PSO-LSSVM的电力负荷预测研究

对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。     

基于气象因素的SVR方法在温州电网负荷预测中的应用

根据温州电网的负荷特征及温州的气候特征,通过考虑气象因素优化选择历史样本数据,在预测模型中加入气象因素作为输入向量,使用回归型支持向量机方法进行温州电网的负荷预测。实践证明,考虑气象因素的回归型支持向量机方法可进一步提高温州电网负荷预测的精度。     

基于支持向量机原理的连铸板坯表面温度预测模型

提出了一种基于支持向量机理论的连铸板坯表面温度预测模型。结合连铸的过程工艺特性以及历史过程数据,以过热度、拉坯速度、二次冷却水量、二冷区出口位置温度作为模型的输入,通过支持向量机回归算法原理,对二冷区内的铸坯表面温度进行预测,在此基础上用粒子群算法对支持向量机的惩罚系数c和核函数宽度δ~2进行寻优,以提高模型预测精度,并利用MATLAB软件进行仿真测试。结果表明该方法预测精度较高,是一种有效的温度预测方法,利于提高铸坯的生产质量。     

智能电网视角下粒子群优化支持向量机的用电量预测

智能电网的—个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标.针对用电量数据非线性的特点,提出了一种基于粒子群优化的PSO-CV-SVR模型.该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数.将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度.     

基于机器学习的短期电力负荷预测方法比较及改进研究

针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。     

基于改进集成学习的交直流配电系统短期负荷预测方法

交直流(AC/DC)配电系统中的负荷类型更加多样化和复杂化,因此负荷变化规律也更加难以掌握,精确的负荷预测对AC/DC配电系统的调度非常重要.针对神经网络、灰色理论和支持向量机等传统的短期负荷预测方法存在的预测精度不高的问题,本文采用改进集成学习算法对传统的预测方法进行改进,提出了一种基于浅层神经网络的梯度提升算法(G...     

基于粗糙集约简并加权的SVM分类算法

针对Web中文文本分类中现有权重计算方法的不足和支持向量机算法对大数据量模式分类的低效性,提出了基于粗糙集约简并且加权的支持向量机分类方法;粗糙集作为支持向量机分类的前期预处理器,应用粗糙集的约简理论和基于Web中文文本的可变精度粗糙集加权方法对分类前的数据分别进行简化并计算权重,从而提高支持向量机后期分类的效率和精度;实验结果表明,支持向量机对约简并加权后的数据进行分类,分类性能得到了进一步保证。     

基于粒子群优化SVR的用电量预测

针对用电量数据非线性的特点提出一种基于粒子群优化的PSO-CV-SVR模型。该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数。将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度。     

支持向量机在植物分类中的应用

提出了基于支持向量机的分类原理对鸢尾属植物进行分类的方法。支持向量机是在统计学习理论基础上提出的一种新型的通用学习方法,主要应用于数据的分类和回归估计,而植物分类的主要依据是植物的外观特征。通过提取植物的特征数据和使用支持向量机算法获得实验结果,实验结果表明,采用支持向量机对植物分类是可行的。     

基于聚类的模糊支持向量机入侵检测算法

为了提高模糊支持向量机在入侵检测数据集上的训练效率,提出了一种基于聚类的模糊支持向量机入侵检测算法.该方法可以对训练数据进行剪枝,有效地减少远离分类面的聚类边缘点的数量,同时在分类面附近保持较多的样本点,以靠近判别边界的聚类中心集合作为有效的训练样本集合对模糊支持向量机进行训练,减少了样本的训练时间,提高了算法的效率.实验结果表明该方法提高了模糊支持向量机的训练效率,而且对入侵检测是非常有效的.     

中国制造业结构的演进特征分析及其趋势预测

摘要：探究产业结构的一般演进规律一直是经济学家关注的焦点。目前关于产业结构的研究较多,但在产业划分上过于粗略,在预测方法上对数据的要求苛刻而与现实不符。针对上述问题,本文首先搜集整理了1988-2005年中国制造业内部细分行业的产值数据,细致地刻画了近20年来中国制造业内部结构的变动趋势,结果发现我国制造业结构一直处于高度化的演进过程。此外,针对产业结构变动的影响因素错综复杂而难以建立有效的计量经济预测模型的难题,本文提出了一种基于微分进化算法的支持向量机预测模型,并利用中国制造业结构数据对该预测方法进行了检验。结果表明,基于微分进化算法的支持向量机预测模型能够有效地把握趋势信息而克服不确定及短期因素的影响,具有较强的可操作性和较高的预测精度。     

SVR算法在太阳黑子活动预测上的应用

支持向量机(SVM)是建立在统计学习理论基础上的一种通用的研究机器学习规律的方法。它具有很强的学习能力和泛化能力,可以有效地处理分类,回归等问题。SVM在处理非线性问题时,通过使用一个核函数来解决复杂计算问题。最小二乘支持向量机(LS_SVM)是SVM的一种改进,它提高了求解问题的速度和收敛精度。本文以太阳黑子为数据集,基于LS_SVM工具,使用了支持向量回归算法(SVR),实现了太阳黑子活动的预测。     

基于禁忌蝙蝠算法的支持向量机特征选择和参数优化

支持向量机是一种有良好发展前景的学习机器。针对支持向量机训练过程中特征选择和参数优化的问题,提出一种基于蝙蝠算法和禁忌搜索算法相结合的算法的支持向量机特征选择和参数优化算法。将禁忌搜索算法理论引入蝙蝠算法中,可以有效提高BA算法的收敛速度和精度,得到更优的支持向量机模型。UCI标准数据集的分类实验结果表明,与基本的网格搜索,遗传算法等比较,TSBA算法可以获得更高的分类准确率和更好的稳定性。     

基于GA-SVM网络安全技术研究

提出一种遗传算法优化支持向量机算法的网络安全检测方法。混合算法能够直接得到分类超平面的系数,采用最优支持向量机模型对归一化后的网络数据进行检测,最终得到网络入侵结果。本文通过对比分析传统的SVM网络安全技术,验证了GA-SVM技术的优越性。     

小样本条件下基于VMD-SVM的电网技改项目科技投资预测

随着我国电力改革体制不断推进,以输配电服务为主的盈利模式要求电网企业对经营成本作出更精确的控制。电网技改工作对电网企业的运营成本具有较大影响,但由于相关历史数据少,采用常规预测模型难以对电网企业技改项目的年度科技投资进行科学和客观的预测。为此,针对电网技改项目科技投资年度预测属于小样本预测的特点,选取支持向量机(SVM)模型作为预测模型,并且在预测开始之前进行变分模态分解(VMD),通过将技改科技投资数据分解为特征各异的子序列,将每一个子序列数据通过不同的SVM模型进行预测,得到各子序列的预测结果后对子序列的预测结果进行叠加,从而得到最终预测结果。最后通过某区域电网的实际数据验证,得到基于VMD-SVM的电网技改项目科技投资预测方法的预测精度为1.51%,而单采用同参数SVM模型的预测精度为2.02%,证实基于VMD-SVM的电网技改项目科技投资预测方法的有效性。     

基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型

[目的/意义]细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。[方法/过程]提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。[结果/结论]实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考。     

基于潜在语义分析和HS-SVM的文本分类模型研究

为了提高文本分类的准确性和效率,提出了一种基于潜在语义分析和超球支持向量机的文本分类模型.针对SVM对大规模文本分类时收敛速度较慢这一缺点,本文将超球支持向量机应用于文本分类,采用基于增量学习的超球支持向量机分类学习算法进行训练和分类.实验结果表明,超球支持向量机是一种解决SVM问题的有效方法,在文本分类应用中具有与SVM相当的精度,但是明显降低了模型复杂度和训练时间.     

支持向量机在分类问题中的应用研究

支持向量机是一种基于统计学习理论的机器学习方法,针对小样本情况表现出了优良的性能,目前被广泛应用于模式识别、函数回归、故障诊断等方面。这里主要研究支持向量机分类问题,着重讨论了以下几个方面的内容。首先介绍了支持向量机分类器算法,并将其应用于数据分类,取得了较高的准确率,所用数据来自于UCI数据集。仿真结果表明该算法具有较快的收敛速度和较高的计算精度。     

基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。