偏最小二乘法支持向量機(jī)短期負(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(gè)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(yàn)證了所提出組合方法的有效性和實(shí)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(shí)間和填筑竣工時(shí)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(shí)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(shí)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(shí)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(bào)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(yàn)證了其有效性。

提出了1種基于混沌分析和支持向量回歸機(jī)的短期空調(diào)負(fù)荷預(yù)測建模方法。通過研究實(shí)際空調(diào)負(fù)荷序列的混沌特性,確定其混沌特征參數(shù)并選取支持向量回歸機(jī)進(jìn)行預(yù)測。支持向量機(jī)建模過程使用粒子群算法進(jìn)行參數(shù)尋優(yōu)。仿真結(jié)果表明,空調(diào)負(fù)荷序列具有一定的混沌特性,使用混沌支持向量機(jī)方法的預(yù)測精度比單一支持向量機(jī)法預(yù)測結(jié)果eep指標(biāo)降低了31.4%,預(yù)測精度有了明顯提升。

提出了基于小波支持向量機(jī)(wsvm)與相空間重構(gòu)(psrt)相結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(stlf)模型。使用小波核函數(shù)(wkf)構(gòu)建相應(yīng)的wsvm,并且用云遺傳算法(cga)對相關(guān)參數(shù)進(jìn)行優(yōu)化。在分析負(fù)荷時(shí)間序列的混沌特性基礎(chǔ)上,對序列進(jìn)行了psrt,將相空間中的向量點(diǎn)作為wsvm的輸入。該方法不考慮氣象和節(jié)假日等條件,只使用歷史負(fù)荷數(shù)據(jù)。仿真結(jié)果表明,新算法有較好的精確度和有效性,具有一定的實(shí)用價(jià)值。

改進(jìn)的最小二乘法計(jì)算固結(jié)系數(shù)——目前計(jì)算固結(jié)系數(shù)常用的方法是時(shí)間對數(shù)法和平方根法，這兩種方法屬于作圖法，同時(shí)這兩種方法僅利用了試樣固結(jié)試驗(yàn)中沉降量與時(shí)間關(guān)系曲線中較少的數(shù)據(jù)，人為因素影響較大，確定固結(jié)系數(shù)有一定誤差，因此，如果利用固結(jié)過程中的...

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(shí)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(shí)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...

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(shí),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(gè)子類;然后計(jì)算每個(gè)子類中各樣本的可能貢獻(xiàn)度,依次從每個(gè)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(gè)樣本的可能貢獻(xiàn)度,繼續(xù)從各個(gè)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(shí),能夠顯著改善最小二乘支持向量機(jī)模型的魯棒性.

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(gè)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)回歸的單樁豎向極限承載力預(yù)測——基于單樁載荷試驗(yàn)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(yàn)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)...

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(gè)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(jià)。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(yàn)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。

為了獲得更理想的混凝土強(qiáng)度預(yù)測結(jié)果,提出一種混沌粒子群算法優(yōu)化最小二乘支持向量機(jī)（lssvm）的混凝土強(qiáng)度預(yù)測模型。首先采集混凝土強(qiáng)度數(shù)據(jù),并進(jìn)行歸一化處理。然后采用lssvm對混凝土強(qiáng)度與影響因子之間的變化關(guān)系進(jìn)行建模,并采用混沌粒子群算法搜索最優(yōu)lssvm參數(shù)。最后采用具體混凝土強(qiáng)度預(yù)測實(shí)例對其性能進(jìn)行分析。結(jié)果表明,本文模型可以準(zhǔn)確描述混凝土強(qiáng)度與影響因子間的變化關(guān)系,提高了混凝土強(qiáng)度預(yù)測精度,具有一定的實(shí)際應(yīng)用價(jià)值。

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(jì)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.

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(yàn)證方法優(yōu)化參數(shù),并用仿真實(shí)驗(yàn)驗(yàn)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。

采用eof時(shí)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(yàn)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(shí)間系數(shù),隨后提取前15個(gè)主要特征向量的時(shí)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(shí)頻分量重構(gòu)和eof時(shí)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(yàn)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。

針對工程造價(jià)變化的時(shí)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(jià)預(yù)測模型.首先收集工程造價(jià)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(shí)間和嵌入維數(shù),重建工程造價(jià)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(jià)預(yù)測模型,并采用具體建筑工程造價(jià)數(shù)據(jù)進(jìn)行仿真測試.結(jié)果表明,相對其他工程造價(jià)預(yù)測模型,該模型可以很好地反映工程造價(jià)的變化趨勢,提高工程造價(jià)的預(yù)測準(zhǔn)確性.

在計(jì)算地基沉降量過程中,根據(jù)已獲得的沉降觀測資料,找出具有一定實(shí)用價(jià)值的沉降規(guī)律,可以更準(zhǔn)確地確定地基沉降與時(shí)間關(guān)系。采用線性回歸(最小二乘法),確定最佳擬合曲線,從而計(jì)算出沉降規(guī)律具有十分重要的意義。

論最小二乘法回歸分析中的幾個(gè)問題——針對最小二乘回歸方法，分析了水文計(jì)算中判斷相關(guān)是否密切的臨界值０．８的來歷和使用條件，并指出這一判別標(biāo)準(zhǔn)不具備普遍意義。結(jié)合實(shí)例論述了回歸系數(shù)出現(xiàn)錯(cuò)誤符號的原因和分析方法。