售电侧开放市场环境下基于多分位鲁棒极限学习机的短期负荷预测技术

该文基于极限学习机算法设计一种用于短期负荷预测的多分位鲁棒极限学习机模型,该模型能解决传统预测模型抗干扰能力差的缺陷,可以在面临不确定性因素干扰的情况下准确预测负荷。对传统模型和多分位鲁棒极限学习机模型的鲁棒性和多分位性进行验证,对比结果表明,多分位鲁棒极限学习机模型的鲁棒性更好,在不同分位下的预测精度更高。

基于核函数支持向量回归机的耕地面积预测

科学预测耕地保有量是耕地保护的基础,对缓解用地矛盾、保证粮食安全具有重要指导意义。为探讨不同核函数支持向量回归机(support vector regression,SVR)对耕地面积预测的影响,该文以惠州市为例,分别采用多元回归、BP神经网络及3种不同核函数SVR建立耕地面积预测模型并进行对比试验。预测结果精度分析显示,RBF核函数SVR预测结果平均相对误差为0.54%,均方根误差为0.007,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.12%及0.012,精度次之;多项式核函数SVR预测结果对应误差为分别为2.71%及0.032,高于BP神经网络模型,但低于多元回归模型。研究表明,在现有3种常用核函数SVR耕地面积预测模型中,基于RBF核函数SVR模型预测能力最强,其次是sigmoid核函数;而多项式核函数则效果较差。

支持向量机在短期负荷预测中的应用概况

全面总结了支持向量机(SVM)在短期负荷预测中的应用概况,并从SVM的原理出发,对比人工神经网络方法,从本质上阐述了SVM方法在短期负荷预测中应用的优越性。同时针对SVM在应用中存在的问题,包括数据预处理、核函数构造及选取和参数优化的方法,做出分析,并归纳了现行的解决方法。从SVM算法用于负荷预测的机理及提高预测精度和速度的角度,对于一系列SVM的改进方法,全面地进行了归纳,并提出需进一步探讨的关键问题。最后对基于SVM的短期负荷预测所需注意的关键问题做出总结,并提出建议。

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。

基于相空间重构和高斯过程回归的短期负荷预测

基于负荷时间序列的混沌特性,提出了一种结合相空间重构(PSR)和高斯过程回归(GPR)的短期负荷预测方法。首先采用C-C方法确定时间序列的延迟时间和嵌入维度,分别建立单变量和多变量的相空间重构模型。然后,分别运用单一与组合核函数的GP模型对负荷样本进行训练,根据最优超参数对24 h的日负荷进行预测。最后将预测结果与支持向量机模型以及多变量GP模型进行比较。结果显示,多变量组合核函数GP模型取得了更好的预测结果,验证了所提出的基于PSR和GPR的预测方法的可行性。

基于SOFM和支持向量机回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量机(SVM)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略对训练样本集进行聚类分析,将其分为若干相似子类,再针对每一子类构造一个支持向量机回归模型;使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了基于SOFM和SVM的网络结构;采用河北省某市的实际负荷数据选择样本进行预测。算例表明该方法能够缩短训练时间,提高预测精度。

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。

基于模糊支持向量机方法的短期负荷预测

考虑气象因素对负荷的影响,提出了一种模糊支持向量机SVM(SupportVectorMachine)的短期负荷预测方法。首先选取预测日前4星期中差异评价函数小于给定经验值的已知日作为相似日学习样本,然后利用隶属度函数对影响负荷特征因素向量的分量进行模糊处理,得到SVM的训练样本集,拟合负荷和影响因素之间的非线性关系。对24点每点建立一个SVM预测模型,采用改进的序列极小优化算法实现对SVM的快速训练。算例数据包括每天的气象数据和24点负荷数据,以最大相对误差和平均误差评价预测结果,表明所提方法简便快速且实用有效。

最小二乘支持向量机在云量预报中的应用

基于2003—2006年逐年1、8月WRF区域数值预报产品和单站观测资料,采用最小二乘支持向量机回归方法,结合选取合适的参数和核函数,分别按月通过不同长度样本序列建立了台北和厦门站总云量和低云量短期释用预报模型,利用2007年1、8月样本资料对模型进行了预报和检验,并与神经网络方法进行了对比。结果表明:最小二乘支持向量机回归方法的预报效果要好于神经网络方法;两站不同长度样本的总云量和低云量预报模型,预报效果较好,其预报准确率不会因为训练样本的减少而降低。可见,最小二乘支持向量机回归在云量等气象要素释用预报方面,具有较好的应用前景。

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机(SVM)核方法和小波框架理论,提出了一种称为小波支持向量机(Wavelet Support Vector Machines,WSVM)的新的机器学习方法,并把这种方法应用于组合预测,得到了一种基于WSVM的非线性组合预测新模型,然后给出了此模型的结构设计和实现算法.通过仿真实验,把该方法与小波神经网络等方法相比较,得到了更好的实验结果,从而验证了该方法的正确性和有效性.

基于支持矢量机的从明暗恢复形状方法

通过对传统从阴影到形状(Shape from shading,SFS)问题和支持矢量机(Supporting vector machine,SVM)的研究,提出一种基于SVM由从明暗恢复形状方法,详细分析了这一方法的理论依据和可行性,探讨了SVM输入参数的确定、核函数的选择与构造等关键问题。试验表明,与传统SFS方法相比,提出的方法能较准确地直接获取物体的高度值,且受环境因素影响小,无需作过多的成像条件假设。最后探讨了这一方法的改进方向。

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。

基于非参数回归的神经网络集成降水预报模型

利用粒子群优化算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络,进一步用主成份分析方法提取有效因子,再采用非参数回归模型进行集成,建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型,以此对广西前汛期5、6月区域平均日降水量进行预报。结果表明,这里建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报。

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.

LS-SVM在径流预测中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的径流预测方法。采用线性函数、多项式函数和径向基函数3种核函数进行机器学习,经过反复计算和对比分析,建立了精度较高的径流预测模型。预测实例表明,LS-SVM模型预测的平均相对误差比支持向量机(SVM)减少了2.4%,预测合格率为100%。LS-SVM建模速度快,适用于小样本情况并能得到全局最优解,将其用于径流预测是可行的。

基于支持向量机的电力市场价格预测中的核函数比较

电价预测是电力市场中的一个重要研究课题。支持向量机(SVM)已被广泛应用于这一领域。然而,电力市场电价的高波动性和随机性等特征给支持向量机核函数的选择带来了挑战。本文在选择不同核函数的基础上,分别建立两个电力价格预测模型,并用真实电力市场价格数据对两个模型进行验证。实验结果表明,与其他支持向量机预测研究相比,本文精心选择的SVM核函数对短期电价预测具有较好性能。

基于支持向量机回归的NDVI组合预测模型

对2004年到2015年3~10月的MODIS NDVI数据建立时间序列,并利用同期的温度、降水数据做回归因子,采用支持向量机回归模型建立NDVI短期预测模型.首先用网格搜索法,遗传算法,粒子群算法对模型参数进行优化选择,然后用得到的最佳参数分别训练支持向量机,拟合结果显示网格搜索法是本实验数据的最佳优化算法.使用基于网格搜索法的支持向量机回归模型从2个角度建立了NDVI的单项预测模型,对2个单项模型做线性组合并计算最优权重系数,实验结果表明组合模型可以有效预测NDVI.

基于云模型RBF支持向量机的电力系统负荷预测

径向基核函数(RBF)支持向量机被广泛应用于电力系统负荷预测上,然而传统方法在RBF核函数的参数选择上有很多不足之处.为了更精确地选择核函数的参数,提高短期负荷预测的精度,提出一种将云模型和RBF支持向量机相结合的新模型.通过各影响因子的高维云变换确定每个模型的RBF核函数的参数,然后通过模型的加权计算得到最终的预测值.最后,通过与传统模型的仿真对比证明该模型的预测误差比传统模型降低了1.16%,能更好地进行电力系统短期负荷预测.

非参数方法在股票市场预测中的应用

运用k-近邻和核函数方法对美国市场SPY、SPX指数及中国市场上证A股指数进行了预测.使用多种指标评价两种股票市场预测模型的绩效,发现对于SPY、SPX指数两模型预测能力表现良好,而对于上证A股指数两模型均表现不佳.最后,讨论了模型的不足及可能的改进方向.