基于统计分析和多支持向量机的风电功率坡度事件分类预测

为准确评估风电功率变化行为的影响,优化风电系统控制,提出了基于统计分析和多支持向量机的风电功率坡度事件分类预测方法.通过对风电功率坡度事件进行定义和分类,利用风电场的实际运行数据,对不同统计周期和不同方向的坡度事件幅度分布和时间段分布进行了统计分析,找到了功率坡度事件变化的内在规律.在此基础上,将二元支持向量机（Support Vector Machine,SVM) 拓展到多支持向量机 (Multiple Support Vector Machines,MSVMs),建立了对功率坡度事件类别的一步和多步预测.实验结果表明,所提方法具有较高的坡度事件预测精度和稳定性,可以对风电功率变化进行准确的风险预测,有利于风电系统的优化控制.     

基于双参数最小二乘支持向量机(TPA-LSSVM)的风电时间序列预测模型的优化研究

风电时间序列预测模型的优劣直接影响风功率的应用价值,最小二乘支持向量机（least squares support vector machine,LSSVM）在处理风电预测问题上具有明显优势。提出了一种双参数算法（two-parameter algorithm,TPA）,从理论上证明了任意初始值均可线性收敛到全局最优值。调用TPA算法对LSSVM模型的惩罚因子和径向基宽度进行寻优赋值,并将训练好的TPA-LSSVM模型应用于风电预测中。仿真结果表明,与LSSVM模型、粒子群最小二乘支持向量机（PSO-LSSVM）模型、径向基函数神经网络（RBFNN）模型相比,TPA算法可以更好地实现LSSVM的参数寻优,TPA-LSSVM模型能有效提高预测精度。     

基于改进果蝇算法优化的SVM风电功率短期预测

由于风力发电功率预测的准确性直接关系到电网的供需平衡,直接影响着并网系统的运营成本,因此风电功率预测的准确性非常重要。对于预测精度不高的问题,提出了一种改进的果蝇算法优化的支持向量机的预测方法。由于支持向量机的惩罚因子和核函数参数选择对预测精度有很大影响,因而利用改进的果蝇算法对支持向量机参数进行优化,用优化好的参数进行建模训练,然后把建好的模型应用于功率预测,最后对数据进行评估。预测结果表明:改进的果蝇算法优化的支持向量机对风力发电功率预测有更好的准确性。     

风力发电机组出力组合区间预测算法

论述风电机组出力的准确预测对含大规模风电场电力系统的经济、安全运行具有重要意义,提出基于模糊信息粒化-最小二乘支持向量机和混沌时间序列的出力组合区间预测方法.首先用最大-最小贴进度的方法建立风速组合区间预测模型,然后在风速区间预测的基础上,通过风速与出力之间的关系-功率曲线,得到风电机组出力在未来时刻的变化区间.对提出的预测模型,使用甘肃酒泉某风电场和美国Wisconsin州Butler ridge风电场的现场实测数据进行测试验证,结果表明通过该预测模型得到的风电机组出力变化区间具有较高的精度和置信水平.     

基于PSO优化MK-TWSVM的风机齿轮箱故障诊断

为了提高风电机组齿轮箱故障诊断的准确率,提出一种基于粒子群算法优化混合核孪生支持向量机的风电机组齿轮箱故障诊断方法.首先,在传统支持向量机的基础上引入孪生支持向量机,提高算法运算速度;其次,提出一种新的混合核函数取代传统支持向量机中的单一核函数,并选用粒子群算法对上述核函数的参数进行寻优;最后,搭建风电机组齿轮箱试验平台,采集具体的齿轮箱故障试验数据进行验证.试验结果表明,对比其他方法,本文所提出方法在诊断风电机组齿轮箱故障方面具有更高的识别准确率,因此具有较强的实用性.     

基于支持向量机的石油需求预测

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.利用支持向量回归机对我国石油需求量进行预测,并通过实验与神经网络的预测结果进行比较,表明支持向量机具有更高的预测精度.     

基于蛙跳算法的改进支持向量机预测方法及应用

针对支持向量机在中长期负荷预测中关键参数选择的问题,引入蛙跳算法(SFLA)以优化基于支持向量机的中长期负荷预测算法,解决支持向量机参数选择问题。以对中国能源消费总量预测为例,对本文提出的改进算法进行验证。以1979—1999年的能源消耗量作为样本,对2000—2009年能量消耗量进行检验。研究结果表明:引入蛙跳算法后,与用粒子群(PSO)算法改进的支持向量机以及普通支持向量机方法相比,改进支持向量机预测精度分别提高2.34%和3.21%,算法运行时间分别增加51 s和109 s。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

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.     

基于灰色关联支持向量机的混凝土抗压强度预测

混凝土抗压强度预测是一个动态的系统工程,其精度受到多种高维非线性、随机性因素的影响.为有效提高混凝土抗压强度的预测精度,在分析支持向量机的基础上,构建了基于灰色关联支持向量机的混凝土抗压强度预测模型.该模型基于灰色关联分析确定混凝土抗压强度的主导因素,然后通过支持向量机建立其与变量之间的非线性映射关系,同时利用网格搜索算法对支持向量机进行参数寻优.仿真结果表明:与单纯支持向量机和BP神经网络模型预测结果相比,基于灰色关联支持向量机的预测模型更为有效可靠,为提高混凝土抗压强度预测精度提供了新的途径.     

基于遗传算法的支持向量机短期风速预测

对风电场风速实现较准确的预测,可以有效减轻并网后风电场对电网的影响。支持向量机模型的预测精度在很大程度上依赖于模型参数的选择,为提高预测模型的泛化能力和预测精度,应用遗传算法选择支持向量机的模型参数,再根据选择的参数对小时风速进行预测。实验结果表明本文方法能够获得较高的风速预测精度。     

基于合成核支持向量机的风力发电机故障诊断

采用合成核函数构造支持向量机模型,运用粒子群优化算法（PSO）对模型参数进行参数寻优,利用UCI数据集的数据进行分类验证.与单核SVM相比,该方法具有更好的分类能力和运算速度.将合成核SVM应用到风机齿轮箱的故障诊断中,取得了良好的效果.     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

构造特征复杂性减低的支持向量机

支持向量机(SVM)较一般的机器学习方法显示出更好的泛化能力.然而,在实际的数据中经常存在着大量冗余、噪声或者不可靠的特征,这严重影响到SVM的性能.因此,有必要减低特征复杂性以获取更好的SVM结果.本文提出了一种基于遗传算法(GA)的嵌入式框架下的特征优化算法,以构造改进SVM.针对选择的UCI成人数据库的实验表明,与原始的SVM相比,提出的改进SVM方法获得了更少的支持向量数目和更好的分类精度.     

基于GAPSO-SVM的航空发动机典型故障诊断

针对遗传算法（GA）和粒子群优化（PSO）算法优化支持向量机（SVM）存在容易陷入局部最优解、诊断精度相对较低、鲁棒性较差的问题,提出了一种结合GA、PSO、模拟退火算法的GAPSO优化算法,利用这种算法对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡.通过对航空发动机典型故障的诊断研究表明,该方法不仅能够取得良好的分类效果,诊断精度高于BP神经网络、自组织神经网络、标准SVM、GA-SVM,而且有较好的鲁棒性,更适合在故障诊断中应用.     

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm, GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm, GA)、萤火虫算法(firefly algorithm, FA)和粒子群(particle swarm algorithm, PSO)优化算法进行对比。结果表明：运用PGOA算法优化后的风电场单位发电成本为2 016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。     

Forecasting Financial Distress of Chinese High-tech Manufacturing Companies Based on a Hybrid Model of GA-SVM

Owing to the radical changing of Chinese economy, it is essential to build an effective financial distress prediction model. In this paper, we present a genetic algorithm (GA) approach for optimizing parameters of support vector machine (SVM). We validate the proposed model on datasets of Chinese high-tech manufacturing industry. Experimental results reveal that the proposed GA-SVM model can compare to and even outperform other exiting classifiers. Compared to grid-search algorithm, the proposed GA-based takes less time to optimize SVM parameter without degrading the prediction accuracy of SVM.