基于偏最小二乘支持向量機(jī)短期電力負(fù)荷預(yù)測(cè)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(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測(cè)方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對(duì)每個(gè)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(jìn)行負(fù)荷預(yù)測(cè);采用最小二乘支持向量機(jī)回歸算法對(duì)不同灰色模型的預(yù)測(cè)結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測(cè)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(jiǎn)單、運(yùn)算方便等優(yōu)勢(shì)的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測(cè)精度。仿真結(jié)果驗(yàn)證了所提出組合方法的有效性和實(shí)用性。

針對(duì)神經(jīng)網(wǎng)絡(luò)存在結(jié)構(gòu)較難確定,訓(xùn)練易陷入局部最小等問(wèn)題,提出將最小二乘支持向量機(jī)和相似搜索用于預(yù)測(cè)出清電價(jià)。該方法對(duì)相似搜索得到的相似負(fù)荷日的數(shù)據(jù)用最小二乘支持向量機(jī)建立預(yù)測(cè)模型,采用美國(guó)newenglandiso的真實(shí)數(shù)據(jù)做驗(yàn)證,結(jié)果表明該方法比bp神經(jīng)網(wǎng)絡(luò)有更高的預(yù)測(cè)精度,是一種有效的預(yù)測(cè)方法。

基于最小二乘支持向量機(jī)的砂土液化預(yù)測(cè)方法——使用最小二乘支持向量機(jī)分類(lèi)方法建立了兩個(gè)砂土液化預(yù)測(cè)模型，預(yù)測(cè)結(jié)果與野外實(shí)際情況全部相符，表明該分類(lèi)方法用于預(yù)測(cè)砂土液化是可行的，且預(yù)測(cè)準(zhǔn)確率高。

基于最小二乘支持向量機(jī)的砂土液化預(yù)測(cè)方法——使用最小二乘支持向量機(jī)分類(lèi)方法建立了兩個(gè)砂土液化預(yù)測(cè)模型，預(yù)測(cè)結(jié)果與野外實(shí)際情況全部相符，表明該分類(lèi)方法用于預(yù)測(cè)砂土液化是可行的，且預(yù)測(cè)準(zhǔn)確率高。

為了提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)精度,提出一種基于改進(jìn)極限學(xué)習(xí)機(jī)(melm)的短期電力負(fù)荷預(yù)測(cè)模型。引入基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論,并結(jié)合最小二乘向量機(jī)回歸學(xué)習(xí)方法,以克服傳統(tǒng)極限學(xué)習(xí)機(jī)(elm)在短期負(fù)荷預(yù)測(cè)中存在的過(guò)擬合問(wèn)題。某地區(qū)用電負(fù)荷預(yù)測(cè)結(jié)果表明,改進(jìn)模型的泛化性與預(yù)測(cè)精度均優(yōu)于傳統(tǒng)elm和os-elm模型,可為短期電力負(fù)荷預(yù)測(cè)提供有效依據(jù),具有一定的實(shí)用性。

通過(guò)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(shí)間和填筑竣工時(shí)沉降量等參數(shù)對(duì)公路軟基沉降有影響。對(duì)公路軟基的觀測(cè)數(shù)據(jù)進(jìn)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(jī)的非線性映射和泛化能力,通過(guò)訓(xùn)練,建立了公路軟基沉降預(yù)測(cè)模型。研究表明,所建立的模型對(duì)公路軟基沉降進(jìn)行預(yù)測(cè)具有較高的精度,同時(shí)具有很好的泛化性能。

針對(duì)在工程實(shí)踐中,應(yīng)用單一方法預(yù)測(cè)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(jī)回歸綜合單一方法預(yù)測(cè)沉降量。該方法能綜合單一方法的特點(diǎn),增強(qiáng)了模型的普適性,從而提高了預(yù)測(cè)精度和預(yù)報(bào)期次。文中討論了如何實(shí)現(xiàn)和運(yùn)用該方法,最后通過(guò)實(shí)例驗(yàn)證了其有效性。

基于最小二乘支持向量機(jī)回歸的基坑變形預(yù)測(cè)——將最小二乘支持向量機(jī)回歸用于基坑變形預(yù)測(cè)．根據(jù)基坑位移的實(shí)測(cè)時(shí)間序列資料，應(yīng)用最小二乘支持向量機(jī)回歸建立了基坑位移與時(shí)間的關(guān)系模型．研究結(jié)果表明，最小二乘支持向量機(jī)回歸用于基坑變形預(yù)測(cè)，具有較高的預(yù)...

支持向量機(jī)(supportvectormachine,svm)作為一種新穎的機(jī)器學(xué)習(xí)方法已成功應(yīng)用于短期電力負(fù)荷預(yù)測(cè),然而應(yīng)用研究發(fā)現(xiàn)svm算法性能參數(shù)的設(shè)置將直接影響負(fù)荷預(yù)測(cè)的精度.為此在對(duì)svm參數(shù)性能分析的基礎(chǔ)上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量機(jī)短期電力負(fù)荷預(yù)測(cè)模型建模的思路及關(guān)鍵參數(shù)的選取,在建模過(guò)程中引入了徑向基核函數(shù),簡(jiǎn)化了非線性問(wèn)題的求解過(guò)程,并應(yīng)用sce-ua算法辨識(shí)svm的參數(shù).貴州電網(wǎng)日96點(diǎn)負(fù)荷曲線預(yù)測(cè)的實(shí)際算例表明,所提sce-ua支持向量機(jī)模型不僅克服了svm參數(shù)選擇的盲目性,而且能提高預(yù)測(cè)準(zhǔn)確率,是一種行之有效的短期電力負(fù)荷預(yù)測(cè)模型.

基于最小二乘支持向量機(jī)回歸的單樁豎向極限承載力預(yù)測(cè)——基于單樁載荷試驗(yàn)數(shù)據(jù)，采用最小二乘支持向量機(jī)(lssvm)回歸的方法，建立了單樁豎向極限承載力的預(yù)測(cè)模型．利用文獻(xiàn)中樁的載荷試驗(yàn)數(shù)據(jù)來(lái)訓(xùn)練lssvm模型，并確定了模型參數(shù)．研究結(jié)果表明，同常用的bp網(wǎng)絡(luò)...

采用最小二乘支持向量機(jī)的方法,利用現(xiàn)場(chǎng)測(cè)量的數(shù)據(jù),建立水泥粒度軟測(cè)量模型;通過(guò)交叉驗(yàn)證方法優(yōu)化參數(shù),并用仿真實(shí)驗(yàn)驗(yàn)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(cè)量方法難以實(shí)現(xiàn)的問(wèn)題,實(shí)現(xiàn)了水泥粒度的在線測(cè)量。

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

為提高水庫(kù)來(lái)水量的預(yù)測(cè)精度,提出了一種基于最小二乘支持向量機(jī)(ls-svm)的來(lái)水量預(yù)測(cè)模型。實(shí)例應(yīng)用結(jié)果表明,該模型預(yù)測(cè)能力強(qiáng)、預(yù)測(cè)精度高,其預(yù)測(cè)精度明顯高于bp模型,為來(lái)水量預(yù)測(cè)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(jī)為核心技術(shù)構(gòu)建預(yù)測(cè)模型,提出了一種路基沉降預(yù)測(cè)的新方法。由于測(cè)量誤差不可避免,沉降數(shù)據(jù)通常含有噪聲,不宜直接進(jìn)行擬合,因此首先采用小波分析的方法對(duì)原始沉降數(shù)據(jù)進(jìn)行降噪預(yù)處理,然后饋送到最小二乘支持向量機(jī)完成沉降預(yù)測(cè)。最后用某高速公路實(shí)測(cè)數(shù)據(jù)進(jìn)行了實(shí)例分析,并與bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比,計(jì)算結(jié)果表明,小波分析結(jié)合支持向量機(jī)的模型有較好的預(yù)測(cè)精度,將該模型應(yīng)用于公路軟基沉降預(yù)測(cè)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(fù)荷同時(shí)具有增長(zhǎng)性和波動(dòng)性的二重趨勢(shì),使得負(fù)荷的變化呈現(xiàn)出復(fù)雜的非線性組合特征。對(duì)此,提出了一種綜合最優(yōu)灰色支持向量機(jī)預(yù)測(cè)模型,研究了同時(shí)考慮2種非線性趨勢(shì)的復(fù)雜季節(jié)型負(fù)荷預(yù)測(cè)問(wèn)題,說(shuō)明了此優(yōu)化模型分別優(yōu)于2種單一負(fù)荷預(yù)測(cè)模型。在此基礎(chǔ)上,對(duì)一般粒子群算法引入粒子速度自適應(yīng)可調(diào)機(jī)制,并利用改進(jìn)粒子群算法優(yōu)化組合預(yù)測(cè)模型中的權(quán)值。對(duì)電力負(fù)荷預(yù)測(cè)應(yīng)用實(shí)例的計(jì)算結(jié)果表明,該模型較大提高了季節(jié)型負(fù)荷預(yù)測(cè)的精度,具有較好的性能。

為實(shí)現(xiàn)建設(shè)工程造價(jià)的快速和準(zhǔn)確預(yù)測(cè),此文提出基于模糊最小二乘支持向量機(jī)的建設(shè)工程造價(jià)預(yù)測(cè)方法。該方法可較好解決小樣本預(yù)測(cè)問(wèn)題,適合于當(dāng)前工程造價(jià)樣本數(shù)據(jù)量少的現(xiàn)狀。通過(guò)隸屬度函數(shù)對(duì)樣本進(jìn)行模糊化和加權(quán),實(shí)現(xiàn)對(duì)歷史數(shù)據(jù)和相似數(shù)據(jù)的優(yōu)化選擇,提高了預(yù)測(cè)準(zhǔn)確性。將標(biāo)準(zhǔn)svm的二次規(guī)劃問(wèn)題轉(zhuǎn)化為線性方程組求解,提高了預(yù)測(cè)速度。通過(guò)對(duì)某市地鐵建設(shè)中區(qū)間隧道延米造價(jià)估算實(shí)例的計(jì)算,驗(yàn)證了所提出預(yù)測(cè)方法的有效性。

采用eof時(shí)空分解、小波頻率分解和最小二乘支持向量機(jī)(ls-svm)交叉互補(bǔ)方法,建立夏季500hpa位勢(shì)高度場(chǎng)的預(yù)測(cè)模型,用以描繪和表述副熱帶高壓形勢(shì)場(chǎng)的形態(tài)和變化。首先用經(jīng)驗(yàn)正交函數(shù)分解(eof)方法將ncep/ncar再分析資料500hpa位勢(shì)高度場(chǎng)序列分解為彼此正交的特征向量及其對(duì)應(yīng)時(shí)間系數(shù),隨后提取前15個(gè)主要特征向量的時(shí)間系數(shù)(方差貢獻(xiàn)96.2%),采用小波分解方法將其分解為相對(duì)簡(jiǎn)單的帶通信號(hào),再利用ls-svm方法建立各分量信號(hào)的預(yù)測(cè)模型,最后通過(guò)小波時(shí)頻分量重構(gòu)和eof時(shí)空重構(gòu),得到500hpa位勢(shì)高度場(chǎng)的預(yù)測(cè)結(jié)果以及副熱帶高壓形勢(shì)場(chǎng)的預(yù)測(cè)。通過(guò)對(duì)預(yù)測(cè)模型的試驗(yàn)情況和分析對(duì)比,結(jié)果表明:基于上述思想提出的算法模型能較為準(zhǔn)確地描述500hpa位勢(shì)高度場(chǎng)的形態(tài)分布并預(yù)測(cè)1～7d的副熱帶高壓活動(dòng),對(duì)10～15d的副熱帶高壓活動(dòng)預(yù)測(cè)結(jié)果也有參考意義。

針對(duì)最小二乘支持向量機(jī)在利用產(chǎn)生于工業(yè)現(xiàn)場(chǎng)的非理想數(shù)據(jù)集進(jìn)行建模預(yù)測(cè)時(shí),稀疏化模型魯棒性差的問(wèn)題,提出了一種基于模糊c均值聚類(lèi)和密度加權(quán)的稀疏化方法.首先通過(guò)模糊c均值聚類(lèi)將訓(xùn)練樣本劃分為若干個(gè)子類(lèi);然后計(jì)算每個(gè)子類(lèi)中各樣本的可能貢獻(xiàn)度,依次從每個(gè)子類(lèi)中選取具有最大可能貢獻(xiàn)度的樣本作為支持向量;最后更新每個(gè)樣本的可能貢獻(xiàn)度,繼續(xù)從各個(gè)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(jié)果和磨機(jī)負(fù)荷實(shí)際應(yīng)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(shí)現(xiàn)模型稀疏化的同時(shí),能夠顯著改善最小二乘支持向量機(jī)模型的魯棒性.

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的重要依據(jù),目前的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法存在著一些不足。提出了基于人工神經(jīng)網(wǎng)絡(luò)與主分量分析的短期負(fù)荷預(yù)測(cè)方法,在試驗(yàn)中分別采用該方法和單一的人工神經(jīng)網(wǎng)絡(luò)對(duì)遼寧省某電網(wǎng)的短期負(fù)荷進(jìn)行了預(yù)測(cè),試驗(yàn)結(jié)果表明本文提出的方法與單一的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法相比,不但減少了預(yù)測(cè)的時(shí)間,而且避免了過(guò)擬合現(xiàn)象,提高了預(yù)測(cè)精度。

支持向量機(jī)svm作為機(jī)器學(xué)習(xí)方法之一,有數(shù)據(jù)分類(lèi)以及數(shù)據(jù)回歸兩種用途,支持向量機(jī)的回歸能應(yīng)用于預(yù)測(cè)領(lǐng)域.本文應(yīng)用svm方法來(lái)建立電力負(fù)荷預(yù)測(cè)模型,首先以歷史負(fù)荷、天氣、日期類(lèi)型作輸入數(shù)據(jù),然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理,再利用svm構(gòu)建預(yù)測(cè)模型,svm在負(fù)荷預(yù)測(cè)方面具有較高的可信度與精準(zhǔn)度.

針對(duì)工程造價(jià)變化的時(shí)變性、混沌性,提出一種混沌理論和最小二乘支持向量機(jī)的工程造價(jià)預(yù)測(cè)模型.首先收集工程造價(jià)歷史樣本并進(jìn)行相應(yīng)的預(yù)處理,然后根據(jù)混沌理論確定最優(yōu)延遲時(shí)間和嵌入維數(shù),重建工程造價(jià)的訓(xùn)練集和測(cè)試集,最后用最小二乘支持向量機(jī)建立工程造價(jià)預(yù)測(cè)模型,并采用具體建筑工程造價(jià)數(shù)據(jù)進(jìn)行仿真測(cè)試.結(jié)果表明,相對(duì)其他工程造價(jià)預(yù)測(cè)模型,該模型可以很好地反映工程造價(jià)的變化趨勢(shì),提高工程造價(jià)的預(yù)測(cè)準(zhǔn)確性.