基于果蝇参数优化的LSSVM短期负荷预测_王惠中

格式：pdf
大小：770.90 KB
文档页数：4

下载文档原格式

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测田丽;凤志民;刘世林【摘要】为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法.首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证.结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用.【期刊名称】《可再生能源》【年(卷),期】2016(034)011【总页数】7页(P1632-1638)【关键词】短期风电功率预测;互补集合经验模态分解;相空间重构;果蝇优化算法;最小二乘支持向量机【作者】田丽;凤志民;刘世林【作者单位】安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000【正文语种】中文【中图分类】TK89全球范围内对能源的需求迅速增加，作为最具开发前景的风能资源，因其分布广、易于开发、蕴藏量大的特性而受到各国重视[1]，[2]。

随着科技的快速发展，风电装机容量不断增长，风电接入电网的比例不断上升。

基于改进果蝇算法的支持向量机参数优化研究

精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。

文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!基于改进果蝇算法的支持向量机参数优化探究摘要：支持向量机（SVM）是一种常用的机器进修算法，广泛应用于分类问题和回归问题中。

基于改进果蝇算法优化SVM的变速箱故障诊断

基于改进果蝇算法优化SVM的变速箱故障诊断
张淑清;张桂芬
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2022()7
【摘要】利用果蝇算法(FOA)进行支持向量机(SVM)参数优化时容易陷入局部最优的问题,对果蝇算法进行改进设计,提出了改进果蝇算法(IFOA)。

相比于FOA,IFOA 增加了种群划分过程,并且不同种群按照不同步长进行位置更新,实现了算法前后期搜索能力的平衡。

利用IFOA优化SVM参数并进行变速箱故障诊断,结果表明相比于FOA,IFOA诊断精度提升了6.29%;相比于其余3种改进型FOA方法,IFOA诊断精度至少提升了0.57%;相比于其它4种类型优化算法,IFOA诊断精度至少提升了2.53%,耗时缩短约39.5%。

【总页数】4页(P71-74)
【作者】张淑清;张桂芬
【作者单位】广西警察学院交通管理工程学院;广西民族大学人工智能学院
【正文语种】中文
【中图分类】TH165;TG66
【相关文献】
1.基于改进果蝇算法优化的SVM风电功率短期预测
2.基于改进果蝇算法优化SVM的个人信用风险评估
3.基于改进果蝇算法优化PNN的变压器故障诊断研究
4.基于双种群协调进化果蝇算法优化SVM的变速箱故障诊断
5.基于改进果蝇算法优化SVM的矿区地表变形预测方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多重降噪的改进SSA-LSSVM短期电力负荷预测模型

基于多重降噪的改进SSA-LSSVM短期电力负荷预测模型张树国;张斌【期刊名称】《电力科学与工程》【年(卷),期】2022(38)10【摘要】针对电力负荷数据的波动性,提出了一种基于多重降噪和改进的麻雀搜索算法(improved sparrow search algorithm,ISSA)优化的最小二乘向量机(least squares support vector machines,LSSVM)预测模型。

首先,采用自适应小波阈值降噪对原始数据进行降噪处理;然后,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法分解数据,再将分解后较复杂的分量进行奇异值分解(singular value decomposition,SVD)降噪处理;最后,采用多策略改进麻雀搜索算法对LSSVM方法的参数进行优化,对分解后的数据进行预测叠加。

这种组合模型实现了对数据的多重降噪和对ISSA算法的优化,能够有效提高预测精度。

与SSA-LSSVM、ISSA-LSSVM、CEEMDAN-ISSA-LSSVM模型相比,所提出的组合模型平均绝对百分比误差分别降低52.24%,25.58%,15.79%。

该结果表明,所提组合模型能够有效预测短期电力负荷。

【总页数】10页(P54-63)【作者】张树国;张斌【作者单位】华北电力大学经济管理系【正文语种】中文【中图分类】TM734【相关文献】1.基于改进PSO的神经网络短期电力负荷预测模型2.基于相似日搜索的改进LMD 与ESN相结合的短期电力负荷预测模型3.基于改进随机森林算法的电力系统短期负荷预测模型4.基于改进的PSO算法LS—SVM模型的短期电力负荷预测模型的研究5.基于改进深度森林的短期电力负荷预测模型因版权原因，仅展示原文概要，查看原文内容请购买。

基于EMD与果蝇参数寻优的LSSVM的机场能耗预测

ｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｃｏｍｐｏｎｅｎｔｓｗｉｔｈＥＭＤｆｉｒｓｔ，ｕｓｉｎｇｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｃｈｏｏｓｅａｐｐｒｏｐｉｒａｔｅｒｅｇｕｌａｒｉｚａｔｉｏｎ
王坤，江顺之
（中国民航大学电子信息与自动化学院，天津３００３００）
摘要：针对机场能耗数据周期性、随机性和非平稳时间序列性等特性，提出一种结合经验模式分解（ＥｍｐｉｒｉｃａｌＭｏｄｅ
Ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）和果蝇参数寻优的最小二乘支持向量机（ＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＬＳＳＶＭ）的能耗
ｉｍｐｒｏｖｅｄｐｒｅｄｉｃｔｉｏｎａｌｇｏｉｒｔｈｍｂａｓｅｄｏｎｅｍｐｉｉｒｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＭＤ）ａｎｄｌｅａｓｔｓｑｕｒｅａｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳＳＶＭ）
Ａｂｓｔｒａｃｔ：Ｆｏｃｕｓｅｄｏｎｔｈｅｐｅｒｉｏｄｉｃ，ｒａｎｄｏｍａｎｄｎｏｎ — ｓｔａｔｉｏｎａｒｙｔｉｍｅｓｅｒｉｅｓｃｈａｒａｃｔｅｉｓｒｔｉｃｓｏｆＡｉｒｐｏｒｔｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｄａｔａ，ａｎ

基于人工免疫算法优化LSSVM的短期电力负荷预测

通过一个非线性映射，把输入空间的样本数据映射到一个高维特征空间，将实际问题转化为一个带不等式约束的二次规划问题ｌ７＿。最小二乘支持向量机
（ＬＳＳＶＭ）是标准ＳＶＭ的一种改进，它的优化指标
的一种改进，它利用等式约束替代了标准支持向量机中的不等式约束，避免了求解耗时的二次规划问
利用结构风险最小化原则，寻找Ｗ和ｂ，就是使算法具有良好的多样性、免疫记忆、自适应、自将式（２）最小化。
＝
学习等学习特性，是继人工神经网络、遗传进化计
（２）
算等智能理论和方法后人工智能领域的又一研究热式中Ｉｌｗｌｌ为控制模型的复杂度，ｃ为正规化参点。目前，人工免疫算法已经在组合优化、数据挖
数，尺一为误差控制函数。
选取误差毒的二次项来进行误差控制，则优化问题描述为
Ｉｌｗｌ参数优化、网络安全等众多工程和科学领域中得到了广泛应用［Ｈ１。
络模型相比，支持向量机具有预测能力强、收敛速度快和全局最优等特点，而且对小样本数据有着较好的泛化性能，表现出明显的优越性。最小二乘支持向量机（ＬＳｓＶＭ）是标准ＳＶＭ（支持向量机）
支持向量机（ＳＶＭ）是在统计学理论基础上发展起来的一种新的分类和回归工具。其基本思想是
收稿日期：２０１３ — １２ — １０，修回日期：２０１４ — ０１ — ０３

改进果蝇优化LSSVM超声波萃取产物浓度软测量

第39卷第2期声学技术Vol.39, No.2改进果蝇优化LSSVM超声波萃取产物浓度软测量廖建庆1，王涵1，王咸鹏2(1. 宜春学院物理科学与工程技术学院，江西宜春336000；2. 海南大学南海海洋资源利用国家重点实验室，海南海口570228)摘要：针对超声波天然产物萃取过程中产物浓度难以在线检测的问题，提出了一种改进果蝇优化最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)的超声波萃取产物浓度软测量建模方法。

首先将混沌优化与迭代步长动态调节方法相融合，提出了一种混沌动态步长改进果蝇优化算法(Chaos Dynamic Step Fluit Fly Optimization Al-gorithm, CDSFOA)，该算法引入动态调节因子对步长动态更新，并利用混沌优化实现各变量之间映射等操作，能够有效提高果蝇优化算法的收敛精度和收敛速度，然后利用CDSFOA对LSSVM进行参数寻优，构建最优CDSFOA-LSSVM软测量模型，最后利用超声波斛皮素萃取实验数据进行验证。

结果表明，提出的模型不仅有较好的学习和泛化能力，而且具有良好的预测精度，可为超声波天然产物萃取工艺优化提供理论指导。

关键词：超声波；萃取；最小二乘支持向量机；软测量中图分类号：O426 文献标识码：A 文章编号：1000-3630(2020)-02-0169-07DOI编码：10.16300/ki.1000-3630.2020.02.008Soft measurement of ultrasonic extracted product concentration by LSSVM of improved fruit fly optimization algorithmLIAO Jianqing1, W ANG Han1, W ANG Xianpeng2(1. College of Physical Science and Engineering, Yichun University, Yichun 336000, Jiangxi, China;2. State Key Laboratory of Marine Resources Utilization of the South China Sea, Hainan University, Haikou 570228, Hainan, China)Abstract: Aiming at the problem that the product concentration in ultrasonic natural product extraction is difficult to detect online, a soft measurement method using the least squares support vector machine (LSSVM), which is optimized by an improved fruit fly optimization algorithm (FOA), is proposed. Firstly, the improved FOA with chaotic dynamic step size (named as CDS-FOA) is obtained by combing chaos optimization and iterative step-size dynamic adjustment.This algorithm introduces the dynamic adjustment factor to update the step size dynamically, and uses chaos optimiza-tion to realize the mapping between different variables, which can effectively improve the convergence precision and convergence speed of the FOA. Then, the CDS-FOA is used to optimize the parameters of LSSVM to construct the optimal CDSFOA-LSSVM soft measurement model. Finally, the experimental data from ultrasonic quercetin extraction are used to verify the effectiveness. Results show that the proposed model not only has better learning and generalization ability, but also has good prediction accuracy, which can provide guidance for the optimization of ultrasonic natural product extraction processes.Key words: ultrasonic; extraction; least squares support vector machine (LSSVM); soft measurement0 引言在超声波天然产物萃取领域，通常需要对萃取产物溶液浓度进行实时监测，以便及时了解和掌握萃取过程的工作状况和参数变化情况。

基于粒子群优化的LS-SVM短期风电功率预测研究

基于粒子群优化的LS-SVM短期风电功率预测研究
王静;林森;孙仙;张羽;唐静
【期刊名称】《重庆工商大学学报（自然科学版）》
【年(卷),期】2014(031)011
【摘要】风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.
【总页数】5页(P40-44)
【作者】王静;林森;孙仙;张羽;唐静
【作者单位】巢湖学院电子工程与电气自动化学院,安徽巢湖,238000;国网安徽无为县供电有限责任公司,安徽芜湖,241000;国网安徽无为县供电有限责任公司,安徽芜湖,241000;国网安徽无为县供电有限责任公司,安徽芜湖,241000;巢湖学院电子工程与电气自动化学院,安徽巢湖,238000
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于改进粒子群优化算法的短期风电功率预测 [J], 徐敏;袁建洲;刘四新;常俊甫
2.基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测 [J], 刘松;王俊;王端阳;李文华;邵丹;
3.基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测 [J], 刘松;王俊;王端阳;李文华;邵丹
4.基于改进粒子群优化LS-SVM的谐波源特性研究 [J], 汪洋;龚仁喜;贾僖泉;于槟华
5.基于改进粒子群优化LS-SVM的短期风速预测 [J], 范曼萍;周冬
因版权原因，仅展示原文概要，查看原文内容请购买。

智能优化LS-SVM在电力负荷预测中的应用

ＡＢＳＴＲＡＣＴ：ｈｒ— ｅｏｅａｒｄｃｉｎｆｒｃｓｍｏｅａｘｒｍｅｙｖｔｌｉｎｆａｃｏｔｅｒｌｂｌｙａｄｅＳｏｔｒｐｗｒｌｄｐｅｉｔｅａｔｄｌｓｅｔｔｍｏｏｏｈｅｌｉｇｉｃｎｅｔｈｅｉｉｔｎ — ａｓｉａｉｃｎｍｉａｆｃｅｃｆｐｗｒｓｓｅｏｏｃｌｅｆｉｎｙｏｏｅｙｔｍ．Ｃｒｅｔ，ｓｏｔｔｒｌａｏｅａｔｇａｇｒｈｉｏｎｕｈｉｒｄｃｉｎａ — ｉｕｒｎｌｙｈｒ－ｅｍｏｄｆｒｃｓｎｌｏｉｍｓｎｔｏｇｎｐｅｉｔｃｉｔｅｏｃｒｃｕａｙ，ｃｎｅｇｎｅｓｅｄａｄｇｎｒｌａｉｎａｉｔ．Ｗａｅｅａｋｔｔｎｆｒｗａｓｄｔｉｅｉｎｌｔｏｓ．ｏｖｒｅｃｐｅｎｅｅａｉｔｂｌｙｚｏｉｖｌｔｐｃｅｒｓｏｍｓｕｅｏｆｔｒｓａｓｗｉｎｉｅａｌｇｈＫｅｎｌｒｎｉｌｏｐｎｎｎｌｓｓａｄｋｒｅｎｅｅｄｎｏｏｅｔａａｙｉｒｓｄｉａａｆａｕｅｓｌｃｉｎｒｅｉｃｐｅｃｎｏｅｔａｙｉｎｅｌｉｄｐｎｅｔｃｍｐｎｎｎｓｓｗｅｅｕｅｎｄｔｅｔｒｅｅｔ．ｐａｎｌｏＴｅｈｏａｔｌｗａｍｐｉｚｔｎａｇｒｈｗａｓｄｔｅｅｉａｅｏｔｌａａｔｒｉＳＳｈｎｃａｓｐｒｉｅｓｒｏｔｃｍｉａｉｌｏｉｍｓｕｅｏｄｔｒｎｔｐｉｒｍｅｅＬ — ＶＭ．Ｔｉｉｔｌ — ｏｔｍｍａｐｎｈｓｎｅｌｉｇｎｐｉｚｔｎａｇｒｔｍａｅｎｔｓｅｎｓｏｔｔｒｏｒｌａｏｅａｔｇａｄｔｅｒｓｌｈｗｈｒｄｃｉｎｅｔｏｔｍｉａｉｌｏｈｈｓｂｅｅｔｄｏｈｒ— ｅｍｐｗｅｏｄｆｒｃｓｉｎｈｅｕｔｓｏｔｅｐｅｉｔｏｉｎｓｏ

基于果蝇优化算法的风功率预测数据可信度量化分析

基于果蝇优化算法的风功率预测数据可信度量化分析
张健男;张晓天;姚广智;胡继匀;侯凯元
【期刊名称】《微型电脑应用》
【年(卷),期】2024(40)2
【摘要】针对风功率预测数据精度较低,可信度难以度量的问题,研究了基于果蝇优化算法的风功率预测数据可信度量化分析方法。

采用一次指数平滑方法平滑处理风功率预测的历史风速数据,将完成平滑处理的数据输入LSSVM风功率预测模型中,
该模型设置线性最小二乘系统作为支持向量机的损失函数。

选取果蝇优化算法优化LSSVM风功率预测模型,设置风功率预测的均方根误差作为果蝇优化算法的适应度函数,获取LSSVM风功率预测模型的最优参数,量化分析了风功率预测数据可信度。

实验结果表明,该方法预测风功率的均方根误差低于0.3,具有较高的风功率预测数
据可信度。

【总页数】4页(P217-220)
【作者】张健男;张晓天;姚广智;胡继匀;侯凯元
【作者单位】国家电网公司东北分部
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测
2.基于改进果蝇神经网络的短期风电功率预测
3.基于改进果蝇算法优化的SVM风电功率短期预测
4.基于数学形态学聚类与果蝇优化算法的风电功率短期预测
因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波变异果蝇优化支持向量机短期负荷预测方法研究

基于小波变异果蝇优化支持向量机短期负荷预测方法研究熊军华;牛珂;张春歌;李铎;谢飞【摘要】预测精度是电力负荷预测的重要指标.为增强预测精度,提出基于小波变异果蝇优化的支持向量机预测模型(WFOAAM-LSSVM).利用小波对负荷数据进行预处理,分解成不同尺度的负荷曲线,加强历史数据规律性和随机性.针对果蝇算法寻优精度不高和易陷入局部最优的不足,利用群体适应度方差和当前最优解判断是否陷入局部最优,再进行最优个体扰动和高斯变异操作,对变异后的果蝇个体二次寻优,使支持向量机预测模型精度得到明显增强.利用WFOAAM-LSSVM对2015年河南省某地区历史负荷数据对未来几日预测,并与支持向量机模型以及粒子群优化的支持向量机模型预测结果对比.结果表明:基于小波变异果蝇优化的支持向量机短期负荷预测精度高,具有很好的实际应用意义.%Prediction accuracy is an important index of power load forecasting. In order to enhance the accuracy of prediction, this paper presents support vector machine prediction model based on wavelet transform and the mutant fruit fly parameter optimization algorithm (WFOAAM-LSSVM). The load data are pretreated by wavelet transform, and the load curves are decomposed into different scales, in order to strengthen the regularity and randomness of historical data. In order to overcome the problems of low convergence precision and easily relapsing into local extremum in basic fruit fly optimization algorithm (FOA), and on the condition of basic FOA's trapping in local extremum judging from the population's fitness variance and the current optimal, it carries out optimal individual disturbance and Gauss mutation operation and optimizes mutated replicates again to jump out of localextremism and continue to optimize. The accuracy of prediction model is obviously enhanced. The next few days of historical load data of a certain area of Henan Province in 2015 is predicted by using WFOAAM-LSSVM, and the prediction results of support vector machine model and the particle swarm optimization model of support vector machine model are compared. The results show that WFOAAM-LSSVM has high precision in short term load forecasting, and it has a very good practical significance.【期刊名称】《电力系统保护与控制》【年(卷),期】2017(045)013【总页数】7页(P71-77)【关键词】支持向量机;粒子群算法;变异果蝇算法;小波分析;短期负荷预测【作者】熊军华;牛珂;张春歌;李铎;谢飞【作者单位】华北水利水电大学电力学院,河南郑州 450045;华北水利水电大学电力学院,河南郑州 450045;华北水利水电大学电力学院,河南郑州 450045;华北水利水电大学电力学院,河南郑州 450045;华北水利水电大学电力学院,河南郑州450045【正文语种】中文在北京召开的“2016年经济形势与电力发展分析预测会”提出电力行业不断迈上新台阶，支撑经济社会发展能力显著增加，但是地区性产能结构过剩问题逐渐显现。

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测方必武;刘涤尘;王波;闫秉科;汪勋婷【期刊名称】《电力系统保护与控制》【年(卷),期】2016(044)008【摘要】准确预测风速对风电规模化并网至关重要。

为提高短期风速预测精度，提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。

首先利用小波变换将风速时序分解为近似序列和细节序列，然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测，最后将各序列预测值叠加得到最终风速预测值。

在两种时间尺度的实测数据上进行仿真计算。

结果表明，该算法较交叉验证的 LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高，表明了该算法的有效性和优越性。

%Accurately predicting wind speed is of key importance for large scale wind power connecting to the grid. To improve the short-term wind speed forecasting accuracy, a least squares support vector machine wind speed prediction model based on wavelet decomposition and improved firefly algorithm is proposed. Firstly, the actual wind speed series is decomposed and reconstructed to approximate series and detail series, then the series are separately predicted by LSSVM optimized by chaotic firefly algorithm, at last the separate prediction series are superposed as the ultimate prediction wind speed. To verify the proposed model, two different time scale actual wind speed data are applied to simulation. The results show that the proposed model has higher prediction accuracy than classicalmodel like CV-LSSVM, IPSO-LSSVM, WD-DE-LSSVM and BP neural networks, showing its validity and superiority.【总页数】7页(P37-43)【作者】方必武;刘涤尘;王波;闫秉科;汪勋婷【作者单位】武汉大学电气工程学院，湖北武汉430072;武汉大学电气工程学院，湖北武汉 430072;武汉大学电气工程学院，湖北武汉 430072;武汉大学电气工程学院，湖北武汉 430072;武汉大学电气工程学院，湖北武汉 430072【正文语种】中文【相关文献】1.基于Fast ICA和改进LSSVM的短期风速预测 [J], 孙斌;姚海涛;李田;刘袖;刘博2.基于小波变换的ARMA-LSSVM短期风速预测 [J], 赵辉;李斌;李彪;岳有军3.基于改进萤火虫算法的LSSVM脉动风速预测 [J], 郑晓芬;徐畅4.基于改进FEEMD-FOA-LSSVM的短期风速预测 [J], 李敏洁;高桂革;曾宪文5.基于改进FEEMD-FOA-LSSVM的短期风速预测 [J], 李敏洁;高桂革;曾宪文因版权原因，仅展示原文概要，查看原文内容请购买。

最小二乘支持向量机(LS—SVM)在短期空调负荷预测中的应用

ＳｉｍｕｌａｔｅｄｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＬＳ —
Ｏ引言短期空调负荷预测通常是指对未来一天或一周的空调负荷进行预先的估算。它是负荷管理控制和中
绵阳一栋办公类建筑的空调负荷预测中。试验表明所提出的方法预测精度较高，运算简单，收敛速度快，具有较强的可行性和
实用性。
关键词：最小二乘支持向量机；短期空调负荷；预测；ｆｏｒｔｒａｎ软件建模
中图分类号：ＴＵ８３１文献标志码：Ａ文章编号：１６７３ — ７２３７（２０１３）０２－００５６－０３
０年第期（总第４卷第６４期
Ｎｏ．２ｉｎ２０１３（ＴｏｔａｌＮｏ．２６４，Ｖｏ１．４１）ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１６７３－７２３７．２０１３．０２．０１６
ＴＡＮＧＬｉ，ＴＡＮＧＺｏｎｈｇ－ｈｕ￣Ｊ／ＮＪｕｎ－ｊｉｅ（ＳｏｕｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｍｉａｎｙａｎｇ６２１０１０，Ｓｉｃｈｕａｎ，Ｃｈｉｎａ）
全局最优、对维数不敏ＶＭ的一种变形算法，它将标准型中的不等式约束改为等式约束，并简化了计算的复杂性。目前，它已被成功应用于短期电力负荷预￣ｊｊｔ４］、城市用水量预

基于改进果蝇算法优化的SVM风电功率短期预测

基于改进果蝇算法优化的SVM风电功率短期预测肖峰;陈国初【摘要】由于风力发电功率预测的准确性直接关系到电网的供需平衡,直接影响着并网系统的运营成本,因此风电功率预测的准确性非常重要.对于预测精度不高的问题,提出了一种改进的果蝇算法优化的支持向量机的预测方法.由于支持向量机的惩罚因子和核函数参数选择对预测精度有很大影响,因而利用改进的果蝇算法对支持向量机参数进行优化,用优化好的参数进行建模训练,然后把建好的模型应用于功率预测,最后对数据进行评估.预测结果表明:改进的果蝇算法优化的支持向量机对风力发电功率预测有更好的准确性.【期刊名称】《华东理工大学学报（自然科学版）》【年(卷),期】2016(042)003【总页数】7页(P420-426)【关键词】风电功率预测;预测精度;支持向量机(SVM);优化;评估【作者】肖峰;陈国初【作者单位】上海电机学院电气学院,上海200240;上海电机学院电气学院,上海200240【正文语种】中文【中图分类】TK89由于风的不确定性、随机性,风电的功率预测在大型风电场并网运行中起着关键作用。

在风电场并网中对风电功率进行准确预测不但可以有效减少风的不稳定性对电网造成的不利影响,而且对电力调度提前做好准备提供有力依据。

目前应用于风电功率预测的方法有时间序列分析[1]、BP神经网络法[2]、卡尔曼滤波法[3]、小波分解[4]等。

时间序列分析是采用模型对所观测到的有序的随机数据进行分析和处理的一种数据处理方法,但其会因模型阶数的不同有很大差异。

BP神经网络虽然有很好的鲁棒性、泛化能力、容错能力,但它学习收敛速度慢,易陷入局部极小而得不到全局最优值。

卡尔曼滤波法很难获得噪声的统计特性。

而作为统计学习理论中最年轻的内容,支持向量机(SVM)不但可以针对小样本数据进行学习,同时得到好的推广能力,还由于核函数的引入,可有效地解决维数灾难的问题。

鉴于功率预测的紧迫性以及支持向量机在样本回归中的优势,本文建立了支持向量机模型来进行短期功率预测。

基于Granger-PSO-SVM的省域中长期电力负荷预测

作者简介院王继娴（1996-），女，贵州凯里人，硕士研究生。
有第 4 个指标没有通过协整检验，说明与电力负荷无长期均衡关系，因此不再对其进行格兰杰因果检验。
1.2 格兰杰因果检验格兰杰因果检验原假设是两变量间没有存在因果关系，若检验值小于显著性区间，即认为存在因果关系[3]。需要注意的是格兰杰因果检验并不是检验逻辑意义上的因果关系，而是在统计学意义上的相互影响关系，即某一变量值的变化会对另一变量值的变化产生数值上的影响。检验中最优滞后期的判定综合使用 AIC、SIC 准则，即对两变量进行 VAR 模型构造后，先选择一个较大的滞后期输入并根据 AIC、SIC 两项准则同时选中的滞后期作为最优滞后期进行格兰杰因果检验。由于格兰杰因果检验为双向检验，本文研究只列出影响因素对用电负荷的因果方向，结果如表 1 所示。
模型中 C 表示惩罚系数；孜i，孜赞 i 代表松弛变量；利用拉格朗日乘子法并求对偶解，得到最终最优回归函数为：
其中资（x，xi）为核函数，由于 RBF 核函数参数较少，且局部插值能力强，因此更适用于本文的中期电力负荷预测。
2.3 电力负荷预测实例 2.3.1 预测模型训练由于原始序列量纲不同，数据的归一化能消除不同量纲的影响。本文将某省 2000 年至 2017 年的第一产业用电量及第一产业 GDP 及农业、林业、畜牧业、渔业总产值作为原始序列，进行归一化处理。为训练回归模型，本文将前 13 年的历史数据作为训练值输入，再将训练所得的最优参数及模型用来预测后 4 年的电力负荷，通过 MAE 等检验判断预测效果。根据多次实验验证，将粒子群相关参数设定为：最大迭代数为 200，种群数量为 40，c1=1.5，c2=1.5。 PSO 优化结果为，SVM 的最优惩罚系数 C=45.5912，核函数最优参数 g=0.30698，训练 MSE 值较低，可见训练拟合良好，将利用此模型预测后续五年电力负荷。 2.3.2 预测模型检验本文将该省 2013 至 2017 年的真实电力负荷数据作

基于果蝇优化算法的LS-SVM的大坝变形应用

基于果蝇优化算法的LS-SVM的大坝变形应用肖阳;唐诗华;王江波;袁隆疆;王凯【期刊名称】《水力发电》【年(卷),期】2018(044)005【摘要】针对大坝变形值具有随机性和非线性的特性,将FOA算法所具有的全局寻优、计算快捷等优点与LS-SVM在非线性系统预测方面的优越能力相结合,构建优化模型.通过实例分析计算,并与BP神经网络、标准LS-SVM模型进行比较,结果表明,优化模型具有较好的全局预测精度和较强的预测能力;同时验证了优化模型在大坝变形预测中的可行性和有效性.【总页数】4页(P101-104)【作者】肖阳;唐诗华;王江波;袁隆疆;王凯【作者单位】广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学测绘地理信息学院,广西桂林541004;广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学测绘地理信息学院,广西桂林541004;广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学测绘地理信息学院,广西桂林541004;广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学测绘地理信息学院,广西桂林541004;广西空间信息与测绘重点实验室,广西桂林541004;桂林理工大学测绘地理信息学院,广西桂林541004【正文语种】中文【中图分类】TV698.11【相关文献】1.基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用 [J], 齐银峰;谭荣建2.基于PyCharm的果蝇优化算法研究应用 [J], 随培杰3.基于PyCharm的果蝇优化算法研究应用 [J], 随培杰4.基于果蝇优化算法的零件图像边缘检测算法研究及应用 [J], 谢昕;王伟如;万天成;江勋绎;胡锋平5.基于改进果蝇优化算法的随机森林回归模型及其在风速预测中的应用 [J], 朱昶胜;李岁寒因版权原因，仅展示原文概要，查看原文内容请购买。

基于WPSO优化的LSSVM在中长期电力负荷预测的应用

基于WPSO优化的LSSVM在中长期电力负荷预测的应用羽、薇，马天男(华北电力大学经济管理系.河北保定071003)摘要:对基本最小二乘支持向量机（LSSVM)的负荷预测方法进行了改进，提出了一种采用带惯性权重的粒子群算法（WPSO)对其参数进行优化处理的预测方法。

以某地区的历史负荷值作为算例，将优化所得的参数运用到预测模型中进行计算验证。

关键词：电力负荷预测;最小二乘支持向量机;带惯性权重的粒子群优化算法中长期电力负荷预测在电力系统运营中有着重要的作用，是电力系统规划建设的依据，其预测的精度直接影响到了电力企业电网规划、布局以及其运行的合理性。

本文提出了一种采用粒子群算法（W eig ht P article Swarm O p tim izatio n,简称 W P S O)对最小二乘支持向量机的参数进行优化处理的预测方法。

带权重的粒子群算法能够很好的处理函数优化、神经网络参数优化等问题，并且其收敛速度快、鲁棒性高，能够较好的调整全局和局部搜索能力之间的平衡。

同时，该预测方法具有操作简单、容易实现以及调整参数少等优点。

实验结果表明：该方法不仅能够提高预测速度和预测性能，而且比传统的（least squares support vector m a c h in e,简称L S S V M)的精度要高，更加适合在中长期电力负荷预测中的应用。

1WPSO算法简介(1)基本的PS0算法PS0算法基本思想是通过迭代运算搜索空间中随机粒子群潜在的最优解；在每一次迭代当中，粒子会找出当前时刻本身的最优解/\…,与整个粒子群的最优解g b e s，，实际上，PS0算法也是通过个体的竞争和协作来完成空间最优解的搜寻。

设在D维目标空间中，有m个粒子组成的群体，第；个粒子的位置表示为x,.= (%,a;l2，…，*i〇) ,«•= 1,2,…，m;其速度表不为 V,.= (,7；a，…，Kfl);其自身最优位置表不为jP b e S I = (P,.l，P,2,…,p1D);整个粒子群的最有位置为gb(!s l = (g,，g2，•••，&);则粒子的速度和位置更新方程vl d(t + 1) = vi d(t) +C lrl(pb e a -x l d(t)) +C2r2(i§W - ⑴）x,d(t + 1) = A：i d+V i d(t + 1)其中C l,c2——非负的加速常数；r,,r2—服从[0,1]上的均匀分布随机数。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Abstract ： In order to improve the accuracy of shortterm load forecasting in the electric power system， with respect to the nonlinear characteristics of shortterm load factors，the least squares support vector machine （ LSSVM ） is used to establish a shortterm load forecasting model． With respect to parameter optimization problems of traditional LSSVM in load forecasting，this paper presents the fruit fly parameter optimization algorithm for optimization of penalty parameter C and kernel function parameter σ． On the basis of an analysis of load data at 24 ： 00 every day in the period of 2014 － 6 － 1 to 2014 － 6 － 29 in an area of Zhejiang Province，a forecasting 2014． The simulation results show that shortterm load forecasting through LSSVM is made for the loads at each o'clock on June 30 ， based on fruit fly optimization algorithm is more accurate that traditional LSSVM and parameter optimization algorithm． Keywords： load forecasting； least squares support vector machines； parameter optimization； fruit fly optimization algorithm； particle swarm optimization
［8 ］
电力系统短期负荷预测是供电部门的重要工作之一
过准确的短期负荷预测可以经济合理地安排电网内各机组的启停，保持电网运行的安全稳定性；降低不必要的旋转储备容量，有效地降低发电成本；在保证正常用电的情况下合理安排机组检修计划，保证社会的正常生产和生活。因此，研究高精度、高速度的短期负荷预测方法，对电力系统安全、稳定、经济、可靠运行有着重要意义。负荷预测的核心问题是选用何种预测方法建立数学模型的问题。由于负荷需求一直处于动态变化的状态，易受日类型、天气状况、温度、湿度、电价等非线性因素的影响，因此，选取一种适应能力较强的预测方法，并能综合考虑影响因子的作用，成为短 2］通过引入人体舒适度指数选期负荷预测的研究趋势。文献［ SVM 模型进行了日最大负荷预测，取相似日，采用 PSO预测结果 3］采用遗传算法的多目标优化算法达到了较高的精度。文献［
T …， 1 ] T ； Z = { φ [ x（ 1 ） ] ， …，其中 e = [ 1， φ[ x( m) ] } ； ρ = T [ y（ 1 ）， …， y （ m ） ] T ； α = [ α1 ， …， αm ] 。
LSSVM in Shortterm Load Forecasting Based on Fruit Fly Optimization Algorithm
2 2 2 WANG Huizhong1，，ZHOU Jia1，，WANG Yuefeng3 ，LIU Ke1，
（ 1 ． College of Electrical and Information Engineering，Lanzhou University of Technology，Lanzhou Gansu 730050 ， China； 2 ． Gansu Key Laboratory for Advanced Control of Industrial Processes，Lanzhou Gansu 730050 ，China； 3 ． State Grid Zhuji Power Supply Co．，Zhuji Zhejiang 311800 ，China）
m T m
minf（ C， σ） =
∑（ y
i =1
i
－^ yi ）
2
s． t． C ∈ ［ C min ， C max］ σ ∈ ［ σ min ， σ max ］
（ 7）
y i 为第 i 个样本的模型其中 y i 为第 i 个已知样本的输出值； ^ 可由式（ 5 ）计算得到。将定义域内的一组参数序列预测输出值，（ C， σ）作为 FOA 中果蝇的位置向量，各个体的适应度函数取式（ 7 ）。果蝇具体的寻优过程如下：（ 1 ）根据收集到的历史数据，建立训练样本集和测试样本集。（ 2 ）设置参数，随机初始化果蝇群体位置，每个位置值对应
2
其中 α i 为 Lagrange 乘子。根据最优化条件 KKT： α i φ（ x i ） ω = ∑ i =1 m αi = 0 ∑ i =1 α i = Cξ i ω T φ（ x ） + b + ξ － y = 0 i i i 求得式（ 2 ）的解为：
（ 3）
+ Y2 i
1 T 1 2 C ω ω+ ξi － 2 2 ∑ i =1
i
， m
∑α ［ω φ（ x ）
i i =1 m
+ b + ξi － yi ］
（ 2）
于 LSSVM 模型的一组参数（ C， σ），根据参数的变化范围初始化 Y0 ）。得到初始坐标（ X0 ，果蝇个体的初始位置，（ 3 ）根据果蝇觅食行为，对每个果蝇飞行的方向 η 和距离Ｒ n 次迭代寻优后的果蝇群位置坐标为：随机赋值， X n = X0 + Ｒ（ η － 0 ． 5 ） Y n = Y0 + Ｒ（ η － 0 ． 5 ） 0， 1］其中 η 为［的随机值；（ 4 ）计算各果蝇个体与原点间的距离 D，再引入味道浓度判取值为果蝇位置到原点距离 D 的倒数： D i = 定值 S， Si = 1 / Di （ 5 ）将 S 带入适应度函数，计算各果蝇味道浓度： S mi = f（ S i ） Xi 槡
0
引
言
［1 ］
对神经网络的结构进行了优选，提高了预测精度，降低了计算成。通 4］本。文献［建立了基于自适应惯性权重粒子群优化和最小二乘支持向量机的组合短期负荷模型，不仅加快了收敛速度，而且 5］利用云计算技术对支持向量不会轻易陷入局部最优。文献［机进行改进，在避免了维数灾难的同时提高了预测精度与速度。经过长期的实践研究，由统计学理论发展而来的支持向量机方法以其解决小样本、非线性等问题的突出优点，在短期负荷预测中有了较成功的应用。为进一步提高其预测精度，学者们提出了多 LS － SVM［6 － 7］等对 SVM 种改进方法，如采用 ε － SVM、 υ － SVM、模型自身的改进；先采用聚类
[ α] = [ e
b LSSVM 预测模型：
0
eT ZZ T +
（ 4）
（ 6 ）找出群体中最佳味道浓度值 S best 及其对应的果蝇位置 Y best ），坐标（ X best ，此时果蝇群内各个体果蝇利用视觉往该位置飞 S best = maxS mi 去，即向目标位置移动进行全局搜索，（ 7 ）进入迭代寻优， Y best ）成为此时的果蝇群位置坐标（ X best ，判断味道浓度是否优于前新一次迭代寻优的果蝇群体初始位置，一次迭代味道浓度，若是，则执行步骤（ 6 ），迭代结束，输出最优参数（ C， σ）；若否，则重新执行步骤（ 3 ～ 5 ）。（ 8 ）利用最优参数（ C， LSSVM 预 σ ）和训练样本建立 FOA测模型。
摘要：为了提高电力系统短期负荷预测的精度，针对负荷影响因素的非线性特性，采用最小二乘支持向量机（ LSSVM ）建立短期负荷预测模型；针对传统 LSSVM 在负荷预测中存在的参数优选难题，给出了果蝇参数优化算法来优选 LSSVM 的惩罚参数 C 和核对 2014 － 6 － 30 日各整点负函数参数 σ。通过对浙江省某地区 2014 － 6 － 1 至 2014 － 6 － 29 每天 24 点的负荷数据进行分析，荷进行预测，仿真结果表明，与传统的 LSSVM 和参数优化算法相比，基于果蝇优化算法的 LSSVM 短期负荷预测具有更高的精度。关键词：负荷预测；最小二乘支持向量机；参数优化；果蝇优化算法；粒子群优化 DOI： 10． 3969 / j． issn． 1000 － 3886． 2015． 06． 019 ［中图分类号］ TM715 ［文献标志码］ A ［文章编号］ 1000 － 3886 （ 2015 ） 06 － 0060 － 03
定稿日期： 2014 － 04 － 23 基金项目：甘肃省自然基金（ 1308ＲJZA117 ）
、小波分析、粗糙集等算法对输入
［10 － 11 ］、果蝇优化算法等对 SVM
向量进行处理，再用 SVM 建立预测模型的组合预测方法；采用遗传算法、蚁群算法、粒子群算法模型参数进行优化的方法等。本文通过引入果蝇参数优化算法，对最小二乘支持向量机模型的参数进行自动搜索和确定，建立 FOA － LSSVM 预测模型，并采用浙江省某地区 2014 年 6 月份的负荷数据进行仿真验证，取得了比较满意的结果。