首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   7篇
  完全免费   1篇
  电工技术   8篇
  2017年   1篇
  2016年   1篇
  2015年   2篇
  2014年   2篇
  2013年   1篇
  2012年   1篇
排序方式: 共有8条查询结果,搜索用时 31 毫秒
1
1.
基于OS-ELM和Bootstrap方法的超短期风电功率预测   总被引:1,自引:1,他引:0       下载免费PDF全文
提出了一种基于在线序贯极限学习机(OS-ELM)的超短期风电功率预测方法。利用OSELM学习速度快、泛化能力强的优点,将批处理和逐次迭代相结合,不断更新训练数据和网络结构,实现了对数值天气预报风速的快速实时修正和风电机组输出功率的快速预测。随后,采用计算机自助(Bootstrap)法构造伪样本,给出了预测功率的置信区间评估。实例和研究结果表明,该预测方法与反向传播(BP)网络、支持向量机(SVM)方法相比,在计算时间上更能满足在线应用需求,而且预测精度相当,有较好的应用前景。  相似文献
2.
较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证.由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战.提出一种基于谱聚类和极端学习机的超短期风速预测方法.该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果.以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效.  相似文献
3.
针对复杂环境下输电线路山火的影响因素,提出了基于经验模态分解(empirical mode decomposition,EMD)与极端学习机(extreme learning machine,ELM)的输电线路山火预测模型.首先利用小波去噪对采集的风速时间序列进行噪声分析,根据序列的不同进行归类重构,产生新的风速时间序列;然后利用经验模态分解将输电线路山火成因分解为一系列具有不同特征尺度的子序列;接着利用交叉验证法和重构相空间法确定学习机的各种参数和输入维数;再利用极端学习机输电线路山火进行建模预测分析.仿真结果表明基于经验模态分解与极端学习机的输电线路山火组合预测模型可以有效预测24h之内的山火蔓延速度,为实现输电线路山火在线较高精度的预测提供了可能.  相似文献
4.
常规永磁操动机构的动作时间补偿的预测是采用加权平均值算法、多元线性回归法和人工神经网络算法(ANN)等对动触头的分/合闸时间进行估计和预测,但是加权平均系数的计算和线性回归系数的求解比较繁琐,而ANN网络具有训练速度慢、容易陷入局部极小点、学习率的选择难以确定等诸多缺点。研究了采用极限学习机(ELM)算法和BP神经网络算法,利用Matlab软件对永磁机构动作时间进行预测,通过对比分析,得到性能较好的算法。  相似文献
5.
为了解决传统电网谐波检测法的实时性和精确度问题,提出一种基于极端学习机(ELM)单隐层前馈神经网络(SLFN)的谐波检测法。该方法把ELM用于SLFN,将傅里叶变换系数选作ELM模型的检测参数,用广义逆矩阵计算输出层权值的最小二乘解,以获得该模型的最优输出向量,从而改善各次谐波电流的检测性能。运用MATLAB仿真软件进行了仿真实验。结果表明:与基于BP算法的SLFN谐波检测法相比,所提出ELM算法的SLFN谐波检测法达到稳定检测的时间缩短,且检测误差的精度有所提高,达到了有效提升谐波检测实时性和精确度的目的。  相似文献
6.
针对冰风暴灾害下输电线路运行故障问题,提出了基于极端学习机和Copula函数的断线倒塔概率预测模型。该模型运用广义极值分布刻画冰风暴灾害下冻雨量、风速、输电线和铁塔冰、风荷载的随机特性,并通过ELM网络预测出实时变化的GEV分布的形状参数、尺度参数和位置参数。随后考虑冰、风荷载之间的概率相关性,借助Clayton-Copula建立冰、风荷载的联合概率分布,从而实现输电线和铁塔的实时故障概率预测。结合湖南郴州电网的历史数据展开算例分析,验证了该预测方法的有效性和准确性。  相似文献
7.
针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法.强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题.强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波.该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别.为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法.仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性.与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用.  相似文献
8.
针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出采用因子分析优化的小波包能量谱和极限学习机的模拟电路故障诊断的方法.该方法首先对采集到的模拟故障数据进行小波包分解并提取不同频带的能量谱,然后利用因子分析对能量谱进行降维以提取故障特征,最后将提取的故障特征输入极限学习机进行故障诊断.仿真结果表明,该方法具有良好的区分能力,提高了故障诊断的效果.  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号