基于偏最小二乘支持向量机短期电力负荷预测方法

提出一种联合灰色模型(greymodel,gm)和最小二乘支持向量机回归(leastsquaresupportvectorregression,lssvr)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正β参数的gm(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。

针对神经网络存在结构较难确定,训练易陷入局部最小等问题,提出将最小二乘支持向量机和相似搜索用于预测出清电价。该方法对相似搜索得到的相似负荷日的数据用最小二乘支持向量机建立预测模型,采用美国newenglandiso的真实数据做验证,结果表明该方法比bp神经网络有更高的预测精度,是一种有效的预测方法。

基于最小二乘支持向量机的砂土液化预测方法——使用最小二乘支持向量机分类方法建立了两个砂土液化预测模型，预测结果与野外实际情况全部相符，表明该分类方法用于预测砂土液化是可行的，且预测准确率高。

基于最小二乘支持向量机的砂土液化预测方法——使用最小二乘支持向量机分类方法建立了两个砂土液化预测模型，预测结果与野外实际情况全部相符，表明该分类方法用于预测砂土液化是可行的，且预测准确率高。

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(melm)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(elm)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统elm和os-elm模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。

通过影响因素分析,确定了软土层厚度、软土层压缩模量、地表硬层厚度、地表压缩模量、路堤高度、路堤顶宽、路基填筑时间和填筑竣工时沉降量等参数对公路软基沉降有影响。对公路软基的观测数据进行分析和取样,输入样本为各参数,输出样本为路堤中线下地表沉降值,利用最小二乘支持向量机的非线性映射和泛化能力,通过训练,建立了公路软基沉降预测模型。研究表明,所建立的模型对公路软基沉降进行预测具有较高的精度,同时具有很好的泛化性能。

针对在工程实践中,应用单一方法预测建筑物沉降存在着局限性,提出了基于最小二乘支持向量机回归综合单一方法预测沉降量。该方法能综合单一方法的特点,增强了模型的普适性,从而提高了预测精度和预报期次。文中讨论了如何实现和运用该方法,最后通过实例验证了其有效性。

基于最小二乘支持向量机回归的基坑变形预测——将最小二乘支持向量机回归用于基坑变形预测．根据基坑位移的实测时间序列资料，应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型．研究结果表明，最小二乘支持向量机回归用于基坑变形预测，具有较高的预...

支持向量机(supportvectormachine,svm)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现svm算法性能参数的设置将直接影响负荷预测的精度.为此在对svm参数性能分析的基础上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量机短期电力负荷预测模型建模的思路及关键参数的选取,在建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用sce-ua算法辨识svm的参数.贵州电网日96点负荷曲线预测的实际算例表明,所提sce-ua支持向量机模型不仅克服了svm参数选择的盲目性,而且能提高预测准确率,是一种行之有效的短期电力负荷预测模型.

基于最小二乘支持向量机回归的单桩竖向极限承载力预测——基于单桩载荷试验数据，采用最小二乘支持向量机(lssvm)回归的方法，建立了单桩竖向极限承载力的预测模型．利用文献中桩的载荷试验数据来训练lssvm模型，并确定了模型参数．研究结果表明，同常用的bp网络...

采用最小二乘支持向量机的方法,利用现场测量的数据,建立水泥粒度软测量模型;通过交叉验证方法优化参数,并用仿真实验验证了该方法的有效性,解决了非线性、小样本、高维数等常规测量方法难以实现的问题,实现了水泥粒度的在线测量。

隧道围岩变形预测的最小二乘支持向量机方法——为及时掌握围岩变形趋势并采取措施加以控制，在岭南高速雪家庄隧道施工过程中，采用一种新的时间序列预测模型--最小二乘支持向量机(ls-svm)。介绍了ls．svm的基本原理和该预测模型的具体操作步骤，实践表明，该方...

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(ls-svm)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于bp模型,为来水量预测提供了一种可靠、有效的方法。

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与bp神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。

뗧솦쾵춳뛌웚뢺뫉풤닢랽램퇐뺿ퟷ헟ꎺ십뺲늨톧캻쫚폨떥캻ꎺ쯄뒨듳톧닎뾼컄쿗(63쳵ì1.얣뚫쿾.닜쫷뮪.헔샚뗧솦쾵춳뢺뫉풤닢벼쫵벰웤펦폃19882.쇵뎿鬒뗧솦쾵춳뢺뫉풤놨샭싛폫랽램19873.헅럼짺.췴뫨.몫.쯯쿾잿.헅헱폮.닜뷸믹폚욫ퟮ킡뛾돋믘맩럖컶뗄뛌웚뢺뫉풤닢[웚뾯싛컄æ-뗧췸벼쫵2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.헅짜뫍.믆뚫믝.뛅컄맣욽뮬쾵쫽폅뮯뗄

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。

为实现建设工程造价的快速和准确预测,此文提出基于模糊最小二乘支持向量机的建设工程造价预测方法。该方法可较好解决小样本预测问题,适合于当前工程造价样本数据量少的现状。通过隶属度函数对样本进行模糊化和加权,实现对历史数据和相似数据的优化选择,提高了预测准确性。将标准svm的二次规划问题转化为线性方程组求解,提高了预测速度。通过对某市地铁建设中区间隧道延米造价估算实例的计算,验证了所提出预测方法的有效性。

短期电力负荷预测器设计 thedesignofshorttermpowerload prediction 毕业设计任务书 一、设计内容 结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行matlab仿 真，对仿真预测结果的精度进行分析。 二、基本要求 1．选择适合电力负荷预测的人工神经网络的模型。 2．利用matlab软件用于人工神经网络模型的仿真。 3．得到仿真结果，对电力负荷预测结果的精度进行分析。 三、主要技术指标 利用现有的人工神经网络模型，编写matlab程序，对人工神经网络进行训练，实现电 力负荷预测。 四、应收集的资料及参考文献 [1]韩力群.人工神经网络理论、设计及应用[m].北京:化学工业出版社 [2]周开利，康耀红.神经网络模型及其matlab仿真程序设计[m].北京:清华大学出版 社 [3]朱大奇.

采用最小二乘支持向量机预测算法对电力电子电路进行故障预测.以基本降压斩波电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用ls-svm回归预测算法实现故障预测.仿真结果表明,利用ls-svm对基本降压斩波电路输出平均电压与输出纹波电压的预测相对误差均低于2%,能够跟踪故障特征性能参数的变化趋势,有效实现电力电子电路故障预测.

基于我国城市防洪体系安全评价的指标体系及其等级标准,提出了一种基于小样本的最小二乘支持向量机(ls-svm)的城市防洪体系安全综合评价模型。在柳州市防洪体系的实例应用结果表明,该模型能较好地对城市防洪体系进行综合评价,评价结果符合客观实际。

基于可靠性数据分析和最小二乘支持向量机对电力变压器故障进行了诊断,并给出了实例分析。

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用gm(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。