VMD-SSA-LSSVM:这是一种基于变分模态分解(VMD)和麻雀算法优化(SSA)的支持向量机(SVM)模型。VMD是一种信号分解方法,可以将信号分解成多个振荡模态,并且每个模态具有不同的频率和振幅。SSA是一种智能优化算法的方法,可以将信号分解成多个本征模态。VMD-SSA-LSSVM将VMD和SSA结合起来,用于多变量时间序列的降维和智能优...
VMD-SSA-LSSVM,基于VMD分解的SSA优化LSSVM做短期电力负荷预测,预测精度非常高! 结果分析 均方根误差(RMSE):0.17332 平均绝对误差(MAE):0.12619 平均相对百分误差(MAPE):2.0976% ID:46200697697328495
51CTO博客已为您找到关于VMD-SSA-LSSVM的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及VMD-SSA-LSSVM问答内容。更多VMD-SSA-LSSVM相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。
本发明公开一种基于IVMDACMPSOCSLSTM组合电力负荷预测方法.该模型使用IVMD算法将负荷信号分解为多个IMF,将负荷信号减去所有IMF得到残差序列,IVMD的K值选取通过隐式反馈机制决定;然后将各序列分别建立LSTM子模型,采用滚动策略预测指定长度的负荷点序列,各子模型对应索引值相加得到负荷预测值通过ACMPSO算法求得LSTM最优参数...
本发明专利涉及一种基于VMDSSALSSVM的齿轮箱故障检测模型,包括:对采样数据VMD分解与小波包阈值分析相结合进行滤噪与数据重构;对重构数据提取不同性质特征以及特征组合;对特征集进行训练测试,衡量在不同分类器下的识别效果和在麻雀算法对齿轮箱数据在LSSVM训练中的参数寻优后的VMDSSALSSVM模型下的识别效果;对八种工况...
本发明专利涉及一种基于VMDSSALSSVM的齿轮箱故障检测模型,包括:对采样数据VMD分解与小波包阈值分析相结合进行滤噪与数据重构;对重构数据提取不同性质特征以及特征组合;对特征集进行训练测试,衡量在不同分类器下的识别效果和在麻雀算法对齿轮箱数据在LSSVM训练中的参数寻优后的VMDSSALSSVM模型下的识别效果;对八种工况...
本发明提出一种基于VMDSSALSSVM的水下滑翔机深平均流预测方法,首先将原始深平均流数据看作时间序列,用前若干个剖面的深平均流历史数据作为样本,预测AUG下一剖面的深平均流.当AUG滑行下一剖面得到真实的深平均流时,将真实的深平均流再累加到时间序列中.利用LSSVM方法对各子时间序列分别进行预测,然后再将各预测结果...
本发明公开一种IVMDSSALSSVM组合电力负荷预测方法.该模型使用改进的变分模态分解技术IVMD,将负荷信号分解为多个IMF;再利用分散熵对IMF进行复杂度分析将复杂度相近的合并重组;然后将各序列分别建立IVMDSSALSSVM子模型,然后预测指定长度的负荷点序列;最后累计所有子模型的预测值,来完成对未来时间序列预测.与现有技术相比,...
Then use the optimized LSSVM to predict each sub-series, and the forecast result is the sum of each sub-series. Based on a simulated ocean current environment, we carried out four sets of comparative experiments. Experimental results show that VMD-SSA-LSSVM has high forecast accuracy and ...
针对电力负荷随机性、波动性以及非线性因素所导致预测精度不高等问题,提出了一种基于变分模态分解(VMD)与麻雀搜索算法(SSA)优化的最小二乘支持向量机(LSSVM)短期负荷预测模型。该方法首先借助VMD将原始负荷时间序列分解成不同频率的本征模态函数(IMF)和残差分量(Res),然后对各分量建立不同的LSSVM预测模型并利用SSA进...