CN103679263A - 基于粒子群支持向量机的雷电临近预测方法 - Google Patents
基于粒子群支持向量机的雷电临近预测方法 Download PDFInfo
- Publication number
- CN103679263A CN103679263A CN201210315110.8A CN201210315110A CN103679263A CN 103679263 A CN103679263 A CN 103679263A CN 201210315110 A CN201210315110 A CN 201210315110A CN 103679263 A CN103679263 A CN 103679263A
- Authority
- CN
- China
- Prior art keywords
- lightning
- thunder
- particle
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群支持向量机的雷电临近预测方法,涉及雷电预测技术领域,其目的在于将粒子群支持向量机方法应用于雷电临近预测中。该方法为:从MICAPS系统的高空、地面历史资料和地面台站雷暴实况数据中,进行相关性分析选取影响雷电发生的相关因子;针对雷电数据中有雷电及无雷电数据不平衡的特性,对数据进行预处理,并对缺失数据进行合理插补;使用粒子群优化算法对支持向量机参数进行优化;建立训练样本集并训练支持向量机,建立雷电临近预测模型;将测试数据集输入训练好的预测模型,进行有无雷电识别。本发明的方法具有准确率高,泛化能力强的优点。
Description
技术领域
本发明涉及雷电预测技术领域,具体是一种基于粒子群支持向量机的雷电临近预测方法。
背景技术
雷电预测涉及到很多相关信息,到目前为止还没有一个非常完善的模型可以描述。在我国天气预报更多的还是使用基于统计学基础上的动力统计预报方法,该方法大多数都是建立在线性相关基础上的(如近年来使用较多的多元逐步回归方法、卡尔曼滤波方法等),因此在处理比较复杂的非线性天气现象时有其明显的不足。近年来,随着神经网络的发展和完善,人们尝试使用神经网络对雷电预天气预报进行模拟和预测,取得了一定的成功。但是,在使用过程中存在如何确定网络结构问题、过学习和欠学习问题、局部极小点问题等。
统计学习理论是Vapnik建立的一种专门研究小样本情况下机器学习规律的理论,支持向量机(Support Vector Machine, SVM)是在这一理论基础上发展而来的一种新的通用学习方法。支持向量机通过结构风险最小化原理来提高泛化能力,其算法是一个凸二次规划问题,能保证找到的解是全局最优解,较好地解决非线性、高维数等实际问题,问题的复杂度不取决于特征的维数。由于其在预测能力和推广能力上优于神经网络,因而成为了应用领域研究的热点。支持向量机方法在模式识别、数据挖掘、军事、经济等各个场合都得到广泛的应用,但在非线性特征十分显著的气象预报领域中的应用至今还很少,在雷电预测中尚没有相关应用。
雷电临近预测可分为有雷电和无雷电的两类,可以使用支持向量机进行分类。支持向量机SVM在具体应用中存在一个突出问题,即如何设置影响算法性能的关键参数:支持向量机的惩罚系数C、RBF核函数的宽度系数σ,因为参数的优化选择对支持向量机的学习精度和推广能力的好坏起着决定性作用。目前一般都通过交叉验证试算的方法,或者梯度下降法确定,不仅效率较低且稳定性不高。目前的支持向量机参数优化方法对进行雷电预测时存在无法兼顾小计算量和高学习精度的难题。
发明内容
为解决支持向量机用于雷电临近预测所存在的技术问题,本发明提供一种基于支持向量机的雷电临近预测方法,通过非线性映射把分析处理后的雷电数据样本映射到一个高维的特征空间,使在特征空间中可以用线性学习机的方法解决数据样本中的高度非线性问题。本发明使用粒子群优化算法PSO(Particle Swarm Optimization)对支持向量机参数进行优化,具有准确率高,泛化能力强的优点。
本发明解决上述技术问题的技术方案包括以下步骤:
选取影响雷电发生的影响因子;对雷电数据中针对少数类的样本,在SVM分类面内增加样本数据,通过随机插值形成新的少数类样本,使有雷电样本集与无雷电样本集相互平衡;使用粒子群优化算法对支持向量机的惩罚系数C、核函数RBF的宽度系数σ进行优化;用训练样本训练粒子群支持向量机,建立雷电临近预测模型,将实际高空、地面数据输入支持向量机预测模型,实现有无雷电预测。具体包括:
针对雷电数据中有雷电及无雷电数据不平衡的特性,对数据进行过采样预处理,样本处理单元根据有雷电样本集中样本数量及分布规律,在支持向量机的分类单元内对样本集通过随机插值形成新的少数类样本,控制有雷电和无雷电样本的数量和分布规律,使有雷电样本集与无雷电样本集相互平衡;构建包括支持向量机的惩罚系数C 和径向基核函数的宽度系数σ的粒子,即每个粒子的位置xi由二维参数C、σ组成,根据粒子群支持向量机的参数向量(C、σ)建立支持向量机SVM预测模型,选取影响因子对应的数据样本集输入雷电预测模型进行预测。
所述雷电影响因子包括:温度,气压,风速,风向,水汽压,相对湿度,温差,高空露点值等。粒子群优化算法优化SVM参数具体包括:初始化各粒子的速度和位置;最优位置确定单元根据粒子适应度寻找粒子的最优位置;将最优位置中的所有元素输入优化单元对最优位置Pg进行混沌优化;满足最大允许迭代次数或适应度误差限的全局最优位置Pg=(pg1,pg2)的向量即为粒子群支持向量机的参数向量(C、σ)。
寻找粒子的最优位置具体包括:如果粒子适应度优于个体极值pi,将pi设置为新位置;如果粒子适应度优于全局极值pg,将pg设置为新位置;
根据公式:
更新粒子的速度v'id和位置xid,所有粒子经历过的最优位置为pg,其中,ω为惯性权重;c1和c2为学习因子,r1和r2是[0,1]之间的随机数,第i个粒子在d维空间中的位置表示为xi=(xi1,xi2,…,xid),xi在第i个粒子位置区间[ai,bi]范围内取值。对最优位置进行混沌优化具体包括:将最优位置中的元素Pgi(i=1,2)映射到Logistic方程zi=(pgi-ai)/(bi-ai),(i=1,2)的定义域[0,1],然后,用Logistic方程zn+1=μzn(1-zn)n=0,1,2…进行迭代产生混沌变量序列,式中μ为控制参量,由任意初值z0∈[0,1],可迭代出一个确定的时间序列z1,z2,z3,…。再把产生的混沌变量序列通过逆映射返回到原解空间,在原解空间对混沌变量经历的每一个可行解,结合径向基核函数计算其适应度,得到性能最好的可行解p*,用p*取代当前群体中任意一个粒子的位置。
本发明的技术效果在于:本发明提高算法的收敛速度和精度。用此方法的寻优结果作为支持向量机的参数,用于雷电预测时具有较高的预测精度和较强的稳定性。
附图说明
图1为本发明中基于粒子群支持向量机的雷电预测方法流程图。
具体实施方式
以下结合附图对本发明进一步说明。本发明的流程图如图1所示,其具体过程如下:
1)样本数据集的准备及影响因子选择
影响雷电产生的三个主要条件为:(1)空气中有足够的水蒸汽,其对应的影响因子为:气压,露点值,湿度;(2)温度条件,其对应的影响因子为:温度,温差;(3)抬升条件,其对应的影响因子为:风速,风向等。
数据采集部分结合雷电产生时的天气相关信息,从MICAPS系统的高空、地面历史资料和地面台站雷暴数据中进行相关性分析选取与雷电发生相关性高的影响因子(温度,气压,风速,风向,水汽压,相对湿度,温差,高空露点值等),将上述(温度,气压,风速,风向,水汽压,湿度等)影响因子对应的数据进行分类处理,选取预定时间的数据构造训练样本集和测试样本集。
2)数据集预处理
针对雷电数据中有雷电及无雷电数据不平衡的特性,对数据进行过采样预处理。样本处理单元根据有雷电样本集中样本数量及样本的分布规律,在支持向量机的分类单元内,采用随机插值形成少数类样本,控制新样本的数量和分布规律,使增加的样本与少数类样本放在一起,形成新的样本类集,以达到有雷电样本集与无雷电样本集相互平衡的目的,以此解决因数据不平衡带来的问题。以时间为标准,去除不统一的样本数据,使待训练数据完整,统一。由于雷电数据中存在少量缺失数据,利用局部平均值补遗漏值的方法,计算出列均值填补到缺失数据处,使待训练数据更准确;最后,对所有数据进行归一化处理。
3)基于混沌粒子群优化算法优化选取支持向量机参数,确定粒子群支持向量机的最优参数。
本发明基于混沌粒子群优化算法寻优SVM的惩罚参数C和径向基核函数的宽度系数σ,每个粒子由二维参数(C、σ)决定其位置和速度,d=2,(C、σ)作为粒子群支持向量机的参数向量。PSO初始化为一群随机粒子(随机解),在二维搜索空间中,第i个粒子的位置表示为xi=(xi1,xi2),对应支持向量机的参数向量(C、σ),xi在[ai,bi]范围内取值,第i个粒子经历过的最好位置记为Pi=(pi1,pi2),每个粒子的飞行速度为vi=(vi1,vi2)。在整个群体中,所有粒子经历过的最好位置为Pg=(pg1,pg2),全局最优位置Pg=(pg1,pg2)的向量即为粒子群支持向量机的参数向量(C、σ)。具体步骤如下:
(1)初始化各粒子的速度和位置。初始化设置粒子群的规模、最大允许迭代次数或适应度误差限、惯性权值、学习因子等参数。
(2)对粒子的速度和位置进行更新。如果粒子适应度优于个体极值pi,将pi设置为新位置;如果粒子适应度优于全局极值pg,将pg设置为新位置;根据以下公式更新每个粒子的速度和位置:
其中,ω为惯性权重;c1和c2为学习因子,r1和r2是[0,1]之间的随机数。
(3)将新位置中的所有元素输入优化单元对新位置进行混沌优化。
将Pgi(i=1,2)映射到Logistic方程zi=(pgi-ai)/(bi-ai),(i=1,2)的定义域[0,1],然后,用Logistic方程zn+1=μzn(1-zn)n=0,1,2…进行迭代产生混沌变量序列,式中μ为控制参量,由任意初值z0∈[0,1],可迭代出一个确定的时间序列z1,z2,z3,…。再把产生的混沌变量序列通过逆映射返回到原解空间,在原解空间对混沌变量经历的每一个可行解,结合径向基函数计算其适应度,得到性能最好的可行解p*。用p*取代当前群体中任意一个粒子的位置。
(5)若满足最大允许迭代次数或适应度误差限,则停止寻优,此时的全局最优位置Pg=(pg1,pg2)即为粒子群支持向量机的最优参数K(x,xi),否则继续寻优。
4)使用粒子群支持向量机进行雷电预测
其中,b为偏移量,αi≥0为Lagrange系数,sgn()为符号函数,l为训练样本个数。设数据样本集为{xi,yi},i=1,2,…,l,其中xi∈Rd为输入变量即粒子的位置,yi∈{-1,+1}为实际样本,K(x,xi)为第i个粒子最优位置参数,当f(x)等于1,表示有雷电;当f(x)等于-1时,表示无雷电。将实际高空、地面等数据样本进行预处理后输入雷电临近预测模型,根据支持向量机决策函数的输出结果(结果等于1为有雷电,-1为无雷电),实现有无雷电预测。
Claims (5)
1.一种基于粒子群支持向量机的雷电临近预测技术方法,其特征在于,数据采集单元根据雷电影响因子,选取预定时间的雷电影响因子对应的气象数据构造样本集,样本处理单元根据有雷电样本集中样本数量及各影响因子样本的分布规律,在支持向量机的分类单元内,通过随机插值形成新的少数类样本,使有雷电样本集与无雷电样本集相互平衡;构建包括支持向量机的惩罚系数C 和径向基核函数的宽度系数σ的粒子,(C、σ)作为粒子群支持向量机的参数向量,基于粒子群优化算法优化选取支持向量机参数,确定粒子群支持向量机的最优参数;根据最优参数调用支持向量机决策函数建立雷电临近预测模型,选取影响因子对应的数据样本集输入雷电临近预测模型进行预测。
2.根据权利要求1所述的预测方法,其特征在于,所述雷电影响因子包括:温度,气压,风速,风向,水汽压,相对湿度,温差,高空露点值等。
4.根据权利要求3所述的预测方法,其特征在于,确定粒子的最优位置具体包括:如果粒子适应度优于个体极值pi,将pi设置为新位置;如果粒子适应度优于全局极值pg,将pg设置为新位置;
根据公式:
更新粒子的速度v'id和位置xid,所有粒子经历过的最优位置为pg,其中,ω为惯性权重;c1和c2为学习因子,r1和r2是[0,1]之间的随机数,第i个粒子在d维空间中的位置表示为xi=(xi1,xi2,…,xid)。
5.根据权利要求3所述的预测方法,其特征在于,对最优位置Pg进行混沌优化具体包括:将最优位置pg中的元素Pgi(i=1,2)映射到Logistic方程zi=(pgi-ai)/(bi-ai),(i=1,2)的定义域[0,1],然后,用Logistic方程zn+1=μzn(1-zn)n=0,1,2…进行迭代产生混沌变量序列,再把产生的混沌变量序列通过逆映射返回到原解空间,在原解空间对混沌变量经历的每一个可行解计算其适应度,得到性能最好的可行解p*,用p*取代当前群体中任意一个粒子的位置,式中μ控制参量,z1,z2,z3,…为时间序列,[ai,bi]为第i个粒子位置区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210315110.8A CN103679263B (zh) | 2012-08-30 | 2012-08-30 | 基于粒子群支持向量机的雷电临近预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210315110.8A CN103679263B (zh) | 2012-08-30 | 2012-08-30 | 基于粒子群支持向量机的雷电临近预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679263A true CN103679263A (zh) | 2014-03-26 |
CN103679263B CN103679263B (zh) | 2017-03-29 |
Family
ID=50316747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210315110.8A Active CN103679263B (zh) | 2012-08-30 | 2012-08-30 | 基于粒子群支持向量机的雷电临近预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679263B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049284A (zh) * | 2014-05-29 | 2014-09-17 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于粒子群遗传混合算法的雷电定位方法 |
CN104062273A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 |
CN104809479A (zh) * | 2015-05-18 | 2015-07-29 | 上海海洋大学 | 基于支持向量机的鱼类栖息地适宜性指数建模方法 |
CN104966106A (zh) * | 2015-07-13 | 2015-10-07 | 哈尔滨工业大学 | 一种基于支持向量机的生物年龄分步预测方法 |
CN105068149A (zh) * | 2015-07-24 | 2015-11-18 | 国家电网公司 | 一种基于多信息综合的输变电设备雷电监测和预报方法 |
CN105158137A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种基于最小二乘支持向量机的水松纸透气度检测方法 |
CN105224931A (zh) * | 2015-10-19 | 2016-01-06 | 广东欧珀移动通信有限公司 | 一种指纹采集方法及装置 |
CN105372202A (zh) * | 2015-10-27 | 2016-03-02 | 九江学院 | 转基因棉花品种识别方法 |
CN105489069A (zh) * | 2016-01-15 | 2016-04-13 | 中国民航管理干部学院 | 一种基于svm的低空空域通航飞机冲突检测方法 |
CN105760671A (zh) * | 2016-02-19 | 2016-07-13 | 中国南方电网有限责任公司 | 基于noaa/lpi雷电潜势预报指数的本地化算法 |
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN106845136A (zh) * | 2017-02-21 | 2017-06-13 | 上海大学 | 一种基于支持向量机的针阀体挤压研磨精度预测方法 |
CN108982915A (zh) * | 2018-05-25 | 2018-12-11 | 广西电网有限责任公司电力科学研究院 | 一种加速度传感器温度补偿方法 |
CN109410502A (zh) * | 2018-10-09 | 2019-03-01 | 北京建筑大学 | 火灾预警方法及装置 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109829407A (zh) * | 2019-01-23 | 2019-05-31 | 中国科学技术大学 | 基于卷积神经网络的智能闪电识别方法 |
CN110222416A (zh) * | 2019-06-05 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
CN111881723A (zh) * | 2020-06-09 | 2020-11-03 | 南瑞集团有限公司 | 雷电地闪回击波形的自动识别方法、系统及电子设备 |
CN112200353A (zh) * | 2020-09-30 | 2021-01-08 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN113435101A (zh) * | 2021-04-01 | 2021-09-24 | 国网内蒙古东部电力有限公司 | 一种基于粒子群优化的支持向量机停电预测方法 |
CN114611372A (zh) * | 2022-03-22 | 2022-06-10 | 合肥金人科技有限公司 | 一种基于物联网边缘计算的工业设备健康预测方法 |
CN114966233A (zh) * | 2022-05-16 | 2022-08-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于深度神经网络的雷电预报系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2932368Y (zh) * | 2006-08-01 | 2007-08-08 | 东北电力大学 | 基于主成分分析和支持向量机的油气水多相流流型信号采集装置 |
US20090307167A1 (en) * | 2006-07-28 | 2009-12-10 | Mei, Inc. | Classification using support vector machines and variables selection |
-
2012
- 2012-08-30 CN CN201210315110.8A patent/CN103679263B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090307167A1 (en) * | 2006-07-28 | 2009-12-10 | Mei, Inc. | Classification using support vector machines and variables selection |
CN2932368Y (zh) * | 2006-08-01 | 2007-08-08 | 东北电力大学 | 基于主成分分析和支持向量机的油气水多相流流型信号采集装置 |
Non-Patent Citations (3)
Title |
---|
VAN GESTEL ETAL.: "Financial time series prediction using least squares support vector machines within the evidence framework", 《IEEE TRANSACTION ON NEURAL NETWORKS》, vol. 12, no. 4, 31 December 2001 (2001-12-31) * |
唐贤伦 等: "铁水硅含量的混沌粒子群支持向量机预报方法", 《控制理论与应用》, vol. 26, no. 8, 31 August 2009 (2009-08-31) * |
王振会 等: "基于最小二乘支持向量机的雷暴预报初探", 《热带气象学报》, vol. 27, no. 2, 30 April 2010 (2010-04-30) * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062273A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 |
CN104049284A (zh) * | 2014-05-29 | 2014-09-17 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于粒子群遗传混合算法的雷电定位方法 |
CN104809479A (zh) * | 2015-05-18 | 2015-07-29 | 上海海洋大学 | 基于支持向量机的鱼类栖息地适宜性指数建模方法 |
CN104809479B (zh) * | 2015-05-18 | 2017-12-15 | 上海海洋大学 | 基于支持向量机的鱼类栖息地适宜性指数建模方法 |
CN104966106A (zh) * | 2015-07-13 | 2015-10-07 | 哈尔滨工业大学 | 一种基于支持向量机的生物年龄分步预测方法 |
CN104966106B (zh) * | 2015-07-13 | 2018-06-22 | 哈尔滨工业大学 | 一种基于支持向量机的生物年龄分步预测方法 |
CN105068149A (zh) * | 2015-07-24 | 2015-11-18 | 国家电网公司 | 一种基于多信息综合的输变电设备雷电监测和预报方法 |
CN105158137A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种基于最小二乘支持向量机的水松纸透气度检测方法 |
CN105224931A (zh) * | 2015-10-19 | 2016-01-06 | 广东欧珀移动通信有限公司 | 一种指纹采集方法及装置 |
CN108509909A (zh) * | 2015-10-19 | 2018-09-07 | 广东欧珀移动通信有限公司 | 一种指纹采集方法及装置 |
CN105372202A (zh) * | 2015-10-27 | 2016-03-02 | 九江学院 | 转基因棉花品种识别方法 |
CN105372202B (zh) * | 2015-10-27 | 2019-01-29 | 九江学院 | 转基因棉花品种识别方法 |
CN105489069A (zh) * | 2016-01-15 | 2016-04-13 | 中国民航管理干部学院 | 一种基于svm的低空空域通航飞机冲突检测方法 |
CN105489069B (zh) * | 2016-01-15 | 2017-08-08 | 中国民航管理干部学院 | 一种基于svm的低空空域通航飞机冲突检测方法 |
CN105760671A (zh) * | 2016-02-19 | 2016-07-13 | 中国南方电网有限责任公司 | 基于noaa/lpi雷电潜势预报指数的本地化算法 |
CN106355192B (zh) * | 2016-08-16 | 2019-12-31 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN106446940B (zh) * | 2016-09-13 | 2019-10-11 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN106845136A (zh) * | 2017-02-21 | 2017-06-13 | 上海大学 | 一种基于支持向量机的针阀体挤压研磨精度预测方法 |
CN108982915A (zh) * | 2018-05-25 | 2018-12-11 | 广西电网有限责任公司电力科学研究院 | 一种加速度传感器温度补偿方法 |
CN109410502A (zh) * | 2018-10-09 | 2019-03-01 | 北京建筑大学 | 火灾预警方法及装置 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109829407A (zh) * | 2019-01-23 | 2019-05-31 | 中国科学技术大学 | 基于卷积神经网络的智能闪电识别方法 |
CN110222416A (zh) * | 2019-06-05 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
CN110222416B (zh) * | 2019-06-05 | 2022-08-23 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
CN111881723A (zh) * | 2020-06-09 | 2020-11-03 | 南瑞集团有限公司 | 雷电地闪回击波形的自动识别方法、系统及电子设备 |
CN111881723B (zh) * | 2020-06-09 | 2022-08-09 | 南瑞集团有限公司 | 雷电地闪回击波形的自动识别方法、系统及电子设备 |
CN112200353A (zh) * | 2020-09-30 | 2021-01-08 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN112200353B (zh) * | 2020-09-30 | 2022-06-17 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN113435101A (zh) * | 2021-04-01 | 2021-09-24 | 国网内蒙古东部电力有限公司 | 一种基于粒子群优化的支持向量机停电预测方法 |
CN114611372A (zh) * | 2022-03-22 | 2022-06-10 | 合肥金人科技有限公司 | 一种基于物联网边缘计算的工业设备健康预测方法 |
CN114966233A (zh) * | 2022-05-16 | 2022-08-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于深度神经网络的雷电预报系统及方法 |
CN114966233B (zh) * | 2022-05-16 | 2024-08-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于深度神经网络的雷电预报系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103679263B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
Yu et al. | An LSTM short-term solar irradiance forecasting under complicated weather conditions | |
Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
Borgstein et al. | Evaluating energy performance in non-domestic buildings: A review | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN106651036A (zh) | 空气质量预报系统 | |
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
Gani et al. | A combined method to estimate wind speed distribution based on integrating the support vector machine with firefly algorithm | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
Ji et al. | Urban water demand forecasting by LS-SVM with tuning based on elitist teaching-learning-based optimization | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
Zhang et al. | A new solar power output prediction based on hybrid forecast engine and decomposition model | |
CN104978613A (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
CN109299208A (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |