基于分形理论的短期电力负荷预测*

电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。具有精确的预测方法可以保证能源的节约,避免资源的浪费。同时也可以缓解电能短缺所造成的重大影响。论文为了实现更好的电力负荷预测方法,研究了分形理论在电力负荷上的应用。将分形拼贴定理和分形插值法应用到电力负荷预测之中。提出了分形理论电力负荷预测模型,得到了分形插值预测模型。为了证明分形插值法的有效性,论文将分形预测模型与传统的BP神经网络电力负荷预测模型相比较。最后通过仿真算例说明了论文提出的分形插值预测模型预测精度更高,预测相对误差较小。并且分形理论可以很好地应用在电力系统负荷预测中,预测效果要好于BP神经网络预测模型。     

基于EMD-BP神经网络的短期电力负荷预测

针对电力负荷具有的非平稳、随机性、不确定性的特点,提出用EMD-BP神经网络方法对电力负荷进行预测,通过EMD方法将非平稳、随机的电力负荷数据转换成平稳、确定性数据,之后利用BP神经网络进行电力负荷预测。通过仿真试验可以看出,相比于直接使用BP神经网络进行预测,EMD-BP神经网络的预测精度更高、相对误差较小。     

基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

基于形态滤波和EMD-AR谱的轴承故障特征提取

将AR谱估计与EMD方法结合,应用组合形态滤波对故障信号进行降噪预处理,对预处理后的信号进行EMD分解,之后对各阶IMF做AR谱估计并集总平均,从而提取振动信号的故障特征频率。文中所述算法能够避免HHT方法中Hilbert变换所产生的难以解释的负频率,较准确地提取出滚动轴承振动信号的故障特征频率,从而为滚动轴承振动信号的检测与故障诊断研究提供参考意见。