基于SVR增量学习算法的变桨距风力机系统在线辨识

针对变桨距风力机模型非线性很强的特点,采用支持向量回归(SVR)算法进行辨识,数据由BLADED仿真软件提供,经训练检测的结果表明,SVR算法在变桨距风力机非线性模型辨识上具有很高的准确性。考虑到风力机现场工作过程中会出现模型变化,利用增量学习算法实现在线辨识。由于在线SVR辨识计算时间太长,通过改进的序列最小优化(SMO)算法代替原来的凸二次规划(QP)算法。同时提出满足度系数,排除系统无效的突变点,使在线辨识具有鲁棒性,并通过双支持向量机(SVM)算法实现在线辨识的记忆功能,最终辨识结果不仅有很强的精度,而且大大减小了计算时间。     

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。     

基于改进RBF碟式太阳集热器出口气流温度预测

为了改善传统的数学建模预测集热器出口气流温度较为复杂的问题,采用RBF(径向基函数)神经网络建立温度预测模型。考虑到碟式太阳集热器出口气流温度影响因素较多,在大量历史实验数据基础上,分析其主要影响因素。为提高预测精度,提出一种自适应聚类算法对RBF神经网络进行改进,并利用Kennard-Stone选取方法(简称K-S法)的空间均匀分布原理提高训练样本质量。根据碟式太阳能光热系统的实测数据对所提的模型进行测试,结果表明,改进算法可进一步提高预测精度和效率,验证了改进算法的可行性和有效性。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于改进和声搜索算法的主蒸汽温度现场数据辨识

针对主蒸汽温度系统现场数据的模型辨识问题,提出了结合粒子群优化算法的改进和声搜索算法.采用经验模态分解法对带噪声污染的现场数据进行滤波处理,采用离散相似法进行模型辨识的计算机仿真实现和数值计算.应用该改进算法对循环流化床主蒸汽温度系统模型进行了现场数据辨识.结果表明:所辨识的模型具有较高的精度,能够反映实际主蒸汽温度系统的动静态特性;改进和声搜索算法比粒子群优化算法具有更好的稳定性和全局寻优能力,以及更快的收敛速度.     

计及光伏功率预测的配电网潮流计算

采用改进BP神经网络算法对光伏系统进行短期功率预测并计算其在配电网中的潮流问题,采用改进前推回代算法进行潮流计算,通过求解节点—分层矩阵来对系统分层,进而对每层节点进行前推回代计算系统有功网损。最后,利用改进BP神经网络算法对某日光伏系统进行功率预测,并采用改进前推回代算法计算33节点系统的潮流,算例分析验证了所提改进算法的准确性与预测模型的有效性与实用性。     

基于分解去噪和LSSVM的短期风速预测

随着风能在电力系统运行中的重要性不断加强,准确可靠的风速预测可以有效提高电网运行的稳定性,提高电网经济效益。提出了一种分解去噪、智能算法优化LSSVM的短期风速混合预测模型,首先对初始风速数据进行变分模态分解(VMD),然后利用样本熵(SE)评估各子序列的复杂程度,采用奇异谱分析(SSA)对最无序子序列进行降噪处理;一种改进的灰狼优化算法(IGWO)优化LSSVM的关键参数,提升了预测精度;最后将所有子序列的预测值叠加得到最终预测结果,以华中某风电场实际运行数据进行算例分析,结果表明该模型性能优于其他比较模型,在风速预测的实际应用中具有很大潜力。     

混合算法优化投影寻踪模型的需水量预测研究

针对传统遗传算法(GA)和粒子群算法(PSO)在优化计算过程中存在的优缺点,研究了二者结合的混合算法(GA-PSO),用其优化基于Hermite多项式的投影寻踪回归模型,解决了模型中最佳投影方向的优化计算问题,并运用该模型进行需水量预测.实例研究表明,基于混合算法优化的投影寻踪回归模型可靠,且预测精度较高,能有效地解决需水预测中存在的数据非线性、高维数等实际难点,在需水预测中有一定的适用性.     

基于VMD-LSTM-MLR的短期电力负荷预测

针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用MLR对低频部分进行预测,最后将LSTM与MLR得到的预测结果进行叠加,获得完整的预测结果。使用VMD-LSTM-MLR预测方法对江苏省某市电力负荷数据进行预测,验证了VMD-LSTM-MLR在预测电力负荷数据上有较高的精度,其平均绝对百分比误差M_(APE)、均方根误差R_(MSE)均低于目前比较典型的改进算法,以及所列举的4种组合算法。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

距离度量学习法在水库静库容调洪演算中的应用

静库容法和动库容法是水库调洪演算最常用的方法,与动库容法相比静库容法简单快速,所需资料较少,在水库蓄水期和消落期可直接用于水库调洪。但由于未考虑入库向出库转换的时间延迟,在汛期易造成较大的库水位计算误差。对此,设计了距离度量学习算法,对当前的预报样本,先使用静库容法计算库水位;然后根据学习的距离度量,从历史样本中寻找若干个与当前水情相似的样本,用这些相似样本的库水位计算误差的线性组合对当前样本的计算库水位进行修正,改善其精度。以三峡水库2009～2017年的数据作为训练集,以2018年的数据作为测试集,试验结果表明距离度量学习算法能够显著改善汛期库水位的计算精度。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

A novel method based on Weibull distribution for short-term wind speed prediction

Wind speed prediction (WSP) is essential in order to predict and analyze efficiency and performance of wind-based electricity generation systems. More accurate WSP may provide better opportunities to design and build more efficient and robust wind energy systems. Precious short-term prediction is difficult to achieve; therefore several methods have been developed so far. We notice that the statistics of the alterations, which occur between sequential values of the predicted wind speed data, may differ significantly from observed wind statistics. In this study, we investigate these alterations and compare them and, accordingly, propose a novel method based on Weibull and Gaussian probability distribution functions (PDF) for short-term WSP. The proposed method stands on an algorithm, which examines comparison of the statistical features of the observed and generated wind speed in order to achieve more accurate estimation. We have examined this method on the wind speed data set observed and recorded in Ankara in 2013 and in 2014. The obtained results show that the new algorithm provides better wind speed prediction with an enhanced wind speed model.     

基于改进鱼群优化支持向量机的变压器绕组热点温度预测

为了克服传统人工鱼群算法存在的速度慢、易陷入局部最优等缺点,引入了可变视野、变化步长、禁忌表及清除机制改进人工鱼群算法,通过改进人工鱼群算法对支持向量机模型中的惩罚变量C和RBF核参数G进行了优化。根据某市110kV变压器绕组热点温度实际运行数据,选取关联变量,确定训练集和测试集,建立了基于改进人工鱼群优化SVM的变压器绕组热点温度预测模型,通过与其他方法进行对比,验证了该预测模型具有更优的预测能力,预测效果较理想。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。     

基于高斯过程回归和粒子滤波的短期风速预测

建立高斯过程回归和粒子滤波相结合的短期风速预测模型,实现对历史风速序列异常值的在线动态检测与修正。首先,在训练样本集中通过高斯过程回归建立状态空间方程,采用粒子滤波算法对当前量测值进行状态估计,对估计值和量测值的残差进行分析,并根据"3σ"原则判断异常值。其次,修正异常值,并对修正后的风速序列重新建立高斯过程回归预测模型。在进行提前15分钟风速预测时,同样采用粒子滤波算法对最新量测值进行状态估计,实现了异常值在线检测并修正。算例分析结果表明,粒子滤波算法能够有效检测出异常风速值,降低了风速预测误差,提前15分钟风速预测时平均绝对百分比误差和均方根误差分别降至8.92%和0.5826 m/s。     

基于扩压因子流型的压气机快速性能预测算法

为快速、准确地获得压气机性能参数、完成压气机性能预测,实现压气机优化设计,基于流线曲率法,将扩压因子作为控制方程、损失模型、熵增修正模型及落后角模型中的关键参数,建立轴流压气机性能快速预测算法。利用该算法对某跨音速轴流压气机性能参数进行计算,并将计算结果与主流商业软件计算结果及试验数据进行对比。通过对比发现：该算法计算效率高,能够快速且较为准确地完成压气机整体性能和沿叶高方向流场参数的预测;计算范围广,在不同转速、不同流量等非设计工况下算法预测结果均与试验及数值模拟数据接近;所选取与完善的经验公式合理可靠,能够较好地描述压气机内部流动。