基于v-SVR的电力系统扰动后最低频率预测

提出了一种基于v-支持向量回归(v-SVR)的快速预测扰动后电力系统最低频率的方法。该方法考虑了发电机的最大出力限制、旋转备用的水平及分配方式、原动机-调速器系统和负荷等对电力系统频率动态的影响。通过与PSS/E仿真结果进行比较可知,使用v-SVR方法可以快速准确地预测扰动后电力系统频率动态及最低频率,具有良好的泛化能力和推广性。进一步,可将使用v-SVR方法所训练出的模型应用于电力系统频率的在线安全稳定评估和根据评估情况制定相应的紧急控制措施,防止系统频率崩溃。

v支持向量回归用于退化轨迹建模

针对小样本情形下的退化轨迹建模问题,为解决用ε支持向量回归(ε-support vector regression,ε-SVR)建模时不敏感参数ε不易选择的难题,提出一种基于v支持向量回归(v-support vector regression,v-SVR)的退化轨迹建模方法,并用遗传算法优化模型参数以提高建模精度。参数v与支持向量和错误样本点的个数有关,根据这一性质确定v的取值范围,并实现对支持向量或错误样本点个数的控制。对疲劳裂纹增长数据的实例分析表明,所提方法不仅便于确定参数,而且相对于以往文献的方法有更高的建模精度。

改进的v-支持向量回归机的v解路径算法

v-支持向量回归机(v-support vector regression,v-SVR)的对偶形式与ε-支持向量回归机的对偶形式相比增加了一个额外的不等式约束,截止目前还没有找到有效且可行的v-SVR的v解路径算法。针对Loosli等人提出的v-SVR的v解路径算法存在路径不可更新的问题,提出了改进的v-SVR的v解路径算法。该算法基于v-SVR的修改形式及Karush-Kuhn-Tucker(KKT)条件,通过引入新的变量和附加项的策略,能够有效地避免在绝缘增量调整过程中存在的冲突和异常,并最终经过有限次数迭代拟合出整个v解路径。理论分析和仿真结果表明,该算法是有效且可行的。

人工智能技术与存贷款指标预测——基于改进支持向量机回归模型

存贷款预测是经济金融预测中一项重要的工作。本文利用人工智能技术--机器学习方法,通过改进支持向量机回归模型—模型,运用2015年以来的全国存贷款等公开数据对模型进行训练,创造性地利用截至期数据对存贷款后三期数据进行了有效预测,研究结果表明:模型预测效果精度较高,预测结果的绝对误差和相对误差均在合理接受范围内,能够满足各方对金融统计数据的前瞻性需求。