基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于优化FCM聚类的RELM风速预测

准确的风速预测对大规模风电并网具有重要意义。提出一种基于互信息属性约简优化聚类的正则化极限学习机短期风速预测方法。首先考虑不同属性特征对风速的不同影响,计算风速特征属性序列与风速序列的互信息,并运用最大相关最小冗余算法进行特征选择,然后采用优化的模糊C均值聚类方法对风速样本进行聚类,再对极限学习机进行优化,进而构建风速组合预测模型。最后结合风电场实测数据进行风速预测实验,结果表明该方法具有较高的预测精度。     

基于小波变换和相关向量机的短期风功率预测

采用小波变换(wavelet transform,WT)和相关向量机(relevance vector machine,RVM)结合的方法对风电场发电功率短期预测进行研究。先利用小波变换将信号分解为不同频率的子序列,提取出风速中的低频趋势分量和高频波动分量;再结合风向和温度数据,运用RVM在不同分量上分别进行预测,并通过重构得到功率的预测结果。此方法应用于国内某风电场,仿真结果表明,通过小波分析能够把握风速变换规律,RVM预测法有较强的学习能力,小波—相关向量机法有效提高了预测精度,表明了该方法的可行性。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

基于特征选择谱聚类和优化支持向量机的短期风速预测

提出一种基于随机森林算法、谱聚类算法和支持向量机的短期风速预测方法。首先,利用小波变换对原始风速进行去噪,剔除原始风速中不规则波动信息。然后利用随机森林算法进行特征选择,选择出最优的特征输入。再利用谱聚类算法对特征输入进行聚类分析,得出各个训练样本的聚类标签,提高模型训练样本的有效性;利用支持向量机对各个聚类标签分别进行建模,并使用遗传算法优化支持向量机的参数,提高模型的泛化能力。最后确定预测点的聚类标签,并使用相应标签的预测模型得到最终的预测结果。以某风电场的实际数据研究表明,所提出模型在短期风速预测中具有较高的精度。     

基于Mallat变换的时间序列模型在短期风速预测中的应用

短期风速预测对风电并网发电系统的运行具有重要的意义。为了提高风电场短期风速预测的精度,提出了基于Mallat变换的时间序列模型应用于风电场的短期风速预测。首先利用二进正交Mallat算法将随机非平稳原始风速序列进行多层分解和单层重构,分离出高频信息和低频信息;然后对分离出来的信息进行回归分析,分别建立ARMA-ARIMA模型进行预测;最后将预测结果进行叠加,得到原始序列的预测值。通过实例数据验证分析,结果表明该模型可以有效提高预测的精度,有一定的实用价值。     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。     

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响。考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测。首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量。以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和惩罚因子,确保分解出来各模态分量之间的信息正交性,抑制耦合分量的产生。然后,利用极限学习机对各分量进行预测。针对极限学习机预测不稳定的问题,采用粒子群算法对其初始权值及阈值进行参数优化,对于该模型的输入维数则运用自回归差分移动平均模型的定阶结果进行自适应确定。最后,叠加各分量的预测值作为最终的预测结果。实验结果表明,所提出的组合模型在预测精度上显著优于其他基准模型。     

我国大型电机和水轮机产品技术的发展

建国以来,我国大电机和水轮机行业产品技术发展很快。尤其是近10年来,通过技术引进和与国外合作生产,主要产品的技术经济指标达到了世界先进水平。本文简要地叙述了这一时期本行业取得的巨大成就,包括产品水平、生产能力、试验研究手段及科学研究成果。     

汽轮发电机转子绕组不稳定接地的寻找与消除方法

本文论述了怎样判定汽轮发电机励磁回路接地的区段以及将不稳定接地变成稳定接地和取护环前计算确定接地点具体位置的方法,并均以实例验证。     

绝缘带包扎时张力控制的研究

介绍了大型水轮发电机条式线圈绝缘带包扎过程中,张力控制的要点和方法,并对各种控制方法进行了简要的分析和比较。若把这些方法应用于包带机上,对于提高条式线圈的质量将起到重要作用。     

汽轮发电机组轴系扭转振动的计算

本文以大型汽轮发电机组轴系为基础,利用传递矩阵解析地求解其扭转振动的固有频率和主振型,并根据主振型的正交条件进行坐标变换同时解耦。最后在主坐标下求解轴系在任意扭矩作用下的动力响应。算例和工程实际问题的计算结果与解析解完全一致。     

汽轮发电机定子绕组端部短路事故的分析与防止

文章总结了产生定子端部线棒事故的原因和防止措施。分析指出仅从改进设计与制造质量是不足以防止事故的,氢气湿度与温度、冷却水温度、防止油泄漏等都应加以控制。制造与运行的综合措施是防止事故的方法。     

应用混合离散变量方法实现大型水轮发电机优化设计

本文分析讨论了大型水轮发电机优化设计特点,并对适合于大型水轮发电机优化设计的混合离散变量方法进行了研究,提出了对离散变量的搜索策略。实例计算结果表明,这种方法具有一定的优越性。     

水轮机微机调速器PID调节器的实现及其稳定性分析

本文在介绍水轮机微机调速器PID调节器的几种实现方法的基础上,建立其离散模型,并通过稳定性分析得出调节器的较佳模式。     

用有限元法计算水轮发电机定子铁芯的磁振动

分析了次谐波引起的定子的磁振动,用有限元法计算了定予铁芯的固有频率,并讨论了边界条件对自振特性的影响。     

水轮机效率微机测试装置在龚咀发电厂1号水轮机上的应用

水轮机效率微机测试装置应用于压力—时间法做率定和验收试验,应用于蜗壳压差法做经常性流量和效率测量,效率试验满足IEC规定要求。装置精度0.3%,信息变送、采集、处理流量单项计算误差在±0.5%以内,同工况5次测流T分布95%置信度相对误差±0.34%。     

基于FPGA的高速计数器设计

为了提高工业控制器中高速计数器的计数频率和扩展计数模式,介绍一种利用FPGA,通过VHDL语言设计的高速计数器,有15种工作模式,计数频率可达100kHz以上。同时介绍了高速计数器的设计原理,提供了高速计数器与微处理器的接口实例。