为提高风功率短期预测的准确率,提出一种基于改进灰狼算法优化加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)的短期风功率预测方法。采用C-C法对风功率时间序列的嵌入维数进行了计算,根据计算结果确...为提高风功率短期预测的准确率,提出一种基于改进灰狼算法优化加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)的短期风功率预测方法。采用C-C法对风功率时间序列的嵌入维数进行了计算,根据计算结果确定短期风速预测输入量与输出量的关系。利用Tent映射和参数非线性调整策略对灰狼算法进行改进,得到了优化性能更强的改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,并利用测试函数验证了IGWO算法能够加快迭代收敛,提高计算精度。采用IGWO算法对WLSSVM的惩罚系数和核参数进行优化,建立基于IGWO-WLSSVM的短期风功率预测模型。采用某风电场春夏两个不同季节的风功率数据进行算例分析,结果表明,所提短期风功率预测结果的平均相对误差、均方根误差和最大相对误差更小,风功率预测精度和预测结果的稳定性均优于其他方法,验证了所提方法的有效性和实用性。展开更多
提出一种结合调整参数的灰色模型GM(Grey model)和加权最小二乘支持向量机回归WLSSVM(Weighted least squares support vector machine)的办公建筑电能预测模型。利用灰色模型所需原始数据少、建模简单、计算工作量小等特点,选取不同的...提出一种结合调整参数的灰色模型GM(Grey model)和加权最小二乘支持向量机回归WLSSVM(Weighted least squares support vector machine)的办公建筑电能预测模型。利用灰色模型所需原始数据少、建模简单、计算工作量小等特点,选取不同的样本对同一时段进行多类型预测;利用加权最小二乘支持向量机模型非线性拟合性好、小样本和泛化能力强的特点,将预测结果进行组合。求解算法时,使用优化的粒子群算法对加权最小二乘支持向量机算法中使用的参数进行寻优。考虑办公建筑特点,将工作日和节假日区分开进行建模预测,提升了预测精度。与需要提供环境信息的经典RBF神经网络方法和最小二乘支持向量机方法比较,仿真结果验证了模型在办公建筑电能预测上是可行的,短期预测具有较高的精度。展开更多
为降低电厂燃煤锅炉的NO_(x)排放浓度,提出一种基于改进多元宇宙优化算法(improved multi-verse optimizer algorithm,IMVO)和加权最小二乘支持向量机(weighted least squares support vector machine,WLSSVM)的锅炉NO_(x)排放优化方法...为降低电厂燃煤锅炉的NO_(x)排放浓度,提出一种基于改进多元宇宙优化算法(improved multi-verse optimizer algorithm,IMVO)和加权最小二乘支持向量机(weighted least squares support vector machine,WLSSVM)的锅炉NO_(x)排放优化方法。首先,针对多元宇宙优化算法TDR值下降速度较慢而导致旅行距离增加的问题,提出一种改进的多元宇宙算法;然后,采用IMVO算法对WLSSVM模型参数进行寻优,建立基于IMVO-WLSSVM的NO_(x)排放量预测模型;最后,基于所建预测模型,采用IMVO算法对锅炉运行可调参数进行寻优来降低NO_(x)排放浓度。采用某330 MW机组燃煤锅炉的运行数据对模型进行验证,结果表明:所建预测模型的平均绝对百分比误差为1.09%,相对于其他几种预测模型具有更高的预测精度,改进的多元宇宙优化算法可以使优化后的NO_(x)排放浓度更低,具有更好的寻优效果。展开更多
最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LS...最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。展开更多
文摘为提高风功率短期预测的准确率,提出一种基于改进灰狼算法优化加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)的短期风功率预测方法。采用C-C法对风功率时间序列的嵌入维数进行了计算,根据计算结果确定短期风速预测输入量与输出量的关系。利用Tent映射和参数非线性调整策略对灰狼算法进行改进,得到了优化性能更强的改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,并利用测试函数验证了IGWO算法能够加快迭代收敛,提高计算精度。采用IGWO算法对WLSSVM的惩罚系数和核参数进行优化,建立基于IGWO-WLSSVM的短期风功率预测模型。采用某风电场春夏两个不同季节的风功率数据进行算例分析,结果表明,所提短期风功率预测结果的平均相对误差、均方根误差和最大相对误差更小,风功率预测精度和预测结果的稳定性均优于其他方法,验证了所提方法的有效性和实用性。
文摘提出一种结合调整参数的灰色模型GM(Grey model)和加权最小二乘支持向量机回归WLSSVM(Weighted least squares support vector machine)的办公建筑电能预测模型。利用灰色模型所需原始数据少、建模简单、计算工作量小等特点,选取不同的样本对同一时段进行多类型预测;利用加权最小二乘支持向量机模型非线性拟合性好、小样本和泛化能力强的特点,将预测结果进行组合。求解算法时,使用优化的粒子群算法对加权最小二乘支持向量机算法中使用的参数进行寻优。考虑办公建筑特点,将工作日和节假日区分开进行建模预测,提升了预测精度。与需要提供环境信息的经典RBF神经网络方法和最小二乘支持向量机方法比较,仿真结果验证了模型在办公建筑电能预测上是可行的,短期预测具有较高的精度。
文摘为降低电厂燃煤锅炉的NO_(x)排放浓度,提出一种基于改进多元宇宙优化算法(improved multi-verse optimizer algorithm,IMVO)和加权最小二乘支持向量机(weighted least squares support vector machine,WLSSVM)的锅炉NO_(x)排放优化方法。首先,针对多元宇宙优化算法TDR值下降速度较慢而导致旅行距离增加的问题,提出一种改进的多元宇宙算法;然后,采用IMVO算法对WLSSVM模型参数进行寻优,建立基于IMVO-WLSSVM的NO_(x)排放量预测模型;最后,基于所建预测模型,采用IMVO算法对锅炉运行可调参数进行寻优来降低NO_(x)排放浓度。采用某330 MW机组燃煤锅炉的运行数据对模型进行验证,结果表明:所建预测模型的平均绝对百分比误差为1.09%,相对于其他几种预测模型具有更高的预测精度,改进的多元宇宙优化算法可以使优化后的NO_(x)排放浓度更低,具有更好的寻优效果。
文摘最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。
