基于偏最小二乘支持向量機(jī)短期電力負(fù)荷預(yù)測方法

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用性。

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。

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。

為了提高電力系統(tǒng)短期負(fù)荷預(yù)測精度,提出一種基于改進(jìn)極限學(xué)習(xí)機(jī)(melm)的短期電力負(fù)荷預(yù)測模型。引入基于結(jié)構(gòu)風(fēng)險最小化理論,并結(jié)合最小二乘向量機(jī)回歸學(xué)習(xí)方法,以克服傳統(tǒng)極限學(xué)習(xí)機(jī)(elm)在短期負(fù)荷預(yù)測中存在的過擬合問題。某地區(qū)用電負(fù)荷預(yù)測結(jié)果表明,改進(jìn)模型的泛化性與預(yù)測精度均優(yōu)于傳統(tǒng)elm和os-elm模型,可為短期電力負(fù)荷預(yù)測提供有效依據(jù),具有一定的實用性。

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。

針對在工程實踐中,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,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。文中討論了如何實現(xiàn)和運(yùn)用該方法,最后通過實例驗證了其有效性。

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)...

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點負(fù)荷曲線預(yù)測的實際算例表明,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.

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)測量方法難以實現(xiàn)的問題,實現(xiàn)了水泥粒度的在線測量。

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，實踐表明，該方...

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測數(shù)據(jù)進(jìn)行了實例分析,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。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

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。

為實現(xiàn)建設(shè)工程造價的快速和準(zhǔn)確預(yù)測,此文提出基于模糊最小二乘支持向量機(jī)的建設(shè)工程造價預(yù)測方法。該方法可較好解決小樣本預(yù)測問題,適合于當(dāng)前工程造價樣本數(shù)據(jù)量少的現(xiàn)狀。通過隸屬度函數(shù)對樣本進(jìn)行模糊化和加權(quán),實現(xiàn)對歷史數(shù)據(jù)和相似數(shù)據(jù)的優(yōu)化選擇,提高了預(yù)測準(zhǔn)確性。將標(biāo)準(zhǔn)svm的二次規(guī)劃問題轉(zhuǎn)化為線性方程組求解,提高了預(yù)測速度。通過對某市地鐵建設(shè)中區(qū)間隧道延米造價估算實例的計算,驗證了所提出預(yù)測方法的有效性。

短期電力負(fù)荷預(yù)測器設(shè)計 thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計任務(wù)書 一、設(shè)計內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點和學(xué)習(xí)方式，根據(jù)其學(xué)習(xí)方法，編寫算法進(jìn)行matlab仿 真，對仿真預(yù)測結(jié)果的精度進(jìn)行分析。 二、基本要求 1．選擇適合電力負(fù)荷預(yù)測的人工神經(jīng)網(wǎng)絡(luò)的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡(luò)模型的仿真。 3．得到仿真結(jié)果，對電力負(fù)荷預(yù)測結(jié)果的精度進(jìn)行分析。 三、主要技術(shù)指標(biāo) 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫matlab程序，對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實現(xiàn)電 力負(fù)荷預(yù)測。 四、應(yīng)收集的資料及參考文獻(xiàn) [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[m].北京:化學(xué)工業(yè)出版社 [2]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計[m].北京:清華大學(xué)出版 社 [3]朱大奇.

采用最小二乘支持向量機(jī)預(yù)測算法對電力電子電路進(jìn)行故障預(yù)測.以基本降壓斬波電路為例,選擇電路輸出電壓作為監(jiān)測信號,提取輸出電壓平均值及紋波值作為電路特征性能參數(shù),并利用ls-svm回歸預(yù)測算法實現(xiàn)故障預(yù)測.仿真結(jié)果表明,利用ls-svm對基本降壓斬波電路輸出平均電壓與輸出紋波電壓的預(yù)測相對誤差均低于2%,能夠跟蹤故障特征性能參數(shù)的變化趨勢,有效實現(xiàn)電力電子電路故障預(yù)測.

基于我國城市防洪體系安全評價的指標(biāo)體系及其等級標(biāo)準(zhǔn),提出了一種基于小樣本的最小二乘支持向量機(jī)(ls-svm)的城市防洪體系安全綜合評價模型。在柳州市防洪體系的實例應(yīng)用結(jié)果表明,該模型能較好地對城市防洪體系進(jìn)行綜合評價,評價結(jié)果符合客觀實際。

基于可靠性數(shù)據(jù)分析和最小二乘支持向量機(jī)對電力變壓器故障進(jìn)行了診斷,并給出了實例分析。

通過對電力負(fù)荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負(fù)荷預(yù)測模型。首先利用混沌理論將雜亂無章的歷史數(shù)據(jù)進(jìn)行相空間重構(gòu),找出其中的潛在規(guī)律,并粗選預(yù)測參考點;然后利用蟻群優(yōu)化算法,考慮距離因素和相點演化的相關(guān)性因素,對粗選的預(yù)測參考點作進(jìn)一步精選,提高其質(zhì)量;最后采用gm(1,1)灰色模型得到預(yù)測日的負(fù)荷數(shù)據(jù)。實際算例驗證了提出的方法具有較好的預(yù)測精度。