基于多维度与QGA-LSSVM算法的制造业用电量预测

从制造业内部各微观行业出发,设计了与制造业用电密切相关的产品产量、行业投资和景气指数3个维度共35个指标,按相关性原则选取制造业用电量关键影响指标,并采用QGA-LSSVM算法构建制造业用电量预测模型。安徽省制造业季度累计用电量预测实例结果表明,该方法预测结果准确可信,预测效果明显好于基于制造业经济总量和基于非关键影响因素方法,为电力市场和经济运行分析预测人员提供了一种有效手段。

基于QGA-LSSVM的能源需求预测

能源需求预测是能源规划和政策制定的前提和基础,能源需求预测受到众多因素的影响。为了快速、有效的预测我国对能源的需求,采用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立最优的能源预测模型。收集1997—2011年我国能源需求的相关数据作为训练样本和测试样本,对影响能源需求的指标数据,利用因子分析,对关联程度较高的指标数据进行公共因子的提取,减少判别指标间信息交互,通过预测模型的检验,并对比其他预测模型,验证了该模型在能源需求预测中具有极低的误差率。

煤与瓦斯突出预测的QGA-LSSVM模型

为快速、有效地对煤与瓦斯突出类型作出预测,运用灰色关联和因子分析模型对所选主要的判别指标进行分析提取,利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数作寻优处理,最终建立QGA-LSSVM煤与瓦斯突出预测模型。选取从砚石台矿区历史实测的数据,以96∶20的比例对该模型进行训练与测试,并将预测结果与其他预测模型的预测效果进行了比较。研究结果表明:对判别指标进行灰色关联分析可以有效去除对煤与瓦斯突出影响作用小的指标;用因子分析进行公共因子提取,可以有效减少数据信息冗余;利用QGA优化的LSSVM模型能使结果避免陷入局部最优解,用该模型可以有效预测煤与瓦斯突出类型,误判率为0。

矿井突水水源识别的QGA-LSSVM模型

为快速、有效地判别矿井突水水源,根据水化学特征,选取Ca2+,Mg2+,K++Na+,HCO-3,SO2-4,Cl-和总硬度等7个指标的质量浓度(mg/L)作为主要判别依据,并将其作为识别的变量。利用因子分析模型对数据进行属性约简,提取公共因子,减少判别指标之间信息交互,并利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数寻优,建立QGA-LSSVM水源识别模型。选取从新庄孜煤矿实测的33组数据作为训练数据,进行模型训练;另用12组数据作为测试数据,用该模型进行预测,并将结果与其他预测模型的结果进行对比。研究表明:利用因子分析模型提取的公共因子包含原变量因素中绝大部分信息,能减少信息冗余,利用QGA优化的LSSVM模型能使结果避免陷入极值,用该模型可有效地预测矿井突水水源类型,其错误预测率为0。

量子遗传算法优化的最小二乘支持向量机的风机故障诊断

针对最小二乘支持向量机(LSSVM)在故障诊断过程中的模型参数选择问题,提出了利用全局寻优能力强、收敛速度快的量子遗传算法(QGA)对模型参数进行参数寻优,把LSSVM参数选择问题转化为优化问题。该算法克服了遗传算法优化过程中陷入局部极值的问题,提高了优化性能。利用UCI数据库的数据进行分类验证,相比遗传优化的LSSVM和交叉验证的LSSVM,基于QGA优化的LSSVM模型提高了分类精度。最后,把该模型应用于风力发电机齿轮箱故障诊断中,取得了良好的效果。