由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间...由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM组合的月度负荷预测方法。该方法通过计算灰色关联度来选择训练样本,选取LSSVM进行样本训练;将与待预测月高度相似的历史月负荷作为LSSVM的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度。通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度。展开更多
大型燃煤电站锅炉在进行烟气脱硝时会产生较高的运行成本,建立有效的脱硝成本预测模型是对其进行经济性优化的基础。从某660MW火电机组的厂级监控信息系统(supervisory information system,SIS)选取历史运行数据,将BP神经网络算法与最...大型燃煤电站锅炉在进行烟气脱硝时会产生较高的运行成本,建立有效的脱硝成本预测模型是对其进行经济性优化的基础。从某660MW火电机组的厂级监控信息系统(supervisory information system,SIS)选取历史运行数据,将BP神经网络算法与最小二乘支持向量机(least squares support vector machine,LSSVM)结合,利用BP网络算法对输入变量进行选择以降低模型的维数与复杂度,将筛选出来的变量作为LSSVM模型的输入,建立了脱硝成本预测的BP-LSSVM模型。将该模型与单纯的LSSVM模型进行对比,结果表明通过神经网络变量选择,能有效降低模型的复杂度,提高模型的泛化能力,从而实现火电机组脱硝成本精确快速地预测。展开更多
针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降...针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。展开更多
为了提高短期光伏发电的预测精度,减少光伏发电不稳定性对于用户和电网的影响,提出一种结合相似日理论和K-means改进蝙蝠算法优化最小二乘法支持向量机LSSVM(least squares support vector machine)正则化参数和核参数的光伏发电功率短...为了提高短期光伏发电的预测精度,减少光伏发电不稳定性对于用户和电网的影响,提出一种结合相似日理论和K-means改进蝙蝠算法优化最小二乘法支持向量机LSSVM(least squares support vector machine)正则化参数和核参数的光伏发电功率短期预测方法。该方法通过历史数据集和预测日数据分析影响光伏发电功率的因素,构建日特征向量,筛选历史日数据作为训练集,并将预测日数据作为校验集。利用改进的蝙蝠算法全局寻优特性对LSSVM的参数进行优化,构建短期光伏发电功率预测模型。将所提模型与其他智能算法进行比较,结果表明该方法预测精度较高。展开更多
文摘由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM组合的月度负荷预测方法。该方法通过计算灰色关联度来选择训练样本,选取LSSVM进行样本训练;将与待预测月高度相似的历史月负荷作为LSSVM的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度。通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度。
文摘大型燃煤电站锅炉在进行烟气脱硝时会产生较高的运行成本,建立有效的脱硝成本预测模型是对其进行经济性优化的基础。从某660MW火电机组的厂级监控信息系统(supervisory information system,SIS)选取历史运行数据,将BP神经网络算法与最小二乘支持向量机(least squares support vector machine,LSSVM)结合,利用BP网络算法对输入变量进行选择以降低模型的维数与复杂度,将筛选出来的变量作为LSSVM模型的输入,建立了脱硝成本预测的BP-LSSVM模型。将该模型与单纯的LSSVM模型进行对比,结果表明通过神经网络变量选择,能有效降低模型的复杂度,提高模型的泛化能力,从而实现火电机组脱硝成本精确快速地预测。
文摘针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。
文摘为了提高短期光伏发电的预测精度,减少光伏发电不稳定性对于用户和电网的影响,提出一种结合相似日理论和K-means改进蝙蝠算法优化最小二乘法支持向量机LSSVM(least squares support vector machine)正则化参数和核参数的光伏发电功率短期预测方法。该方法通过历史数据集和预测日数据分析影响光伏发电功率的因素,构建日特征向量,筛选历史日数据作为训练集,并将预测日数据作为校验集。利用改进的蝙蝠算法全局寻优特性对LSSVM的参数进行优化,构建短期光伏发电功率预测模型。将所提模型与其他智能算法进行比较,结果表明该方法预测精度较高。
