基于人工鱼群优化LS-SVM的卫星钟差预报

针对导航卫星短期钟差预报精度不高的问题,提出了一种基于人工鱼群(AFSA)优化最小二乘支持向量机(LS-SVM)的卫星钟差预报方法。利用人工鱼群算法较强的全局寻优能力优化LS-SVM模型的惩罚参数和核宽度参数,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取IGS产品中4颗典型卫星的钟差数据,分别采用人工鱼群优化LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:人工鱼群优化LS-SVM模型的预报精度优于其它2种模型,尤其是在铷钟方面,预报误差在0.5 ns内,运行时间在5 min内。     

参数联合求解的短期负荷混沌预测模型

为了提高短期负荷的预测准确性,基于短期负荷的混沌变化特性,提出一种模型参数联合求解的短期负荷混沌预测模型.首先将相空间重构的参数和最小二乘支持向量机的参数联合编码成粒子的位置向量,使每一个粒子根据自身飞行经验和种群飞行经验不断改变前进方向,从而找到最优位置向量,即相空间重构和最小二乘支持向量机的参数.然后采用最优参数建立短期负荷预测模型,并采用短期负荷数据进行性能分析.结果表明,预测模型可以发现短期负荷数据隐含的变化规律,获得了满意的短期负荷预测结果.     

机器学习算法在短期电力负荷预测中的应用

为了提高短期电力负荷预测准确性,提出一种蚁群算法(ACO)优化支持向量机(SVM)的短期电力负荷预测模型(ACO-SVM)。首先采用混沌理论对短期电力负荷样本进行重构,然后将SVM参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到SVM最优参数,最后建立短期电力负荷的最优预测模型,并采用实际短期电力负荷数据进行有效性验证。结果表明,ACO-SVM能够准确刻画短期电力负荷变化特性,提高了短期电力负荷的预测准确性。     

船舶电力推进系统电力负荷混沌特性分析及预测

为实现船舶电力推进系统功耗的最优控制,提高船舶运行的经济性,建立了基于正则化的电力负荷混沌局域预测模型.运用相空间重构理论对船舶电力推进系统电力负荷进行单变量时间序列相空间重构,计算吸引子的Lyapunov指数,验证船舶电力推进系统电力负荷具有混沌特性,进而构建更为精准的由船舶电力负荷及其影响因素构成的多变量时间序列相空间.实验结果表明,该预测模型是有效的,且具有较高的预测精度.     

鱼群算法优化组合核函数GPR的油井动液面预测

针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试,无法实时在线检测,而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力,提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数,利用人工鱼群算法对核函数模型参数进行寻优,采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入,提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和LS-SVM的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型;通过对实际数据的仿真,结果表明所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

基于QPSO-ELM-KF的电力系统短期负荷预测

为保证日常电力系统的正常运行,满足其生产活动安排、电力经济调度以及电网安全分析的要求,必须要进行电力系统短期负荷的预测。为提高预测精度和稳定性,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)与卡尔曼滤波(KF)相结合的电力系统短期负荷预测模型。该模型首先通过ELM预测各时间点的电力负荷值,其中,根据QPSO算法本身的特性以及在参数寻优方面的优势,利用其对ELM网络结构中输入层-隐含层的权值和隐含层的阈值进行寻优;然后,利用KF算法将得到的预测值做进一步的更新和优化,从而得到各时刻的最优估计值,最终以实现对短期电力负荷的精准预测。实验表明,使用QPSO-ELM-KF预测模型进行短期电力负荷预测,预测精度有进一步的提高。     

改进的蜂群LS-SVM故障预测

为了提高基于最小二乘支持向量机的故障预测精准度,提出了AFS-ABC算法,用于组合优化LS-SVM的规则化参数C和宽度参数σ.该算法将鱼群算法AFS简化模型中人工鱼的寻优更新方法引入到蜂群算法中,以互补优势、互克不足.通过100维Ackley函数验证了该算法在优化精度和搜索速度上较AFS算法与ABC算法的优越性,并以某航空电子系统电源模块记录电压数据序列的前40个作为LS-SVM模型的训练集,后15个作为测试集,利用MAT-LAB的LS-SVM工具箱进行状态预测仿真.结果表明,AFS-ABC算法较好地改善了LS-SVM的预测精度,同时解决了局部极值和寻优结果精度低的问题.     

基于智能配电网环境的负荷预测分析

为提升网运行安全性,达到提升负荷预测的精度的目的。本研究使用了人工鱼群算法,建立了PSO-LSSVM模型,在这其中,经过实验以及理论知识的结合进行研究可以发现,PSO-LSSVM模型的精准度明显更高。主要是由于人工鱼群算法对初值要求相对较低,本文利用了人工鱼群算法对于初值要求不高这一明显特性,在这其中,LSSVM模型精度相对较高,但是对于短期负荷预测模型参数选择方面,仍然具有一定的盲目性,因此,PSO-LSSVM模型就有效解决了这一问题,值得进行广泛应用。     

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型，该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测．首先使用多孔算法对短期负荷序列进行小波分解，得到指定尺度下的近似系数和相关尺度下的小波系数，然后利用LS-SVM对预测点的系数进行多尺度组合预测，通过小波重构可以求得相应的预测值．结合某地区短期负荷需求数据进行了仿真试验，研究了预测点与历史记录数据的相关关系．预测结果表明，使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度，同时LS-SVM的引入大大提高了模型的可计算性．     

自编码器与PSOA-CNN结合的短期负荷预测模型

提出了一种自编码器与PSO算法优化卷积神经网络结合的电力系统短期负荷预测模型。首先利用自编码器对相关变量数据进行处理,降低所需数据的噪声变量,提高预测效率;然后利用粒子群算法对卷积神经网络的权值和阈值进行优化,可有效提高预测模型的预测精度和预测速度。通过对实际电网的负荷数据进行仿真,验证了模型具有较高的预测精度。     

基于自适应粒子群支持向量机的短期电力负荷预测

针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO).该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性.将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化.对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO-SVM方法的预测精度明显优于传统的SVM方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的.     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

基于混合人工鱼群优化SVR的交通流量预测

实时准确的交通流量预测是智能交通系统(ITS)中的重要内容．支持向量回归(SVR)能够用于解决交通流量预测问题,针对SVR中存在的参数选择困难,提出一种混合人工鱼群(AFS)算法．该算法利用粒子群优化(PSO)算法公式改进AFS算法,减小AFS算法中步长因子的影响,并引入混沌初始化AFS机制,选取最优SVR参数,建立了基于混沌PSO-AFS优化SVR的交通流量预测模型．仿真结果表明,该交通流量预测模型具有更优的预测性能,证明了其可行性和有效性．     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型

为应对当前复杂非线性的宏观经济形势与电力消耗情况,本文提出了一种自适应粒子群算法改进的最小二乘支持向量机负荷预测模型。根据粒子群中粒子的成熟程度对其进行分类,对不同类别的粒子分别采取不同的位置更新方式,可以保持粒子种群多样性,避免造成局部最优。利用自适应粒子群算法优化最小二乘支持向量机的模型参数,经过实证分析能够一定程度提高模型的预测精度,可以为中长期负荷预测工作提供一些的参考。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于改进Bi-LSTM和XGBoost的电力负荷组合预测方法

电力负荷预测在平衡能源分配、经济性和电力系统安全可靠运行方面发挥着重要作用,精准的负荷预测可以降低电力运行的成本和风险,提高电网环境效益和经济效益.首先根据加权灰色关联投影算法对数据进行预处理,然后应用注意力(Attention)机制来改进双向长短期记忆(Bi-LSTM)模型,并结合极端梯度提升(XGBoost)模型构...