最小二乗サポートベクトルマシン（LSSVM）が現場データを利用したモデリングにおいて異なる作業状況に適応することが難しく、ロバスト性が低いという問題に対して、オンライン自己適応補正に基づいた頑健なLSSVMモデルが提案されました。この方法は、総合的な予測誤差の大きさを閾値とし、異なる作業状況に応じてパラメータを自己適応的に更新することにより、モデルのデータ適応性を高めます。同時に、モデルはサポートベクトルマシンの最適化問題で誤差二乗項にダイナミックウェイトを割り当てるためにファジィメンバーシップを使用し、モデルのノイズ耐性を強化します。この方法は発電所の実際のデータに適用され、風量を予測するために使用され、通常のLSSVMモデルと比較して、このアルゴリズムによって構築されたモデルは強力であり、予測精度が高いことを示しました。このモデルは、異なる作業状況でのリアルタイムデータの予測と推定を満たし、さまざまなオンライン監視システムに優れたデータサポートを提供できます。

オンライン自己適応制御; ロバスト性; 最小二乗サポートベクトルマシン; ファジィメンバーシップ; 風量; ソフト測定