载重量影响的电力推进船舶电力负荷混沌预测

为提高电力推进船舶电力负荷预测精度,通过小波变换将电力推进船舶电力负荷分解为固有负荷分量和载重量影响负荷分量,在此基础上用混沌局域关联模型预测固有负荷分量;用线性回归模型预测载重量影响负荷分量.建立固有负荷分量预测模型时以自相似轨道搜寻为基础,且将关联度作用于固有负荷分量混沌预测模型.实例计算结果表明该方法能有效提高预测精度.     

基于SMOTEBoost的非均衡数据集SVM分类器

在对实际问题进行数据挖掘时面临的多数是非均衡数据集,即各种类型的数据分布并不均匀,且关注的类型常是少数类.运用含有少量少数类型事例的数据集训练后的模型进行预测时,通常对多数类的预测精度很高,而少数类的预测精确性却很差.提出了一种集成方法SMOTEBoostSVM,通过SMOTE技术人工生成增加少数类样本量,以具有较强分类性能和泛化性能的SVM作为弱分类器,并以AdaBoost算法构建集成分类器.实验结果表明,SMOTEBoostSVM集成分类器比单纯运用SMOTE技术、AdaBoost算法以及SVM等的分类器,在非均衡数据集的分类预测中具有更好的效果.     

基于LASSO分位数回归的中期电力负荷概率密度预测方法

中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于三角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

基于模糊分类-灰色马尔可夫的陀螺仪漂移预测

针对标准灰色马尔可夫预测模型抗干扰能力差的局限性,提出了一种基于模糊理论和灰色马尔可夫模型的预测方法。将模糊理论引入预测模型中,从分类方法上对标准灰色马尔可夫模型进行改进,该算法可以有效提高灰色马尔可夫预测模型的预测精度。将这种方法用于某型导弹陀螺仪的漂移预测中,实验证明了这种方法的有效性和可行性。     

基于混沌理论和LSSVM的蒸汽负荷预测

蒸汽是一种重要的二次能源, 如何预知热电厂在未来时刻需生产的蒸汽负荷, 对于安全、经济地向用户提供高质量的热负荷具有重要意义. 针对短期蒸汽负荷序列的预测问题, 首先证明了蒸汽负荷序列具有混沌特性, 根据Takens定理, 重构蒸汽负荷时间序列相空间, 分别采用C-C方法和Cao方法确定延迟时间和嵌入维数; 然后在相空间中, 利用最小二乘支持向量机(LSSVM)建立蒸汽负荷预测模型, 并采用模拟退火算法(SA)改进的粒子群优化算法(PSO), 即SA_WPSO算法对LSSVM参数的选择方法进行了优化, 结果证明该方法能够取得很好的预测效果.     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

基于Box-Cox变换分位数回归与负荷关联因素辨识的中长期概率密度预测

中长期电力负荷预测是电力部门制定电力系统发展规划和稳定运行的重要前提.针对影响中长期电力负荷预测精度的多个因素,本文利用逐步回归方法,从众多影响负荷预测精度的关联因子中,对关键的影响因子进行辨识,并提出基于Box-Cox变换分位数回归和核密度估计相结合的概率密度预测方法,得出不同分位点下未来连续几年的概率密度预测结果,实现了对未来年用电量准确波动区间的预测.以安徽省的历史用电量和社会经济数据为例,进行仿真实验.结果表明:该方法不仅实现了中长期电力负荷概率密度预测,而且利用强关联因素提高了中长期电力负荷概率密度预测的精度,有效解决了考虑多因子的中长期电力负荷概率密度预测问题.     

应用混沌相空间模线性回归模型研究短期负荷预报

在一维 Lyapunov指数预报模型的基础上提出了混沌相空间模线性回归模型 ,并将该模型应用于短期负荷预报 .对厦门市实际负荷时间序列进行预报 ,取得了较满意的结果 .     

一种基于需求特性分类的备件库存管理方法及其实证研究

提出了一种基于分类的备件库存管理方法,该方法先从备件需求预测的角度对备件进行分类,然后对每一类备件的需求进行预测并给出了其适当的库存决策方法.基于分类的预测方法可以解决备件种类过多、部分备件需求的历史数据不足问题并能够为每类备件选择预测精度较高的预测方法;基于分类的库存决策模型适用于在缺少单位备件缺货成本参数条件下的订购点与订购批量决策.以石化企业的阀门为典型背景,论文说明了所提出方法的适用性和优越性.     

基于AdaBoost改善虹膜分类性能

针对虹膜图像分辨率不同引起虹膜分类难的问题,提出了通过AdaBoost训练虹膜分类器的方法,利用训练集数据调整分类器参数使类内相似度达到最大,将虹膜分类器从弱分类器逐步提升为强分类器,最终为每类虹膜建立一个具有强分类能力的特征模板.仿真结果表明,在已有的特征提取算法和分类算法的基础上,利用训练数据通过自适应增强算法能进一步改善分类器分类性能,提高虹膜分类正确率,增大虹膜分类阈值的选择范围.     

运用样本更新的实时神经网络进行短期电力负荷预测

用多层神经网络模型解决短期电力负荷预测问题 ,提出了运用基于非梯度的单参数动态搜索(SPDS)算法训练网络 .这种学习算法可以克服 BP学习算法对规模大、特征多的问题难以收敛的困难 .根据预测日的天气信息进行样本集的动态构造和网络的实时训练 .计算结果表明 ,文中提出的模型可以较好地进行短期电力负荷预测 ,也验证了 SPDS学习算法的有效性.     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.     

基于Adaboost的作战目标属性判定方法

传统作战目标属性判定主要采用指挥员现场判断的定性方法, 具有一定的主观性, 并且由于缺乏较为成熟固定的算法而难以纳入指挥平台中。针对此问题, 结合作战目标属性判定关键影响因素分析, 提出一种基于自适应提升(adaptive boosting, Adaboost)的作战目标属性判定方法。首先, 针对目标有效面积、目标配置区域面积等关键因素, 采用单层决策树算法构建弱分类器。然后, 利用Adaboost对弱分类器进行加权组合, 形成作战目标属性判定的强分类模型。最后, 进行了示例分析, 并与决策树、支持向量机和人工神经网络3种属性判定方法进行对比仿真实验, 证明了所提方法的正确性和优越性。     

面向多类别分类问题的子抽样主动学习方法

由于传统主动学习方法的计算量随着问题规模的增大呈指数增长,因此很难应用于大规模多类数据分类任务中.为解决该问题,设计了一种基于子抽样的主动学习(subsampling-based active learning,SBAL)算法.该算法将无监督聚类算法与传统主动学习方法整合,在二者之间增加了子抽样操作,该操作能够显著降低...