基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。     

小波分析和SVR在供热负荷预测中的应用

采用热计量后供热系统将成为变流量系统,结合小波分析和支持向量回归(SVR)及时准确预测热负荷,使供热控制跟踪热量的变化.利用偏相关分析来选择模型输入参数,将小波分析应用于数据消噪处理,建立支持向量回归负荷预测模型。研究结果表明,该方法提高了运算效率和预测精度。     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

小波分析和SVR在供热负荷预测中的应用

采用热计量后供热系统将成为变流量系统，结合小波分析和支持向量回归（SVR）及时准确预测热负荷，使供热控制跟踪热量的变化,利用偏相关分析来选择模型输入参数，将小波分析应用于数据消噪处理，建立支持向量回归负荷预测模型。研究结果表明，该方法提高了运算效率和预测精度。     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

一种基于2次核函数支持向量机的多步预测控制算法

提出了一种基于2次多项式核函数支持向量机的多步预测控制方法。通过黑箱辨识和线性化技术得到非线性系统的近似模型,根据预测控制机理,最小化滚动时域的二次型目标函数,利用模型算法控制的方法得到控制器的解析输出。通过一个标准预测模型和一个工业用连续搅拌槽式反应器的模型仿真验证了该控制器的性能,仿真结果表明:该控制器有着良好的预测性能。