LSSVM过程建模中超参数选取的梯度优化算法

基于结构风险最小的最小二乘支持向量机(least squares support vector machine,LSSVM)为标准支持向量机(SVM)的约简,训练简易,性能良好。其模型精度受超参数影响,常规的网络搜索法很难搜得最佳超参数。在快速留一法的基础上,以全样本留一预测误差平方和最小化为目标,导出基于梯度的最优化算法,用以优选为LSSVM超参数,进而构建G-LSSVM模型。以柠檬酸发酵过程为算例对G-LSSVM进行检验,结果表明G-LSSVM的超参数选取耗时少,模型稳定性良好,且拟合和预报性能都优于标准SVM和神经网络。有望适用于机理不明、高度非线性、小样本的化工过程建模。

风光水互补系统时间序列变量概率预报框架

风光水互补系统实时调度受风速、太阳辐射强度、径流和电力负荷等时间序列变量的不确定性影响,如何准确预报这些变量并量化预报的不确定性是风光水互补系统面临的关键难题。为此,本研究提出一种基于深度学习模型的时间序列变量概率预报框架。首先,从时间序列数据中挖掘特征输入并采用相关系数对生成的特征进行初选;其次,基于深度学习模型和高斯过程回归构建时间序列变量概率预报模型,同时分别通过0-1规划思想和贝叶斯优化算法实现特征组合优化和超参数优选;进而,从确定性预报、概率预报和可靠性3个方面对预报模型进行全面评价;最后,以雅砻江流域风光水互补先期试点示范基地作为研究对象,分别在径流、风速、光伏和负荷4个数据集上与目前7个不同的时间序列变量预报模型进行全面对比,验证本研究提出预报框架的精度和概率综合性能。