基于交叉验证深度置信网络的少样本柔直计量装置故障诊断方法研究

为识别柔性直流输电系统计量装置的故障,提出了一种基于深度置信网络的故障诊断方法。该方法首先从合并单元端获取、解析数据并分成训练样本和测试样本;然后将这些数据用于训练深度置信网络。 最后将模型的故障诊断结果和实际样本的标签组合为一个交叉验证集合,从而测试深度置信网络性能。仿真结果表明,相比于支持向量机和BP神经网络,该文提出的基于深度置信网络的方法可以更加稳定、可靠地识别故障样本少的柔性直流计量装置的故障。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

考虑历史相似性加权的超短期风电功率组合预测

提出一种基于历史相似性加权的超短期风电功率组合预测方法。首先,采用数值天气预报数据、风电历史数据分别作为极限学习机、长短期记忆网络的输入特征并产生预测数据;然后,通过加权灰色关联算法提取与待预测点特征近似的历史数据,评估并校正两类预测模型的预测结果。采用美国科罗拉多州某风电场实际运行数据进行训练与验证,并使用不同加权方法进行对比。结果表明,基于历史相似性优化方法可改善预测效果,缩小预测误差分布范围,验证了该文方法的有效性。     

基于小波深度置信网络的风电爬坡预测方法

为了提高风电爬坡事件预测的准确性,提出一种基于深度学习的具有特征自适应选择的小波深度置信网络(WDBNAFS)算法。首先,分析风电功率混沌特性。然后,对时间序列数据进行小波分解,设计特征自适应选择算法选取建模数据作为预测模型的输入变量。最后,采用深度置信网络构建风电爬坡事件预测模型,设计基于实际生产数据的实验验证所提出算法的有效性。仿真结果表明,所提出算法预测准确率可达90%以上。     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。     

海鸥算法优化DBN的光伏逆变器故障诊断方法北大核心CSCD

光伏逆变器开路故障种类较多且特征相似,因此故障诊断准确率不高。文章将自适应噪声完备经验模态分解和改进深度置信网络相结合,提出一种新型的故障诊断方法。该方法首先分析光伏逆变器的拓扑结构和工作原理,定义不同的开路故障类型;其次,采用自适应噪声完备经验模态分解和相关系数-能量值准则,筛选敏感本征模态函数(Intrinsic Mode Functions,IMF)分量,并通过希尔伯特变换求取各IMF分量包络谱,构造IMF分量、包络谱的能量和能量熵作为高维故障特征向量;最后,以训练集预测误差为适应度函数,采用海鸥算法(Seagull Optimization Algorithm,SOA)优化改进深度置信网络中的隐含层神经元数量和反向微调学习率两个重要参数,将多特征融合向量输入到SOA-DBN模型中,完成逆变器开关器件故障辨识。仿真和实验表明,与传统模型相比,文章所提的方法具有更好的诊断效果。     

动态组合深度学习模型在短期负荷及光伏功率预测中的应用

人工智能的快速发展为预测问题提出了崭新的解决途径。文章在深入分析深度学习算法发展的基础上,建立了基于深度学习模型动态组合的短期负荷及光伏功率预测模型,在该模型中使用两种深度学习算法(长短记忆网络和深度置信网络)分别对输入数据进行训练,并使用线性模型对各个深度学习的训练结果进行动态结合,而后输出最终的预测结果。此外,文章使用广州的光伏功率数据与短期负荷数据对模拟结果的准确性进行验证。分析结果表明,文章所建立的预测模型具有良好的预测精度。     

基于两级级联聚类的神经网络风电功率预测

对历史日及预测日的风速特性进行比较,提取综合相似程度高的历史日作为训练样本,对不同类别分别建立预测模型。采用两级级联的混合聚类算法实现相似数据的最优选择,并构建基于改进粒子群优化的小波神经网络模型预测风电功率。通过对中国西部某风电场的算例仿真,表明该方法能够有效识别样本数据的筛选,提高风电功率预测精度。     

基于改进残差卷积网络的柴油机故障诊断方法

针对基于卷积神经网络（convolutional neural network, CNN）的柴油机故障诊断方法在训练样本匮乏时易过拟合、诊断准确率低的问题,提出一种基于改进残差卷积网络的“端到端”柴油机故障诊断方法。该方法采用连续可微指数线性单元（continuously differentiable exponential linear units, CELU）作为CNN激活函数并采取小批次训练方法,提高模型提取特征能力的同时加速其收敛;在模型中加入残差结构将深层网络提取到的抽象特征与表层特征相融合,避免深层网络导致的特征信息丢失与梯度消失问题。经柴油机故障模拟试验验证,该方法在仅使用20个样本进行训练时,能实现95.5%的故障诊断准确率;与CNN相比,该方法在不同类型及规模的训练集下,故障诊断准确率均有显著提升。     

基于灰色关联分析的BSO-ELM-AdaBoost风电功率短期预测

提出基于灰色关联分析与自适应提升的天牛群优化极限学习机风电功率短期预测方法.首先,利用灰色关联分析构建训练样本集,提高历史数据与预测日时间尺度上的信息关联度.在此基础上,利用天牛群算法优化极限学习机,为极限学习机寻找最优权阈值,提高其泛化能力.最后,引入集成学习理念,通过自适应提升算法学习组合多个极限学习机弱预测器,对...     

Transfer learning for short-term wind speed prediction with deep neural networks

As a type of clean and renewable energy source, wind power is widely used. However, owing to the uncertainty of wind speed, it is essential to build an accurate forecasting model for large-scale wind power penetration. Numerical weather prediction (NWP) and data-driven modeling are two typical paradigms. NWP is usually unavailable or spatially insufficient. Data-driven modeling is an effective candidate. As to some newly-built wind farms, sufficient historical data is not available for training an accurate model, while some older wind farms may have long-term wind speed records. A question arises regarding whether the prediction model trained by data coming from older farms is also effective for a newly-built farm. In this paper, we propose an interesting trial of transferring the information obtained from data-rich farms to a newly-built farm. It is well known that deep learning can extract a high-level representation of raw data. We introduce deep neural networks, trained by data from data-rich farms, to extract wind speed patterns, and then finely tune the mapping with data coming from newly-built farms. In this way, the trained network transfers information from one farm to another. The experimental results show that prediction errors are significantly reduced using the proposed technique.     

基于多层语义融合注意力机制的短期风电功率概率密度预测方法

获得未来风电功率的短期概率性信息将有助于电网的综合能源调度,为此提出一种结合多层语义融合注意力机制的短期风电功率概率密度预测方法。为尽可能获得更多语义层下的编码信息,在编码阶段引入循环高速网络（RHN）并通过深层的RHN网络结构最大程度地提取输入特征的底层关联信息。设计多层语义融合注意力机制以融合不同语义层下的局部注意力向量,进一步加强编码特征向量的表达能力,并将网络的输出与分位数回归和核密度估计方法结合,得到不同分位点下未来短期风电功率的预测结果与连续概率密度分布。实验结果表明：提出的短期风电功率概率密度预测方法不论是在预测的得精度上,还是在具有不确定性的预测结果分布上均优于其他比较模型。     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

Short-term wind power prediction based on stacked denoised auto-encoder deep learning and multi-level transfer learning

Wind power prediction (WPP) has an important impact on the security and reliability operations of the power grid. The major difficulty in power prediction of new, expanded, or reconstructed wind farms is the lack of operational data, which leads to insufficient training of the model and makes the prediction error of wind power become enormous. A short-term WPP model based on stacked denoised auto-encoder (SDAE) deep learning and multilevel transfer learning is proposed in this paper. First, the correlation coefficient between the samples of source wind farms and the target wind farm is calculated by using a network trained with the samples from the target wind farm. Second, the samples with high correlation coefficients in source wind farms are graded and migrated to the target wind farm to assist multilevel transfer learning. Finally, the samples from different grades are each used to train a layer of SDAE, and their weights and thresholds are migrated to the final network. The case study shows that the 24-h-day-ahead normalized root-mean-square error (NRMSE) and 96-h-short-term NRMSE obtained by the proposed method are 4.48% and 5.11% lower, respectively, compared with the model without transfer learning, which proves the effectiveness of the proposed model.     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

基于ALIF-LSTM多任务学习的综合能源系统短期负荷预测

综合能源系统中风电、光伏等可再生能源出力具有波动性和间歇性,精准的短期负荷预测有利于平抑可再生能源对系统运行的影响。系统中的多元负荷时间序列为典型的非平稳性信号,难以进行精准地预测。为了从数据层面提高综合能源系统短期负荷预测模型的精度,提出基于自适应局部迭代滤波（ALIF）的历史负荷数据分解方法,将历史负荷序列分解为具有不同频段模态函数的多个分量;针对预测模型训练中长时间序列处理困难及系统中多元负荷间耦合信息挖掘利用的问题,建立基于长短期记忆（LSTM）网络多任务学习的综合能源系统短期负荷预测模型。实验结果显示,与LSTM、ALIF-LSTM单任务学习、随机森林、LGBM方法相比,所提方法能够应对负荷波动剧烈的工况,预测精度较高,满足综合能源系统安全稳定运行控制的要求。     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。