基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。

基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值;其次应用最小二乘支持向量机对各分量分别建立预测模型,并使用自适应粒子群算法对各分量模型进行优化;最后使用优化后最小二乘支持向量机模型对风电功率波动范围进行预测。实例研究表明,该组合预测模型可以有效跟踪风电功率变化,对风电功率波动范围进行预测。

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.

利用模糊信息粒化与支持向量机的空间负荷预测方法

若直接使用实测负荷数据最大值进行空间负荷预测,则元胞负荷中的异常数据会导致预测结果精度降低,考虑到通过确定并利用元胞负荷合理最大值可以明显改善预测精度,提出一种基于模糊信息粒化与支持向量机的空间负荷预测方法。首先构建电力地理信息系统,并在其中生成2类元胞。其次按照时间尺度的长短区分Ⅰ类元胞负荷颗粒度的粗细,通过划分模糊粒化窗口,建立合理的模糊集对Ⅰ类元胞细颗粒度下的历史负荷数据进行模糊信息粒化,进而确定出Ⅰ类元胞粗颗粒度下的历史负荷的合理最大值。然后采用支持向量机模型,对粗颗粒度下的Ⅰ类元胞负荷进行预测。最后确定Ⅰ类元胞负荷密度均衡系数,求取分类负荷密度指标,结合用地信息求得各Ⅱ类元胞负荷预测值,从而实现对空间电力负荷预测结果的网格化。工程实例表明了该方法的实用性和有效性。

基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测

不同于风速点预测,风速区间预测能描述风速的随机性。因此,提出一种基于奇异谱分析-模糊信息粒化和极限学习机组成的风速多步区间预测模型。该方法采用奇异谱分析提取原始数据的趋势成分、振荡成分和噪声成分,并对所有分量进行重构,然后利用模糊信息粒化对重构后的噪声成分进行有效挖掘,提取每个窗口最小值、平均值和最大值。对各分量采用极限学习机分别建立预测模型,为了提高预测精度、缩小区间范围,采用改进布谷鸟算法对预测模型的参数进行优化。最后将所有分量的预测结果进行叠加,实现风速区间预测。以风电场实际数据为算例,结果表明所提方法具有较高的预测精度和可靠的多步区间预测,且运行效率高,能有效跟踪风速变化。

基于模糊信息粒化的光伏出力区间预测

相对于传统的光伏点预测而言,光伏区间预测可以为电网调度人员提供更加全面、有效的预测信息。鉴于此,文章提出一种基于模糊信息粒化理论的区间预测方法。针对光伏功率原始数据的强波动特性,采用集成经验模态分解方法将其分解为若干个子序列。并依据样本熵理论,将复杂度较高的子序列重组为随机分量,代表光伏输出的波动性,论文对该随机分量进行模糊化处理,从而得出其波动趋势以及波动上、下界,再分别进行预测;而复杂度相对较低的其他子序列代表光伏出力稳定分量,因此,直接对其进行确定性预测。论文采用经过纵横交叉算法改进的人工神经网络(CSO-BP)进行预测,得出最终光伏区间预测结果。

基于模糊信息粒化和长短期记忆网络的短期风速预测

针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值 (区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。

一种基于模糊信息粒化的视频时空显著单元提取方法

提出一种基于模糊信息粒化的视频时空显著单元提取方法,为视频分析及检索等高层应用提供一个有效的内容表示模式.本文首先提出了一种类相关的特征粒化方法,粒化后的模糊粒特征简化了分类关系且在一定程度上解决了感知主观性问题,因而通过简单的分类器可以有效地提取空域中具有高视觉感知显著度的区域(简称为显著区域);其次,通过对显著区域的时域一致性分析提取视频序列中时域连续的显著区域集合,定义为时空显著单元.提取的时空显著单元能作为一种较为通用的语义级内容表示模式.实验结果分别从时域和空域两个方面验证了本文方法的有效性.

基于模糊信息粒化SVM时序回归CPI预测

为了对CPI变化范围及走势进行预测,文章提出了基于模糊信息粒化支持向量机预测模型。以历年月度CPI数值为样本进行模拟训练,通过交叉验证的方法对支持向量机参数进行寻优,并对三角型模糊粒子三个参数Low、R、Up进行回归预测,得出CPI变化范围及走势,结果与实际情况相符,验证了该模型的有效性,能够为相关决策提供依据。

基于模糊信息粒化软测量建模方法研究

提出了一种模糊信息粒化方法和支持向量机相结合的软测量建模方法.利用模糊信息粒化方法对样本数据进行特征提取,降低样本的维数;利用提取的特征作为支持向量机的输入进行建模.用该方法建立柴油凝点的软测量模型,结果表明,该模型具有很好的预测精度和泛化性能,是一种有效的数据建模方法.

基于模糊信息粒化和优化支持向量机的氧化铝陶瓷超声磨削力趋势预测

为实现超声磨削氧化铝陶瓷中磨削力变化趋势的预测,提出了一种基于模糊信息粒化和支持向量机相结合的方法。首先进行氧化铝陶瓷超声磨削试验,然后利用模糊信息粒化方法对试验获得的磨削力进行粒化处理,并将人工免疫系统算法和粒子群算法进行并联混编构成人工免疫系统粒子群算法(AISPSO),接着建立非线性回归支持向量机预测模型并对模糊粒子进行预测,并通过AISPSO算法优化支持向量机预测模型,最后获得超声磨削氧化铝陶瓷中磨削力的变化趋势和变化范围。结果表明:该方法可以有效实现超声磨削中磨削力的变化趋势及变化范围预测,且预测未来5组数据变化范围的误差在10%以内,这为通过磨削力变化调整工艺参数以获得更好的加工表面提供了新的思路。

基于模糊信息粒化支持向量机的短期电力负荷预测

电力系统短期负荷预测作为确保系统安全与经济运行的重要手段,影响着电力市场交易计划的制定。为了进行短期电力负荷预测,文章对电力负荷时间序列数据进行模糊信息粒化,对模糊粒化后的数据采用支持向量机回归预测模型进行回归预测,最后用国家电网某省电力负荷数据进行了仿真验证。仿真结果表明,预测模型可以有效地预测短期电力负荷的变化趋势和变化空间。

基于模糊信息粒化理论的图像插值方法

提出了模糊信息粒化理论在图像插值中的应用,介绍了图像的模糊信息粒化结构,分析了基于图像模糊粒化思想进行图像插值的基本原理,并提出了具体的基于图像模糊粒化结构的插值方法。实验结果表明该方法的效果很好,在客观评价指标上,性能普遍好于传统的图像插值方法。

基于模糊信息粒化和CPSO-LS-SVM的城市轨道交通客流量组合预测（英文）

为了获得城市轨道交通客流量的变化趋势和更好地掌握客流量的波动范围,本文提出了一种基于模糊信息粒化和混沌粒子群算法(CPSO)优化最小二乘支持向量机(LS-SVM)的客流量波动范围组合预测模型。针对客流量的非线性和波动性,采用模糊信息粒化,将客流量数据根据需要按窗口提取有效信息,利用CPSO较强的全局搜索能力对LS-SVM预测模型的参数进行最优选取。最后运用组合模型预测2014年广州市地铁3号线体育西路站早高峰客流量波动范围,并与其他模型进行对比分析。仿真结果表明,本文组合预测模型能有效地跟踪客流量变化趋势,为预测未来一段时间内的短期客流量波动范围趋势提供了一种行之有效的方法。

基于模糊信息粒化SVM的飞机发电机故障预测

为实现复杂系统的视情维修,对故障预测的需求越来越高。将信息粒化概念引入支持向量机,提出基于模糊信息粒化支持向量机的预测算法,在分析三级无刷交流发电机脉宽调制调压器故障特征的基础上,实现对导通率的区间预测。实验结果表明,预测算法的准确率较高且可行有效,具有实际应用价值。

基于模糊信息粒化的风电场短期风速预测

风速的观测值往往存在大量冗余信息,导致计算量庞大并影响预测的有效性。本文提出一种基于模糊信息粒化的风电场短期风速预测方法,将原始风速观测时序数据进行模糊粒化处理,粒化后的数据既能反映风速变化特征,又能大量减少冗余,在此基础上运用支持向量机进行短期风速预测。利用武隆风电场提供的风速数据进行试验表明,该方法能够有效预测未来短期风速变化空间。

基于插值梯形模糊信息粒化的瓦斯浓度趋势预测

针对现有模糊信息粒化方法构建的高层信息粒不能完全包含底层数据信息、预测时间范围受限等问题,提出了一种插值梯形模糊信息粒化方法来预测瓦斯浓度趋势。对原始瓦斯浓度时间序列进行离散化形成若干子序列,计算每个子序列窗口的最大值与最小值形成梯形上沿的边界,通过对每个子序列窗口数据进行插值计算,形成新的瓦斯浓度时间序列窗口,对新的瓦斯浓度时间序列窗口采用数据遍历寻优的方式计算梯形下沿的边界,进而形成瓦斯浓度粒化区间序列。针对现有评价方法无法准确评价信息粒化效果的问题,提出了一种基于权值的粒化评价方法,通过加权均方根误差对粒化效果进行整体评价。实验结果表明,通过该方法对信息进行粒化的效果明显优于现有模糊粒化方法,并且粒化效果不随粒化窗口的增大而减小,具有较高的稳定性与鲁棒性。

基于模糊信息粒化与支持向量机的上证50ETF量化择时研究

上证50ETF股指期权标的物为上证50ETF,对50ETF进行量化分析有助于指导50ETF以及50ETF期权等的投资,进而获得良好的收益,为此提出了基于模糊信息粒化与支持向量机(support vector machine,SVM)的上证50ETF量化择时策略.根据上证50ETF的历史日数据,对某一时间段的开盘价、收盘价、最高价等作为SVM的输入信息,将未来5天收盘价进行模糊信息粒化,以粒化结果的涨跌作为SVM的训练集标签,对系统进行标记训练;最后,应用已训练的系统对50ETF未来涨跌情形进行预测.实验结果表明,融合了SVM与模糊信息粒化的预测算法较SVM算法和融合了SVM的部分粒子化算法,局部行情下正确率提高了15%以上,全局行情下正确率提高了16%以上,提升了择时性能.本文的量化择时策略对50ETF和50ETF期权投资具有实际的指导性,具有一定的应用价值.

基于模糊信息粒化的矿业安全生产态势区间预测

为提高矿业安全生产态势的预测精度,针对单一预测模型对非平稳非线性时间序列预测精度低、模型选择困难等问题,提出一种基于模糊信息粒化(FIG)的矿业安全生产态势区间预测模型。首先,将矿业安全生产态势时间序列映射为L、R、U等3个粒化参数序列;然后,采用差分自回归滑动平均(ARIMA)模型预测模糊粒子序列中的线性部分,得到非线性残差序列;最后,将非线性的残差序列作为输入变量建立支持向量机(SVM)模型,将ARIMA模型的预测结果与SVM模型的残差序列预测值叠加,得到矿业安全生产态势时间序列的区间预测值。结果表明:用21组测试集样本验证基于FIG的区间预测模型的精度,得到L、R、U参数值的平均相对误差分别为10.834 57%、20.207 90%、0.651 97%;基于FIG的矿业安全生产态势区间预测模型拟合效果优于ARIMA和SVM,精确度较高且区间范围较为合理。