优化SVM在锅炉负荷预测中的应用

《优化SVM在锅炉负荷预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第39卷第2期电子科技大学学报、，01．39No．22010年3月JournalofUniversityofElectronicScienceandTechnologyofChinaMat．2010优化SVM在锅炉负荷预测中的应用陈其松，陈孝威，张欣2，吴茂念(1．贵州大学计算机科学与技术学院贵阳550025；2．贵州省光电子技术与应用重点实验室贵阳550025)【摘要】提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪；利用核主成分分析方法提取数据特征；采用量子粒子群算法优化支持向量机超参数。将该优化算法应

2、用于锅炉负荷短期预测，实验结果表明，该优化算法预测精度较高，收敛速度较快，泛化性能优于其他预测方法，且工程实现容易关键词预测：核主成分分析；优化；量子粒子群算法；支持向量机中图分类号TP301．1：TPI8文献标识码Adoi：10．3969~．issn．1001-0548．2010．02．035OptimalSupportVectorMachineModelforBoilerLoadForecastingCHENQi．song，CHENXiao．wei‘，ZHANGXin，andWUMao．nian(1．SchoolofComputerScienceandTechnolo

3、gy，GuizhouUniversityGuiyang550025；2．GuizhouKeyLaboratoryforPhotoelectricTechnologyandApplicationGuiyang550025)AbstractIntelligentlyoptimalsupportvectormachine(SVM)werein~oducedinelectricutilityboilertoimproveshort-termloadforecastingaccuracyandgeneralizationability．Wavelettransformisadopt

4、edtofilternoiseintrainingandtestingdataset．Kernelprinciplecomponentanalysisisusedinfeatureselection．Thenquantum-behavedparticleswarmalgorithmischosentodeterminateoptimalhyper—parameterinSVM．Thisoptimalalgorimmhasbeentestedonpowerplantandtheresultsshowthatthepredictioncangethigherprecision

5、andconvergencespeed．Keywordsforecasting；kernelprinciplecomponentanalysis；optimization；quantum-behavedparticleswarmalgorithm；suppo~vectormachines建立在统计学习理论基础上的支持向量机【I1遗传算法、蚁群算法等。但在实际应用中，仅对支采用结构风险最小化原则设计学习机器，综合考持向量机算法的某个方面进行改进是不够的。本文虑经验风险和模型的复杂性，较好地解决了过学习、针对支持向量机噪声敏感问题采用小波方法先对样非线性、高维数等问题。由于其

6、最终可以归结为求本去噪，再采用核主成分分析方法提取样本数据特解一个凸二次规划问题，获得的解是全局最优解，征，超参数的寻优采用粒子群算法完成，构建了智避免了神经网络等方法的局部极值问题，因此具有能优化支持向量机方法。较好的推广能力。随着应用的广泛，支持向量机的1智能优化支持向量机方法不足也逐渐被关注，主要体现在：(1)由于标准支持向量机的数学模型是一个二次规划问题，使得对于1．1支持向量机I卜大规模样本问题的训练速度较慢。(2)在小规模样本给定，个训练样本{，如，集合{)∈R为n条件下，模型参数取值缺少先验信息，搜索区间较维训练样本输入，∈{+1，一1}为训练样本输出。若．

7、大，在多个参数需要优化的情况下，优化过程花费样本线性可分则可以由超平面cox+b=0分开，使较多的时间。(3)在模型参数选择方面，目前还缺乏得每个样本点都满足：有效的方法和理论依据。(4)多类分类问题。(5)噪(+6)一1≥0i=l，2，⋯，，(1)声敏感问题。针对支持向量机的不足，出现了多种此时分类间隔为2／国。所以满足式(1)，且使llIl最改进方法l6J，如解决支持向量机训练速度问题的分小的分类面就是最优分类面。块分解算法、序贯最小优化算法、模型参数选择的利用Lagrange优化方法，最优分类面问题转换收稿日期：2008