基于小波变换和AWLS-SVM的短期负荷预测

提出了一种基于小波变换和自适应加权最小二乘支持向量机(AWLS-SVM)的电力系统短期负荷预测方法。针对负荷变化具有拟周期性和随机性的特点,本方法先将负荷值利用小波变换分解为几个低频段的拟周期量和一个高频段随机量,然后根据各分量特点应用AWLS-SVM模型进行预测,最后小波重构各分量获得预测结果。实例预测结果表明该方法具有较高的预测精度。

短期负荷预测的自适应加权支持向量机新方法

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。

基于APSO–WLS–SVM的含瓦斯煤渗透率预测模型

为了较准确预测含瓦斯煤渗透率,有效预防瓦斯安全事故,提出自适应粒子群算法(APSO)优化的加权最小二乘法支持向量机(WLS–SVM)算法。根据对含瓦斯煤渗透率的相关理论及文献研究分析,选取有效应力、瓦斯压力、温度和抗压强度作为主要特征指标,采用APSO算法对WLS–SVM模型的组合参数(C、σ)寻优,建立APSO–WLS–SVM含瓦斯煤渗透率预测模型。结合现场实测资料中的40组数据作为训练样本,其余10组为预测样本,对该模型进行训练与检验,并将其预测结果与利用PSO–WLS–SVM和WLS–SVM模型的预测结果进行对比。结果表明:APSO-WLS-SVM模型的预测效果优于另外2个模型,提高了煤体渗透率的预测性能与泛化能力。