A été proposé un nouveau modèle de machine à vecteurs de support de moindres carrés (LSSVM) robuste basé sur une correction adaptative en ligne pour résoudre le problème de l'adaptation aux différentes conditions de travail et la faible robustesse lors de l'utilisation des données sur le terrain. Cette méthode utilise la taille totale de l'erreur de prévision comme seuil, met à jour automatiquement les paramètres en fonction des différentes conditions de travail, améliorant ainsi l'adaptabilité du modèle aux données ; en même temps, le modèle utilise l'appartenance floue pour attribuer des poids dynamiques à l'élément carré d'erreur dans le problème d'optimisation de la machine à vecteurs de support, renforçant la capacité du modèle à résister au bruit. Cette méthode a été appliquée aux données réelles d'une centrale électrique pour prédire le volume de vent, et a été comparée au modèle LSSVM classique, les résultats ont montré que le modèle construit par cet algorithme était robuste et précis. Ce modèle peut répondre à la prévision et à l'estimation en temps réel des données dans différentes conditions de travail, offrant un excellent support de données pour divers systèmes de surveillance en ligne.

Contrôle adaptatif en ligne; Robustesse; Machine à vecteurs de support de moindres carrés; Appartenance floue; Volume de vent; Mesure douce