如何提高氨法烟气脱硫装置脱硫效率的预测精度,建立了以烟气量、喷淋浆液密度、液气比、喷淋塔pH值、预洗涤塔pH值和浓缩槽pH值为输入变量,以脱硫效率为输出量的最小二乘支持向量机（LS-SVM）脱硫效率的预测模型,并运用这一模型对某135 MW机组氨法烟气脱硫装置的脱硫效率进行了预测评判.结果表明：与传统的支持向量机模型进行比较,LS-SVM模型预测结果的最大误差只有传统模型的14%左右;LS-SVM模型所得预测值与实际值的误差小于5%,完全在工程所允许的误差范围之内,模型是可行的.     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性.在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(S...     

电站煤粉炉NOx排放特性的最小二乘支持向量机模型

为获得电站煤粉炉NOx排放特性的在线预测模型,实现低NOx闭环运行控制,以某电厂300MW四角切圆燃烧煤粉炉为研究对象建立了NOx排放特性的最小二乘支持向量机模型.在建模过程中,进行了模型性能对核函数、惩罚因子γ和核函数参数σ2的敏感性分析,并运用遗传算法和交叉证实获得了γ和σ2的最佳值.最后利用不同试验工况下的样本数据检验了模型的预测性能,并将该模型的预测性能与BP神经网络模型相比较,结果说明该模型的建模特点和预测性能能够满足NOx排放的在线预测.     

生物质气化过程最小二乘支持向量机建模探讨

生物质气化过程的最终目标就是尽可能得到更多的高品质可燃气体,而目前的生物质气化过程还存在许多尚待解决的问题,例如气化温度、气化剂当量比、气化效率、燃气热值等参数优化问题.为此建立一种能适应生物质气化过程的模型,用于预测生物质气化气组分、热值、气化效率及碳转化率等指标,以及实现气化过程的参数优化都具有现实意义.本文在对生物质气化过程建模现状分析基础上,初步提出一种基于最小二乘支持向量机的气化过程建模方法,探讨了该方法用于生物质气化过程建模以及对气化过程主要参数进行优化的可行性.     

基于最小二乘支持向量机的煤粉着火温度预测分析

针对关系到锅炉经济安全运行的煤着火温度估计难的问题,采用最小二乘支持向量机方法建立煤粉着火温度的预测模型,并和利用PLS以及BP神经网络等方法建立的预测模型进行对比,结果表明,最小二乘支持向量机克服了BP神经网络泛化能力弱以及PLS无法解决的非线性等问题,采用最小二乘支持向量机方法建立的煤粉着火温度模型具有很高的预测精度.     

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法.该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测.样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性.     

基于局部形相似的超短期负荷预测

为了进一步提高超短期负荷预测的精度,特别是负荷曲线出现拐点时的预测精度,在选择相似日的基础上,提出了一种基于局部形相似的超短期负荷预测方法。通过西安地区实际负荷数据的仿真,验证了该方法既能保证负荷曲线拐点处的预测精度,同时又提高了总体的预测准确度。     

基于偏最小二乘法的综合弹性模量反演分析

为获取符合实际的坝体综合弹性模量,利用引张线实测资料,将偏最小二乘法运用于统计模型中分离出水压分量,采用Hypermesh软件构建了有限元模型,并应用Marc程序计算水压作用下的位移量,基于常规反演法推求坝体及坝基的综合弹性模量。实例表明,偏最小二乘法分离效果更好,反演结果精度更高,能满足对大坝安全监控的要求。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。