由于电力市场的发展和智能电网技术的推广,负荷预测变得越来越重要。准确的预测结果有助于提高电力系统运行效率,降低运行成本,减少＂电荒＂事件的发生。在当前海量高维数据的背景下,有效并准确的在线预测方法是当下的研究重点。针对传...由于电力市场的发展和智能电网技术的推广,负荷预测变得越来越重要。准确的预测结果有助于提高电力系统运行效率,降低运行成本,减少＂电荒＂事件的发生。在当前海量高维数据的背景下,有效并准确的在线预测方法是当下的研究重点。针对传统预测方法对新增数据需要重复训练造成的巨大计算消耗和模型利用率低的缺点,提出了一种基于在线序列极限支持向量回归算法（online sequential extreme support vector regression,OS-ESVR）的短期负荷预测模型（short-term load forecasting,STLF）。首先,利用基于随机森林模型的递归特征消除方法（recursive feature elimination based on random forest,RF-RFE）自动选择滞后负荷输入变量;其次,将得出的有效数据信息输入到在线序列支持向量回归模型进行训练学习,训练过程中通过简化粒子群算法（simplified particle swarm optimization,SPSO）对初始模型进行优化,得到训练后的在线序列支持向量回归模型;最后,利用测试数据测试模型。通过在新英格兰ISO（Independent System Operator）数据集进行仿真算例分析,验证了模型能够根据新增数据动态更新。同时预测结果表明了所提模型的时效性和准确性显著优于已有的同类方法。展开更多
林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地...林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R^2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P<0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R^2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。展开更多
为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用...为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。展开更多
文摘由于电力市场的发展和智能电网技术的推广,负荷预测变得越来越重要。准确的预测结果有助于提高电力系统运行效率,降低运行成本,减少＂电荒＂事件的发生。在当前海量高维数据的背景下,有效并准确的在线预测方法是当下的研究重点。针对传统预测方法对新增数据需要重复训练造成的巨大计算消耗和模型利用率低的缺点,提出了一种基于在线序列极限支持向量回归算法（online sequential extreme support vector regression,OS-ESVR）的短期负荷预测模型（short-term load forecasting,STLF）。首先,利用基于随机森林模型的递归特征消除方法（recursive feature elimination based on random forest,RF-RFE）自动选择滞后负荷输入变量;其次,将得出的有效数据信息输入到在线序列支持向量回归模型进行训练学习,训练过程中通过简化粒子群算法（simplified particle swarm optimization,SPSO）对初始模型进行优化,得到训练后的在线序列支持向量回归模型;最后,利用测试数据测试模型。通过在新英格兰ISO（Independent System Operator）数据集进行仿真算例分析,验证了模型能够根据新增数据动态更新。同时预测结果表明了所提模型的时效性和准确性显著优于已有的同类方法。
文摘林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R^2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P<0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R^2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。
文摘为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。
