集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

基于数据扩展的短时交通流量预测

多种机器学习和深度学习的模型和算法应用于短时交通流量预测,但是,大多数模型尤其是深度学习模型对训练样本的数量要求较高。为此,提出了一种基于数据扩展的短时交通流量预测方法,该方法基于自编码神经网络分别结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)构建预测模型,该模型利用自编码神经网络扩展的数据分别训练长短时记忆神经网络和支持向量回归进行交通流量的预测,结果表明,所提出的预测模型具有较高的精度和较好的泛化能力。     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

PSO-SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机(SVR)的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数γ三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明:基于PSOSVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

基于DeST仿真和GS-SVR算法对严寒气候区近零能耗公共建筑逐时负荷预测

目的 为使空调系统能够及时对近零能耗建筑室内负荷变化做出反应,提出基于DeST仿真与支持向量机回归算法(SVR)的预测方法.方法 以位于沈阳建筑大学校内的近零能耗示范建筑为例,通过DeST仿真得到模型需要的原始数据,利用网格搜索算法(GS)对支持向量机算法中的参数进行优化,采取优化后的支持向量机回归算法(GS-SVR)...     

木材导热系数的支持向量回归预测

根据木材在不同影响因素(密度、含水率和比重)下沿横纹方向(包括径向和弦向)的导热系数的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了木材沿不同方向的导热系数的预测模型,并与通过类比法(ANA)导出的理论模型和BP神经网络(BPNN)模型进行了比较。结果表明:基于相同的训练样本和检验样本,木材导热系数的SVR模型比其ANA模型或BPNN模型具有更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR模型预测的最大绝对百分误差(MPE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。因此,SVR是一种预测木材导热系数的有效方法。     

基于聚类及优化集成神经网络的地铁车站空调负荷预测

分别从优化算法集成神经网络及将数据聚类后按类建模两方面建立3种模型对地铁车站空调负荷进行逐时预测,结果表明：同一物理量对地铁车站空调负荷所产生的影响程度随时间呈现某种动态变化特征,根据历史数据定量分析这些特征,对精准筛选模型输入参数、提高模型预测精度大有裨益。在3种模型中,粒子群优化算法-神经网络（PSO-BPNN）和果蝇优化算法-神经网络（FOA-BPNN）预测的平均相对误差（MAPE）较单纯神经网络（BPNN）分别降低25.87%和40.08%,聚类-神经网络（Kmeans-BPNN）预测的MAPE比PSO-BPNN及FOA-BPNN分别降低61.12%和51.90%。说明在同等情况下,优化算法集成模型比单纯BPNN预测精度更高,而当区分实际负荷变化特点后,采用聚类后建模比优化集成建模效果更佳。     

基于K均值小波神经网络的二阶段空调负荷预测

结合聚类分析和小波神经网络模型,提出一种二阶段空调负荷建模方法,以提高空调负荷预测精度.首先利用K均值聚类算法将原始负荷样本数据依据其统计分布特性划分为若干簇类,以降低数据相关性对建模精度的影响;然后基于对每个划分簇类所属的样本数据建立相应小波神经网络空调负荷预测模型.最后基于De ST平台模拟数据,将构造的小波神经网络预测模型运用于福建某办公大楼的逐时空调负荷预测.通过对比均方根误差(RMSE)和平均绝对误差(MAPE),结果表明该模型的预测精度明显优于传统单一的小波神经网络和BP神经网络模型.     

基于PSO-SVR模型的短期天然气负荷预测

针对天然气负荷影响因素选择困难,冗余因素会影响负荷预测的精度和速度,使用特征选择Relief算法对影响负荷值的因素进行筛选,去掉冗余影响因素,为准确地预测天然气负荷提供一定的数据基础;在进行负荷预测时,单一的支持向量回归(support vector regression, SVR)会陷入重要参数难以选取最优的情况,为了解决这一问题,提出一种基于特征选择上的粒子群算法(particle swarm optimization, PSO)优化SVR重要参数的组合模型PSO-SVR。所提出的算法首先使用特征选择选取影响因素,为负荷预测提供主要的数据支持;然后,设置SVR的3个关键参数的初始值,进行迭代得到最优的关键参数值;最后,将影响因素和负荷值输入PSO-SVR模型进行训练并预测。使用榆济管线的负荷数据进行预测并对比。结果表明：提出的算法比其他单一模型的预测精度高,能为天然气负荷预测的研究提供参考,为天然气公司购气量提供依据。     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.     

基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

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。     

基于改进支持向量回归机的煤炭物流成本预测

煤炭物流成本控制的必要条件就是对其成本进行预测,这样才能对煤炭物流成本进行科学合理地控制。本文提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR煤炭物流成本预测模型。模型利用CSO算法对SVR进行参数优化,优化后的支持向量回归机模型进行煤炭物流成本预测。通过CSOSVR模型对已有煤炭物流成本数据预测仿真。模拟结果显示,从煤炭物流成本预测精度角度出发,CSO-SVR模型预测结果优于GA-SVR、SVR、BPNN等算法。     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

基于粒子群优化支持向量回归机的黄金价格预测模型

为了克服神经网络存在的收敛速度慢、容易陷入局部极值等缺点,提出基于粒子群优化支持向量机(PSO-SVM)的黄金价格预测方法,以影响黄金价格的美元走势、世界黄金储备、石油价格等因素为输入,黄金价格为输出.用粒子群优化算法选择合适的支持向量机参数,对支持向量回归机进行训练.应用训练完成的支持向量回归机预测下一年的黄金价格.结果证明,PSO-SVM的预测精度高于BP神经网络,PSO-SVM适用于黄金价格预测.     

支持向量机在短期负荷预测中的应用

采用一种有效的负荷聚类分析处理技术,把FCM模糊聚类算法和支持向量机的短期负荷预测相结合。该方法考虑到负荷变化的周期性特点,应用模糊聚类分析的基本原理,对原始样本进行模糊聚类分析,选取与预测样本特征相似的样本作为训练样本,建造负荷预测的支持向量机模型。实例分析证明,该方法能够有效地提高负荷预测的精度,缩短了预测时间。