基于自适应加权最小二乘支持向量机的短期负荷预测方法

提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单,泛化性能好,不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。

优化LS-SVM在油浸式变压器故障诊断中的应用

最小二乘支持向量机(LS-SVM)不仅继承了标准支持向量机(SVM)较好的泛化能力,不容易陷入局部最小值等优点,而且结构简单,收敛速度快,计算时间短。本文通过多层动态自适应优化参数法对LS-SVM的参数进行优化,形成优化LS-SVM法,并将其应用到油浸式变压器故障诊断中,通过实例证明了该方法的有效性和优越性。