基于偏最小二乘支持向量機短期電力負荷預測方法

提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負荷智能組合預測方法。在考慮負荷日周期性的基礎上,通過對歷史負荷數(shù)據(jù)的不同取舍,構建出各種不同的歷史負荷數(shù)據(jù)序列,并對每個歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進行負荷預測;采用最小二乘支持向量機回歸算法對不同灰色模型的預測結果進行非線性組合,以獲取最終預測值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運算方便等優(yōu)勢的基礎上,結合最小二乘支持向量機所具有的泛化能力強、非線性擬合性好、小樣本等特性,提高了預測精度。仿真結果驗證了所提出組合方法的有效性和實用性。

針對神經網絡存在結構較難確定,訓練易陷入局部最小等問題,提出將最小二乘支持向量機和相似搜索用于預測出清電價。該方法對相似搜索得到的相似負荷日的數(shù)據(jù)用最小二乘支持向量機建立預測模型,采用美國newenglandiso的真實數(shù)據(jù)做驗證,結果表明該方法比bp神經網絡有更高的預測精度,是一種有效的預測方法。

基于最小二乘支持向量機的砂土液化預測方法——使用最小二乘支持向量機分類方法建立了兩個砂土液化預測模型，預測結果與野外實際情況全部相符，表明該分類方法用于預測砂土液化是可行的，且預測準確率高。

基于最小二乘支持向量機的砂土液化預測方法——使用最小二乘支持向量機分類方法建立了兩個砂土液化預測模型，預測結果與野外實際情況全部相符，表明該分類方法用于預測砂土液化是可行的，且預測準確率高。

為了提高電力系統(tǒng)短期負荷預測精度,提出一種基于改進極限學習機(melm)的短期電力負荷預測模型。引入基于結構風險最小化理論,并結合最小二乘向量機回歸學習方法,以克服傳統(tǒng)極限學習機(elm)在短期負荷預測中存在的過擬合問題。某地區(qū)用電負荷預測結果表明,改進模型的泛化性與預測精度均優(yōu)于傳統(tǒng)elm和os-elm模型,可為短期電力負荷預測提供有效依據(jù),具有一定的實用性。

通過影響因素分析,確定了軟土層厚度、軟土層壓縮模量、地表硬層厚度、地表壓縮模量、路堤高度、路堤頂寬、路基填筑時間和填筑竣工時沉降量等參數(shù)對公路軟基沉降有影響。對公路軟基的觀測數(shù)據(jù)進行分析和取樣,輸入樣本為各參數(shù),輸出樣本為路堤中線下地表沉降值,利用最小二乘支持向量機的非線性映射和泛化能力,通過訓練,建立了公路軟基沉降預測模型。研究表明,所建立的模型對公路軟基沉降進行預測具有較高的精度,同時具有很好的泛化性能。

針對在工程實踐中,應用單一方法預測建筑物沉降存在著局限性,提出了基于最小二乘支持向量機回歸綜合單一方法預測沉降量。該方法能綜合單一方法的特點,增強了模型的普適性,從而提高了預測精度和預報期次。文中討論了如何實現(xiàn)和運用該方法,最后通過實例驗證了其有效性。

基于最小二乘支持向量機回歸的基坑變形預測——將最小二乘支持向量機回歸用于基坑變形預測．根據(jù)基坑位移的實測時間序列資料，應用最小二乘支持向量機回歸建立了基坑位移與時間的關系模型．研究結果表明，最小二乘支持向量機回歸用于基坑變形預測，具有較高的預...

支持向量機(supportvectormachine,svm)作為一種新穎的機器學習方法已成功應用于短期電力負荷預測,然而應用研究發(fā)現(xiàn)svm算法性能參數(shù)的設置將直接影響負荷預測的精度.為此在對svm參數(shù)性能分析的基礎上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量機短期電力負荷預測模型建模的思路及關鍵參數(shù)的選取,在建模過程中引入了徑向基核函數(shù),簡化了非線性問題的求解過程,并應用sce-ua算法辨識svm的參數(shù).貴州電網日96點負荷曲線預測的實際算例表明,所提sce-ua支持向量機模型不僅克服了svm參數(shù)選擇的盲目性,而且能提高預測準確率,是一種行之有效的短期電力負荷預測模型.

基于最小二乘支持向量機回歸的單樁豎向極限承載力預測——基于單樁載荷試驗數(shù)據(jù)，采用最小二乘支持向量機(lssvm)回歸的方法，建立了單樁豎向極限承載力的預測模型．利用文獻中樁的載荷試驗數(shù)據(jù)來訓練lssvm模型，并確定了模型參數(shù)．研究結果表明，同常用的bp網絡...

采用最小二乘支持向量機的方法,利用現(xiàn)場測量的數(shù)據(jù),建立水泥粒度軟測量模型;通過交叉驗證方法優(yōu)化參數(shù),并用仿真實驗驗證了該方法的有效性,解決了非線性、小樣本、高維數(shù)等常規(guī)測量方法難以實現(xiàn)的問題,實現(xiàn)了水泥粒度的在線測量。

隧道圍巖變形預測的最小二乘支持向量機方法——為及時掌握圍巖變形趨勢并采取措施加以控制，在嶺南高速雪家莊隧道施工過程中，采用一種新的時間序列預測模型--最小二乘支持向量機(ls-svm)。介紹了ls．svm的基本原理和該預測模型的具體操作步驟，實踐表明，該方...

為提高水庫來水量的預測精度,提出了一種基于最小二乘支持向量機(ls-svm)的來水量預測模型。實例應用結果表明,該模型預測能力強、預測精度高,其預測精度明顯高于bp模型,為來水量預測提供了一種可靠、有效的方法。

根據(jù)沉降數(shù)據(jù)的特性,以最小二乘支持向量機為核心技術構建預測模型,提出了一種路基沉降預測的新方法。由于測量誤差不可避免,沉降數(shù)據(jù)通常含有噪聲,不宜直接進行擬合,因此首先采用小波分析的方法對原始沉降數(shù)據(jù)進行降噪預處理,然后饋送到最小二乘支持向量機完成沉降預測。最后用某高速公路實測數(shù)據(jù)進行了實例分析,并與bp神經網絡預測結果進行了對比,計算結果表明,小波分析結合支持向量機的模型有較好的預測精度,將該模型應用于公路軟基沉降預測是可行的和值得研究的。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

季節(jié)型電力負荷同時具有增長性和波動性的二重趨勢,使得負荷的變化呈現(xiàn)出復雜的非線性組合特征。對此,提出了一種綜合最優(yōu)灰色支持向量機預測模型,研究了同時考慮2種非線性趨勢的復雜季節(jié)型負荷預測問題,說明了此優(yōu)化模型分別優(yōu)于2種單一負荷預測模型。在此基礎上,對一般粒子群算法引入粒子速度自適應可調機制,并利用改進粒子群算法優(yōu)化組合預測模型中的權值。對電力負荷預測應用實例的計算結果表明,該模型較大提高了季節(jié)型負荷預測的精度,具有較好的性能。

為實現(xiàn)建設工程造價的快速和準確預測,此文提出基于模糊最小二乘支持向量機的建設工程造價預測方法。該方法可較好解決小樣本預測問題,適合于當前工程造價樣本數(shù)據(jù)量少的現(xiàn)狀。通過隸屬度函數(shù)對樣本進行模糊化和加權,實現(xiàn)對歷史數(shù)據(jù)和相似數(shù)據(jù)的優(yōu)化選擇,提高了預測準確性。將標準svm的二次規(guī)劃問題轉化為線性方程組求解,提高了預測速度。通過對某市地鐵建設中區(qū)間隧道延米造價估算實例的計算,驗證了所提出預測方法的有效性。

采用eof時空分解、小波頻率分解和最小二乘支持向量機(ls-svm)交叉互補方法,建立夏季500hpa位勢高度場的預測模型,用以描繪和表述副熱帶高壓形勢場的形態(tài)和變化。首先用經驗正交函數(shù)分解(eof)方法將ncep/ncar再分析資料500hpa位勢高度場序列分解為彼此正交的特征向量及其對應時間系數(shù),隨后提取前15個主要特征向量的時間系數(shù)(方差貢獻96.2%),采用小波分解方法將其分解為相對簡單的帶通信號,再利用ls-svm方法建立各分量信號的預測模型,最后通過小波時頻分量重構和eof時空重構,得到500hpa位勢高度場的預測結果以及副熱帶高壓形勢場的預測。通過對預測模型的試驗情況和分析對比,結果表明:基于上述思想提出的算法模型能較為準確地描述500hpa位勢高度場的形態(tài)分布并預測1～7d的副熱帶高壓活動,對10～15d的副熱帶高壓活動預測結果也有參考意義。

針對最小二乘支持向量機在利用產生于工業(yè)現(xiàn)場的非理想數(shù)據(jù)集進行建模預測時,稀疏化模型魯棒性差的問題,提出了一種基于模糊c均值聚類和密度加權的稀疏化方法.首先通過模糊c均值聚類將訓練樣本劃分為若干個子類;然后計算每個子類中各樣本的可能貢獻度,依次從每個子類中選取具有最大可能貢獻度的樣本作為支持向量;最后更新每個樣本的可能貢獻度,繼續(xù)從各個子集中增選支持向量,直至稀疏化后的模型性能滿足要求.仿真結果和磨機負荷實際應用表明,該方法能夠兼顧模型在整體樣本集和各工況子集上的性能,在實現(xiàn)模型稀疏化的同時,能夠顯著改善最小二乘支持向量機模型的魯棒性.

電力系統(tǒng)短期負荷預測是保證電力系統(tǒng)安全經濟運行和實現(xiàn)電網科學管理及調度的重要依據(jù),目前的電力系統(tǒng)短期負荷預測方法存在著一些不足。提出了基于人工神經網絡與主分量分析的短期負荷預測方法,在試驗中分別采用該方法和單一的人工神經網絡對遼寧省某電網的短期負荷進行了預測,試驗結果表明本文提出的方法與單一的人工神經網絡預測法相比,不但減少了預測的時間,而且避免了過擬合現(xiàn)象,提高了預測精度。

支持向量機svm作為機器學習方法之一,有數(shù)據(jù)分類以及數(shù)據(jù)回歸兩種用途,支持向量機的回歸能應用于預測領域.本文應用svm方法來建立電力負荷預測模型,首先以歷史負荷、天氣、日期類型作輸入數(shù)據(jù),然后對數(shù)據(jù)進行歸一化處理,再利用svm構建預測模型,svm在負荷預測方面具有較高的可信度與精準度.

針對工程造價變化的時變性、混沌性,提出一種混沌理論和最小二乘支持向量機的工程造價預測模型.首先收集工程造價歷史樣本并進行相應的預處理,然后根據(jù)混沌理論確定最優(yōu)延遲時間和嵌入維數(shù),重建工程造價的訓練集和測試集,最后用最小二乘支持向量機建立工程造價預測模型,并采用具體建筑工程造價數(shù)據(jù)進行仿真測試.結果表明,相對其他工程造價預測模型,該模型可以很好地反映工程造價的變化趨勢,提高工程造價的預測準確性.