改進(jìn)粒子群算法和最小二乘支持向量機(jī)的電力負(fù)荷預(yù)測

提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過對歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對每個歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進(jìn)行負(fù)荷預(yù)測;采用最小二乘支持向量機(jī)回歸算法對不同灰色模型的預(yù)測結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運(yùn)算方便等優(yōu)勢的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測精度。仿真結(jié)果驗證了所提出組合方法的有效性和實(shí)用性。

提出了一種基于偏最小二乘支持向量機(jī)的負(fù)荷預(yù)測模型。首先通過偏最小二乘(pls)對負(fù)荷數(shù)據(jù)進(jìn)行成分提取,提取的成分具有線性特點(diǎn),并消除輸入因素的多重相關(guān)性,然后采用支持向量機(jī)方法(svm)對提取的成分進(jìn)行預(yù)測。算例表明,該算法用于短期負(fù)荷預(yù)測建模速度快,預(yù)測精度高,是種行之有效的方法。

針對神經(jīng)網(wǎng)絡(luò)存在結(jié)構(gòu)較難確定,訓(xùn)練易陷入局部最小等問題,提出將最小二乘支持向量機(jī)和相似搜索用于預(yù)測出清電價。該方法對相似搜索得到的相似負(fù)荷日的數(shù)據(jù)用最小二乘支持向量機(jī)建立預(yù)測模型,采用美國newenglandiso的真實(shí)數(shù)據(jù)做驗證,結(jié)果表明該方法比bp神經(jīng)網(wǎng)絡(luò)有更高的預(yù)測精度,是一種有效的預(yù)測方法。

為了優(yōu)化極限學(xué)習(xí)機(jī)的參數(shù),提高短期負(fù)荷預(yù)測的準(zhǔn)確率,提出一種改進(jìn)粒子群算法的極限學(xué)習(xí)機(jī)(cspso-elm)預(yù)測模型。該模型利用粒子群算法(particleswarmoptimization,pso)尋找極限學(xué)習(xí)機(jī)(elm)網(wǎng)絡(luò)中最優(yōu)的輸入權(quán)值和隱層偏差值,得到輸出權(quán)值矩陣,以達(dá)到減少隨機(jī)參數(shù)誤差的目的。同時引入混沌自適應(yīng)策略,增強(qiáng)粒子群算法的多樣性,防止粒子群陷入局部收斂。在充分考慮天氣、濕度、假日因素和當(dāng)?shù)毓I(yè)產(chǎn)值對預(yù)測結(jié)果的影響下,提出一種基于該方法的極限學(xué)習(xí)機(jī)預(yù)測模型。最后,針對揚(yáng)州市高新區(qū)用電總量預(yù)測問題,通過與其它模型的對比實(shí)驗,證明了改進(jìn)的粒子群算法優(yōu)化了極限學(xué)習(xí)機(jī)的參數(shù)結(jié)構(gòu),提高了電力負(fù)荷預(yù)測的精準(zhǔn)度。

通過影響因素分析,確定了軟土層厚度、軟土層壓縮模量、地表硬層厚度、地表壓縮模量、路堤高度、路堤頂寬、路基填筑時間和填筑竣工時沉降量等參數(shù)對公路軟基沉降有影響。對公路軟基的觀測數(shù)據(jù)進(jìn)行分析和取樣,輸入樣本為各參數(shù),輸出樣本為路堤中線下地表沉降值,利用最小二乘支持向量機(jī)的非線性映射和泛化能力,通過訓(xùn)練,建立了公路軟基沉降預(yù)測模型。研究表明,所建立的模型對公路軟基沉降進(jìn)行預(yù)測具有較高的精度,同時具有很好的泛化性能。

基于最小二乘支持向量機(jī)回歸的基坑變形預(yù)測——將最小二乘支持向量機(jī)回歸用于基坑變形預(yù)測．根據(jù)基坑位移的實(shí)測時間序列資料，應(yīng)用最小二乘支持向量機(jī)回歸建立了基坑位移與時間的關(guān)系模型．研究結(jié)果表明，最小二乘支持向量機(jī)回歸用于基坑變形預(yù)測，具有較高的預(yù)...

針對在工程實(shí)踐中,應(yīng)用單一方法預(yù)測建筑物沉降存在著局限性,提出了基于最小二乘支持向量機(jī)回歸綜合單一方法預(yù)測沉降量。該方法能綜合單一方法的特點(diǎn),增強(qiáng)了模型的普適性,從而提高了預(yù)測精度和預(yù)報期次。文中討論了如何實(shí)現(xiàn)和運(yùn)用該方法,最后通過實(shí)例驗證了其有效性。

公路客運(yùn)量數(shù)據(jù)受多種因素影響而呈現(xiàn)非線性等特點(diǎn),為了提高其預(yù)測精度,文中提出粒子群算法(pso)優(yōu)化支持向量機(jī)(svm)的公路客運(yùn)量預(yù)測模型,利用pso尋優(yōu)能力突出的優(yōu)點(diǎn),對支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化選擇,并用優(yōu)化后的支持向量機(jī)模型對公路客運(yùn)量進(jìn)行預(yù)測。研究結(jié)果顯示,相比bp神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的svm預(yù)測方法,基于pso-svm的預(yù)測精度更高。

基于最小二乘支持向量機(jī)回歸的單樁豎向極限承載力預(yù)測——基于單樁載荷試驗數(shù)據(jù)，采用最小二乘支持向量機(jī)(lssvm)回歸的方法，建立了單樁豎向極限承載力的預(yù)測模型．利用文獻(xiàn)中樁的載荷試驗數(shù)據(jù)來訓(xùn)練lssvm模型，并確定了模型參數(shù)．研究結(jié)果表明，同常用的bp網(wǎng)絡(luò)...

采用最小二乘支持向量機(jī)的方法,利用現(xiàn)場測量的數(shù)據(jù),建立水泥粒度軟測量模型;通過交叉驗證方法優(yōu)化參數(shù),并用仿真實(shí)驗驗證了該方法的有效性,解決了非線性、小樣本、高維數(shù)等常規(guī)測量方法難以實(shí)現(xiàn)的問題,實(shí)現(xiàn)了水泥粒度的在線測量。

季節(jié)型電力負(fù)荷同時具有增長性和波動性的二重趨勢,使得負(fù)荷的變化呈現(xiàn)出復(fù)雜的非線性組合特征。對此,提出了一種綜合最優(yōu)灰色支持向量機(jī)預(yù)測模型,研究了同時考慮2種非線性趨勢的復(fù)雜季節(jié)型負(fù)荷預(yù)測問題,說明了此優(yōu)化模型分別優(yōu)于2種單一負(fù)荷預(yù)測模型。在此基礎(chǔ)上,對一般粒子群算法引入粒子速度自適應(yīng)可調(diào)機(jī)制,并利用改進(jìn)粒子群算法優(yōu)化組合預(yù)測模型中的權(quán)值。對電力負(fù)荷預(yù)測應(yīng)用實(shí)例的計算結(jié)果表明,該模型較大提高了季節(jié)型負(fù)荷預(yù)測的精度,具有較好的性能。

將最小二乘支持向量機(jī)(leastsquaresupportvectormachine,ls-svm)算法用于杭州南宋官窯2窯址出土瓷片的分類研究中,根據(jù)瓷片胎和釉的主要、次要和痕量元素組成對它們進(jìn)行了分類,用留一法檢驗其分類效果,并與支持向量機(jī)(supportvectormachine,svm)算法和自組織特征映射(self-organizingmap,som)算法進(jìn)行了比較。結(jié)果表明:svm算法和ls-svm算法比som算法更適合于處理"小樣本"問題;一般情況下,svm的分類效果比ls-svm的分類效果好,但是ls-svm具有更快的求解速度。

針對工程造價變化的時變性、混沌性,提出一種混沌理論和最小二乘支持向量機(jī)的工程造價預(yù)測模型.首先收集工程造價歷史樣本并進(jìn)行相應(yīng)的預(yù)處理,然后根據(jù)混沌理論確定最優(yōu)延遲時間和嵌入維數(shù),重建工程造價的訓(xùn)練集和測試集,最后用最小二乘支持向量機(jī)建立工程造價預(yù)測模型,并采用具體建筑工程造價數(shù)據(jù)進(jìn)行仿真測試.結(jié)果表明,相對其他工程造價預(yù)測模型,該模型可以很好地反映工程造價的變化趨勢,提高工程造價的預(yù)測準(zhǔn)確性.

隧道圍巖變形預(yù)測的最小二乘支持向量機(jī)方法——為及時掌握圍巖變形趨勢并采取措施加以控制，在嶺南高速雪家莊隧道施工過程中，采用一種新的時間序列預(yù)測模型--最小二乘支持向量機(jī)(ls-svm)。介紹了ls．svm的基本原理和該預(yù)測模型的具體操作步驟，實(shí)踐表明，該方...

基于最小二乘支持向量機(jī)的砂土液化預(yù)測方法——使用最小二乘支持向量機(jī)分類方法建立了兩個砂土液化預(yù)測模型，預(yù)測結(jié)果與野外實(shí)際情況全部相符，表明該分類方法用于預(yù)測砂土液化是可行的，且預(yù)測準(zhǔn)確率高。

基于最小二乘支持向量機(jī)的砂土液化預(yù)測方法——使用最小二乘支持向量機(jī)分類方法建立了兩個砂土液化預(yù)測模型，預(yù)測結(jié)果與野外實(shí)際情況全部相符，表明該分類方法用于預(yù)測砂土液化是可行的，且預(yù)測準(zhǔn)確率高。

針對最小二乘支持向量機(jī)在利用產(chǎn)生于工業(yè)現(xiàn)場的非理想數(shù)據(jù)集進(jìn)行建模預(yù)測時,稀疏化模型魯棒性差的問題,提出了一種基于模糊c均值聚類和密度加權(quán)的稀疏化方法.首先通過模糊c均值聚類將訓(xùn)練樣本劃分為若干個子類;然后計算每個子類中各樣本的可能貢獻(xiàn)度,依次從每個子類中選取具有最大可能貢獻(xiàn)度的樣本作為支持向量;最后更新每個樣本的可能貢獻(xiàn)度,繼續(xù)從各個子集中增選支持向量,直至稀疏化后的模型性能滿足要求.仿真結(jié)果和磨機(jī)負(fù)荷實(shí)際應(yīng)用表明,該方法能夠兼顧模型在整體樣本集和各工況子集上的性能,在實(shí)現(xiàn)模型稀疏化的同時,能夠顯著改善最小二乘支持向量機(jī)模型的魯棒性.

為提高水庫來水量的預(yù)測精度,提出了一種基于最小二乘支持向量機(jī)(ls-svm)的來水量預(yù)測模型。實(shí)例應(yīng)用結(jié)果表明,該模型預(yù)測能力強(qiáng)、預(yù)測精度高,其預(yù)測精度明顯高于bp模型,為來水量預(yù)測提供了一種可靠、有效的方法。

根據(jù)沉降數(shù)據(jù)的特性,以最小二乘支持向量機(jī)為核心技術(shù)構(gòu)建預(yù)測模型,提出了一種路基沉降預(yù)測的新方法。由于測量誤差不可避免,沉降數(shù)據(jù)通常含有噪聲,不宜直接進(jìn)行擬合,因此首先采用小波分析的方法對原始沉降數(shù)據(jù)進(jìn)行降噪預(yù)處理,然后饋送到最小二乘支持向量機(jī)完成沉降預(yù)測。最后用某高速公路實(shí)測數(shù)據(jù)進(jìn)行了實(shí)例分析,并與bp神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)行了對比,計算結(jié)果表明,小波分析結(jié)合支持向量機(jī)的模型有較好的預(yù)測精度,將該模型應(yīng)用于公路軟基沉降預(yù)測是可行的和值得研究的。

支持向量機(jī)(supportvectormachine,svm)作為一種新穎的機(jī)器學(xué)習(xí)方法已成功應(yīng)用于短期電力負(fù)荷預(yù)測,然而應(yīng)用研究發(fā)現(xiàn)svm算法性能參數(shù)的設(shè)置將直接影響負(fù)荷預(yù)測的精度.為此在對svm參數(shù)性能分析的基礎(chǔ)上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量機(jī)短期電力負(fù)荷預(yù)測模型建模的思路及關(guān)鍵參數(shù)的選取,在建模過程中引入了徑向基核函數(shù),簡化了非線性問題的求解過程,并應(yīng)用sce-ua算法辨識svm的參數(shù).貴州電網(wǎng)日96點(diǎn)負(fù)荷曲線預(yù)測的實(shí)際算例表明,所提sce-ua支持向量機(jī)模型不僅克服了svm參數(shù)選擇的盲目性,而且能提高預(yù)測準(zhǔn)確率,是一種行之有效的短期電力負(fù)荷預(yù)測模型.

根據(jù)齒輪箱故障時振動信號特點(diǎn),提出了一種基于小波分解和最小二乘支持向量機(jī)(ls-svm)相結(jié)合的齒輪箱故障診斷方法。通過對齒輪箱振動信號進(jìn)行小波分解,得到各分解節(jié)點(diǎn)對應(yīng)頻率段的重構(gòu)信號和節(jié)點(diǎn)的能量,并將各節(jié)點(diǎn)能量組成的特征向量作為診斷模型的特征向量,輸入到ls-svm多類分類器中進(jìn)行故障識別。診斷結(jié)果表明:該方法能夠準(zhǔn)確地識別風(fēng)力發(fā)電機(jī)組齒輪箱的常見故障。

采用eof時空分解、小波頻率分解和最小二乘支持向量機(jī)(ls-svm)交叉互補(bǔ)方法,建立夏季500hpa位勢高度場的預(yù)測模型,用以描繪和表述副熱帶高壓形勢場的形態(tài)和變化。首先用經(jīng)驗正交函數(shù)分解(eof)方法將ncep/ncar再分析資料500hpa位勢高度場序列分解為彼此正交的特征向量及其對應(yīng)時間系數(shù),隨后提取前15個主要特征向量的時間系數(shù)(方差貢獻(xiàn)96.2%),采用小波分解方法將其分解為相對簡單的帶通信號,再利用ls-svm方法建立各分量信號的預(yù)測模型,最后通過小波時頻分量重構(gòu)和eof時空重構(gòu),得到500hpa位勢高度場的預(yù)測結(jié)果以及副熱帶高壓形勢場的預(yù)測。通過對預(yù)測模型的試驗情況和分析對比,結(jié)果表明:基于上述思想提出的算法模型能較為準(zhǔn)確地描述500hpa位勢高度場的形態(tài)分布并預(yù)測1～7d的副熱帶高壓活動,對10～15d的副熱帶高壓活動預(yù)測結(jié)果也有參考意義。