基于知识蒸馏和半监督学习的非侵入式负荷分解

非侵入式负荷监测(non-intrusive load monitoring, NILM)中的负荷分解是一种将负荷总功率分解为各类负荷功率的技术;随着深度学习理论的发展,基于神经网络的负荷分解模型的误差逐渐降低,同时也带来了模型参数量大幅增加的问题。为了降低模型分解功率的误差,提出一种基于序列到序列(sequence to sequence, seq2seq)、双向门控循环单元(bi-directional gating recurrent unit, BiGRU)、自注意力机制和残差网络的负荷分解算法;为了减少神经网络的参数并充分利用无标签数据,提出一种基于知识蒸馏和半监督学习的训练框架;无标签数据经由预训练的教师网络处理,得到时序概率分布,用于指导学生网络的训练。在开源数据集REFIT上进行的模型性能测试结果表明,学生网络参数量仅为教师网络参数量的6.7%,平均绝对误差仅增加5.8%。     

基于VMDT-POA-DELM-GPR的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%～77%、4%～76%,而平均百分比误差(MAPE)仅为0.067 8%,可有效提高电力负荷的预测精度。     

基于VMD-DESN-MSGP模型的超短期光伏功率预测

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。     

干式空心电抗器五环简化缩比模型最优结构对比分析

在干式空心电抗器的空间磁场预测方面，三环简化缩比模型是一种实用的方法，针对其预测精度不高的问题，该文提出了干式空心电抗器的五环简化缩比模型。首先推导原模型和两种简化缩比模型空间磁场分布的计算公式，然后拟合原模型高径比H/D和简化模型参数的函数表达式，最后搭建磁场测量平台对仿真结果进行验证。研究结果表明：线圈匝数不变只调整位置时，五环简化模型由于两两线圈间漏磁更小，其对应的方均根误差(RMSE)和绝对百分比误差(MAPE)分别比三环简化模型降低了18%和17%，决定系数(R²)提高了4%；线圈的匝数和位置均可调整时，五环简化模型不但可以减小漏磁，还可以同时减小4个监测方向上的误差，其对应的RMSE和MAPE相比三环简化模型分别降低了40%和21%，具有较高的等效精度；试验表明，五环简化模型最优结构对应的RMSE和MAPE分别比三环简化模型降低了21%和22%。建立某空心电抗器的三环和五环简化缩比模型，并进行了现场试验，结果表明，五环简化缩比模型在准确等效电抗器空间磁场分布的同时，RMSE和MAPE分别比三环简化模型降低了38.7%和4.9%，证明了五环简化缩比模型具...     

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响，从聚类分析和信号分解两方面入手，提出了一种融合聚类算法（KDGMM），改进的变分模态分解（VMD）与随机配置网络（SCN）的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天，针对阴天难以准确预测的问题，采用灰色关联度分析（GRA）选择相似日，其次引入莱维飞行北方苍鹰优化算法（LNGO）优化VMD得到最优参数，从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测，输出其预测结果。通过实验分析，所提方法的均方根误差（RMSE）和平均绝对百分比误差（MAPE）仅为1.44和1.3%，拟合优度指标R2高达0.99，与其他预测方法相比，本文所提方法有较高的预测精度。     

基于Seq2seq模型的多特征短期母线负荷预测

母线负荷短期预测对电力系统调度运行及电力现货交易市场具有重要意义，由于母线负荷受到复杂多因素的影响，单独采用母线负荷历史数据进行预测不能取得很好的效果。为提升多因素影响下母线负荷预测的准确率，本文结合特征工程和深度学习法，对母线负荷的影响因素进行斯皮尔曼相关性分析，设计时间连续性周期编码；对Seq2seq模型的编码器和解码器设置不同的特征组进行消融实验；将实验结果与采用离散小波变换分解提取特征的方法进行对比，结果表明，本文提出的特征工程结合深度学习Seq2seq框架的母线负荷短期预测效果更佳。     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

一种基于混合模型的短期电价预测方法

针对电力现货价格存在的高波动性、非线性特征的问题，采用变分模态分解（VMD）和WOA-ATT-BiLSTM相结合的方法实现了短期电价预测。首先使用VMD将原始电价序列分解成多个相对平稳的子序列，然后采用结合注意力机制的ATT-BiLSTM来提取电价子序列中的特征信息并进行预测，同时引入鲸鱼优化算法（WOA）优化ATT-BiLSTM的超参数来提高预测精度，最后为验证方法的有效性，使用了法国电力市场的数据进行实验比较。结果表明，基于VMD和WOA-ATT-BiLSTM模型的平均绝对百分比误差（MAPE）为2.91%，均方根误差（RMSE）为1.65欧元/MWh，平均绝对误差（MAE）为1.29欧元/MWh，相较于其他对比模型具有更准确的预测效果。     

基于时序分析及CNN-BiLSTM-AM的阶跃型滑坡位移预测

传统基于递归神经网络的模型对阶跃型滑坡位移预测能力不足,为解决这一问题,提出一种基于时序分析及卷积神经网络-双向长短期记忆-注意力机制(CNN-BiLSTM-AM)的滑坡位移动态预测模型。首先使用变分模态分解方法(VMD)将序列分解为趋势项、周期项和随机项。采用二次指数平滑法拟合趋势项位移,然后引入最大互信息系数法(MIC)计算各类影响因子与周期项位移相关性,对于周期项和随机项位移采用CNN-BiLSTM-AM混合模型进行多因素和单因素预测,最终累加各分量预测值得到累积位移预测结果。实验结果表明,所提方法在最终累计位移预测结果中拟合系数R²达0.984和0.987,平均绝对误差(MAE)分别为5.334和3.947,均方根误差(RMSE)分别为6.196和4.941,相比卷积神经网络-长短期记忆(CNN-LSTM)、麻雀搜索算法-核极限学习机(SSA-KELM)和NARX方法,所提方法能够更好的捕捉监测数据的时间相关性,预测精度显著提高,可为阶跃型滑坡预警及防治工作提供参考。     

二次分解组合LSTM的短期风电功率预测模型

随着风电在电力系统中的占比逐步提高,风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而,风电的随机性和间歇性极大地影响其功率的精确预测。为此,提出二次分解组合长短期记忆(LSTM)的短期风电功率预测模型。首先,采用经验模态分解(EMD)技术将原始风电序列分解为若干固有模态分量;再采用样本熵(SE)技术将各分量重组为高、中、低频3个序列,针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD)二次分解技术;最后,采用SSA算法对LSTM的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证,并与其他模型进行对比。结果表明,所提模型的平均绝对误差(MAE)为5.79 kW,均方根误差(RMSE)为5.64 kW,平均百分比误差(MAPE)为17.38%,具有更好的预测精度。     

基于ECBO-VMD-WKELM的风电功率超短期多步预测

提出一种全新的集合强化物体碰撞优化算法(enhancedcollidingbodiesoptimization,ECBO)、变分模态分解(variational mode decomposition,VMD)、小波核极限学习机(wavelet kernel extreme learning machine,WKELM)的超短期风电功率多步预测模型。针对VMD方法自适应性低的问题,提出将ECBO方法用于VMD核心参数自动寻优,且基于加权排列熵(waveletkernelextremelearningmachine,WPE)算法思想来设计ECBO-VMD方法适应度函数,在提高VMD分解方法自适应性的同时实现了对各分解分量规律性的定量判别。采用ECBO-VMD对原始风电功率时间序列进行自适应分解,然后针对各分解分量建立WKELM预测模型并进行重构以得到最终预测结果。实验结果表明,该方法较现有单一及组合预测方法,多步预测精度均取得了大幅度提高,且预测误差分布可控制在较窄的期望预测区间内。     

基于EMD-ARMA的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命难以预测以及预测结果不精确等问题,提出了采用电池循环剩余容量数据作为时间序列样本,基于经验模态分解对各分解出的子序列建立自回归移动平均(ARMA)预测模型,并经过Pearson相关系数验证各子序列的相关性,加权重构后实现电池剩余寿命(RUL)预测。实验采用NASA锂离子电池数据集,用均方根误差(RMSE)和平均绝对误差(MAE)作为评价标准,对所提模型(EMD-ARMA预测模型)、Elman神经网络模型和ARMA模型的预测结果进行对比分析。试验结果表明,在正常工况下,所提的EMD-ARMA预测模型计算的RMSE和MAE的值为三个模型中的最小值,预测误差小于1%;并且预测误差随预测起始点的后移会逐渐减小,证明所提预测算法在长期预测上有较稳定的收敛性,预测精度也有显著提高。     

基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。     

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。     

扬声器音圈温度测量电路设计

传统的扬声器功率试验无法直接获得扬声器音圈温度,无法及时发现扬声器由于音圈温度变化导致的损坏,针对这些问题,设计了一个扬声器功率试验仪的音圈测温电路。音圈测温电路将直接频率合成芯片产生的低频伪直流信号经过滤波后和声卡给出的扬声器测试信号混叠在一起驱动扬声器工作。流过扬声器音圈的电压电流信号经过高精度ADC芯片转换后传给上位机进行计算,得出扬声器的直流阻抗,再根据相应算法分析,进一步得出扬声器温度随时间变化的曲线。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variational mode decomposition, VMD)和门控循环单元(gated recurrent unit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

CNN-GRU 和 SSA-VMD 在扬声器异常声分类中的应用

为了提高扬声器异常声分类的平均准确率,提出用卷积神经网络加门控循环单元(convolutional neural network plus gated recurrent unit, CNN-GRU)和麻雀搜索算法优化变分模态分解(sparrow search algorithm optimization variational modal decomposition, SSA-VMD)模型进行扬声器异常声分类。在特征提取方面,用SSA-VMD模型,确定VMD中二次惩罚因子(α)和模态分解数(k)的最优取值问题,借此提高特征提取精度,减少提取时间,最后再利用VMD提取扬声器响应信号的特征;在分类网络方面,用CNN-GRU网络来进行扬声器异常声分类,以CNN为基础特征提取网络,再用GRU网络进行更深层特征提取,达到提高扬声器平均分类准确率的目标。试验结果表明,经SSA-VMD模型优化参数后,VMD可以更有效提取特征,且分解时间缩短59.8%;CNN-GRU模型具有更高和更稳定的识别率,其平均分类准确率为99.2%。     

基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型

针对风电功率受自然环境变化影响,难以建立精确数学模型对其进行预测的问题,采用一种新型的可变模式分解(variational mode decomposition,VMD)技术,将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性,根据子模式的样本熵(sample entropy,SE)分析其复杂度并重组得到子序列。在此基础上,结合3种不同的机器学习基模型,提出一种基于VMD-SE和基模型的自适应多层级综合预测模型,并采用一种基于混沌萤火虫结合仿真鸡群优化的智能算法,对其权重矩阵进行实时调整。仿真结果表明,基于VMD的组合模型较采用聚类经验模式分解时预测精度明显提高,且所提综合模型的预测精度较组合模型有了进一步的改善。因此,所提综合模型能有效提高短期风电功率多步预测的准确性。     

基于VMD-APSO的风电场混合储能系统容量优化配置北大核心CSCD

针对风电波动性、间歇性和难预测等严重冲击电网安全运行问题,提出一种利用变分模态分解(VMD)和自适应权重粒子群算法(APSO)获得风电场混合储能系统容量优化配置方法。首先,基于典型日风电输出功率,利用低通滤波法得到满足标准的目标并网功率并获得储能系统参考功率。然后,将其通过VMD分解为高、低频功率,由超级电容器和蓄电池承担。最后,考虑储能充放电功率与荷电状态(SOC)等约束,建立以系统年综合成本最小为目标的容量优化配置模型,采用APSO算法求解并分析最优分界点和对应的储能配置方案。算例结果表明所提方法可有效平抑风电波动,降低储能容量,提高系统供电可靠性与经济性。     

基于BP神经网络的交流接触器剩余电寿命预测

交流接触器广泛应用于各种用电控制系统,对其剩余电寿命进行准确预测可以提高用电控制系统运行的可靠性。建立了交流接触器剩余电寿命预测的神经网络模型,并提出网络模型结构参数的确定方法。采用平均影响值(MIV)筛选方法对预测模型输入参量进行筛选,确定了累积燃弧能量和吸合时间为预测模型的主要输入参量,能够反映影响交流接触器电寿命的关键因素。分析了不同神经网络模型下交流接触器电寿命的预测误差,其中自适应遗传算法优化BP神经网络(AGA-BP)模型的预测精度最高。分析了输入参量对神经网络预测结果的影响,对比了输入参量无筛选、因子分析法、MIV筛选下预测的误差,结果表明采用MIV方法筛选出累积燃弧能量和吸合时间进行交流接触器电寿命预测的效果最好。将不同试品的试验数据分别作为训练样本和验证样本进行预测,其最大预测误差在11%以下,因此预测模型满足工程需要。