基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

遗传支持向量机在城市节假日电力负荷预测中的应用

支持向量机（support vector machines,SVM）根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,具有良好的预测效果？但是在基于支持向量机的负荷预测方法中,参数的选择对预测结果具有较大影响,可能导致结果误差较大。本文利用遗传算法对SVM的参数最优值进行自动搜索,改善其预测性能。然后将遗传支持向量机（GA-SVM）应用于广东省某城市的节假日电力负荷预测。结果表明,基于遗传支持向量机的预测效果比相似日法更好。     

基于支持向量机的舰艇部队作战油料消耗量预测研究

为了提高舰艇部队战时油料消耗量预测的准确性,提出了基于支持向量机的预测方法.分析了支持向量机的回归原理及算法,构造了舰艇部队作战油料消耗量预测模型.针对支持向量机中训练参数对预测结果的影响,采用遗传算法对相关参数取值进行优化,以获得预测性能较好的支持向量机模型.以某舰艇部队参加演习的油料消耗量数据作为实验数据,采用构建的支持向量机模型对舰艇部队油料消耗量进行预测,并将其与BP神经网络进行对比分析.实验结果表明,支持向量机比BP神经网络预测精确度更高,误差更小,有效提高了舰艇部队作战油料消耗量预测的准确性和可靠性.     

基于粒子群优化的LS-SVM的福建航空物流需求预测

根据福建省过去十几年航空货物发送量的数据,针对航空物流预测的不确定性,将粒子群优化算法和最小二乘支持向量机相结合,采用粒子群优化最小二乘支持向量机的方法来建立模型。并将优化后的最小二乘支持向量机模型应用于福建省航空物流的需求预测中,而后通过仿真对结果进行验证。     

基于气象因子修正的风电场短期风速预测

为了提高风电场短期风速预测的精度,提出了基于当地气象因子和支持向量机(MF-SVM)的模型。以风场所在地的气象台所测物理因子为输入,用BP神经网络预测出未来3天的平均风速,作为风场短期风速预测的修正参考值;基于风场单台风机的历史风速,用支持向量机(SVM)方法预测出未来4小时风速值,并加以修正,实例证明模型具有较强的预测能力。此外,对模型所产生的误差来源也进行了分析。     

基于因子分析和支持向量机的粮食产量预测模型——以广东为例

广东省粮食产量连年下降,粮食安全形势非常严峻。为了制定有效的粮食安全对策和设施规划,对粮食产量等主要指标进行准确预测至关重要。在对常用的粮食产量预测方法,如指数滑移、灰色系统等进行研究之后,这些方法的预测结果仍然不够满意。考虑到广东省粮食产量变动的特点,尝试将因子分析和支持向量机相结合,构建了广东省粮食产量的因子分析支持向量机组合预测模型。研究结果表明:相对于其他单一预测模型,该模型具有更高的预测精度和泛化能力。     

支持向量机在装备维修备件需求量预测中的应用

利用支持向量机回归算法建立备件需求模型,对未来备件需求进行了预测,并结合实例将支持向量回归算法与传统的最小二乘拟合方法作比较。结果表明,支持向量回归算法在预测精度上具有明显的优势,该方法能够较好地适应样本数量较少、需求呈非线性特征的备件预测问题。     

基于改进BP算法的短期电力系统负荷预测

BP算法较强的自学习能力使之可对短期电力负荷进行预测,将一种改进的BP神经网络学习算法应用于短期电力负荷预测中,该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度,使得预测结果具有更高的精度,算例验证了该算法处理短期电力系统负荷预测的高效性。     

大丰港货物吞吐量的时间序列法预测研究

根据大丰港的历史数据,采用时间序列的回归分析方法对大丰港货物吞吐量进行预测研究。在回归分析法中,通过比较,选择指数模型、高次多项式模型以及支持向量机方法分别对大丰港的货物吞吐量进行模拟预测。对指数模型、多项式模型、支持向量机三种方法的预测结果进行比较,并结合大丰港的实际情况,最终选择使用支持向量机法给出大丰港2012—2016年的货物吞吐量预测值。     

基于支持向量机的非线性系统多步预测控制

以支持向量机实现的递推多步预测输出值为基础,将系统的实际多步预测输出值按泰勒公式展开,实现对预测输出值的二次逼近。通过对目标函数极小化,求得相应的多步预测控制值。在辨识与迭代预测时,采用最小二乘支持向量机。分析了闭环系统的稳定性,仿真实验表明该方法实现简单,具有很好的快速性和稳定性。