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...
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进行参数优化,最后将各分量预测值组合得到最终的预测结果。将预测结果与LSSVM、VMD-LSSVM、SSA-LSSVM、VMD-SSA-LSSVM模型预测值对比,得出所提出方法的两组数据MAPE值分别为1.501...
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...
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...
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 ...
首先应用鲸鱼优化算法(whales optimization algorithm,WOA)对VMD的核心参数(K值和惩罚系数α)进行自动寻优.经过WOA-VMD对原始风电功率时间序列分解过后,引入改进的麻雀搜索算法SSA优化最小二乘支持向量机LSSVM中的学习参数,然后对分解得到的各个子序列建立SSA-LSSVM预测模型;最后叠加各个子序列的预测值并得到最终预测值....
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...
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...