组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解（REMD）将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解（WPD）进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络（LSTM）预测模型,低频子序列建立差分自回归移动平均模型（ARIMA）预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。     

改进关联规则方法在电力设备故障预测中的应用

针对传统电力设备故障预测方法在对关联维特征提取时,存在故障信息冗余、误差较大的缺点,提出基于改进关联规则特征分析方法的电力设备故障预测算法。采用平均互信息方法和虚假最近邻点方法进行电力设备故障信息相空间重构,在高维相空间中,将电力设备的故障信号模拟为一个非线性时间序列波形,构建故障信号关联规则指向性特征约束函数,提取故障信号关联维特征,通过关联规则指导实现故障预测改进。仿真结果表明,该算法在进行电力设备故障预测时,能有效反应电力设备故障信号的关联内部特征信息,实现对电力设备故障类别的诊断,对提高电力设备故障类别诊断的准确率有现实意义。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

虹吸井对尾矿坝地震液化的影响分析

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

小波网络耦合模型在地下水位动态预测中的应用

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

EEMD模糊熵和变量预测模型的转子故障诊断新方法

提出一种基于总体经验模态分解(ensemble empirical mode decomposition,EEMD)模糊熵和变量预测模型的转子故障诊断新方法,并将其应用于某型燃涡发动机转子的非平稳振动信号分析及故障诊断。将基于变量预测模型的模式识别方法引入转子故障模式识别中,利用其较强的非线性问题处理能力,通过变量内部特征值之间的内在关系建立预测模型,并以预测误差平方和最小作为故障模式判别依据。首先利用EEMD将转子振动信号分解成若干个模式分量;然后分别计算各个分量的指标能量,筛选出包含主要故障信息的分量并提取模糊熵组成特征向量;最后采用基于变量预测模型的模式识别方法进行故障识别和分类。对某型燃涡发动机转子正常、不平衡、不对中三种不同状态下的振动信号进行分析,结果表明所提方法能够有效识别转子工作状态。与神经网络、支持向量机算法的对比分析证明,所提方法能更准确、更高效地完成转子故障诊断。     

基于EEMD和卷积神经网络的电站NOx排放预测

精准的NOx排放预测模型能够提高SCR系统的脱硝效率,为此本文分析了一维卷积神经网络在NOx预测领域的应用,并提出了一种结合集成经验模态分解和卷积神经网络的NOx排放预测方法。首先,对原始数据进行预处理,并采用互信息法确定输入变量。然后,采用集成经验模态分解算法对NOx数据进行分解处理,降低NOx数据的预测难度。最后,基于一维卷积神经网络构建各分量的预测模型并进行重构,得到最终的NOx预测结果。基于某电厂的实际运行数据进行实验,实验结果表明,所提出模型预测结果的平均绝对百分比误差为3.34%。一维卷积神经网络的超参数实验说明了Adam优化方法和合适的输入步长有利于模型的训练,但是dropout正则化不利于模型的性能提升     

基于小波分析与神经网络的光伏电站功率预测方法

针对光伏电站输出功率时间序列表征出来的周期性非平稳特性,提出一种基于多尺度小波分解和神经网络相结合的光伏功率预测方法。将光伏电站输出功率时间序列在不同尺度上进行小波分解,得到逼近信号和多层细节信号。利用神经网络逼近非线性函数的能力,选择理论计算太阳辐照强度和气象环境逼近信号作为逼近信号神经网络模型的输入,选择气象环境细节信号作为细节信号神经网络模型的输入。输出结果叠加合成得到原始光伏电站输出功率序列预测值。算例分析表明,该文提出的将光伏电站输出功率时间序列分解为周期性逼近信号和准平稳细节信号,并分别采用神经网络建立预测模型的方法保证算法的收敛性和预测精度。     

基于VMD与GRU的抽水蓄能机组振动趋势预测

鉴于有效预测振动信号可为抽水蓄能机组的性能劣化及故障等预警提供重要依据的问题,提出一种基于变分模态分解(VMD)与门控循环单元神经网络(GRU)的抽水蓄能机组振动信号预测方法。首先,对原始的振动信号进行VMD分解,得到一组相对平稳且频率不同的本征模态函数(IMF),以减少不同频率信息间的相互影响;然后,针对各子序列分别构建GRU时序预测模型,并采用自适应矩估计算法(Adam)对各分量GRU预测模型进行优化;最后叠加各子序列预测结果得到抽蓄机组振动信号的预测值,并构建ANN、GRU、VMD-SVM、VMD-ANN 4种预测模型进行对比。试验结果表明,与所构建的4种预测模型相比,VMD-GRU预测模型在有效性及预测精度等方面效果显著,在实际工程中非常具有应用意义。     

基于SSA-PSO-ANFIS的短期风速预测研究

针对风速具有强非线性的特点,提出一种奇异谱分析和改进粒子群优化自适应模糊推理系统的短期风速预测模型。该方法采用奇异谱分析将原始序列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。为提高预测精度,改用改进粒子群算法对自适应模糊推理系统的隶属度函数进行优化。以河北某风电场实测数据进行仿真并与传统的神经网络对比分析,结果表明将风速重构后分别预测再叠加降低了原始问题的复杂度,同时提高了预测精度,在不同时间间隔的风速序列预测中该模型显著降低了多步实时预测中的误差。