基于 IWOA-SVM 的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将 Tent 混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。     

风速与风电功率波动概率分布建模

风电出力具有随机性与不确定性,研究风速和风电功率的波动特性有利于减小风电并网带给电力系统的冲击。现采用概率统计的方法研究不同时间窗口下风速和功率波动的概率特性,作出不同季节下风速和功率波动量的概率密度直方图,用正态分布、t Location-Scale分布、Logistic分布、stable分布对直方图进行拟合,选取适合的分布对其进行定量描述。结果显示,风速波动概率较符合Logistic分布,但不同季节下最优概率分布拟合模型略有不同;而风电功率波动概率更加符合t Location-Scale分布,且不同季节下最优概率分布拟合模型没有差异。     

基于风电场运行数据的风电功率波动特性研究

随着风电在电网中所占容量的不断增加,风电功率波动对电网的影响愈发严重。湍流风的波动性是风电功率波动的主要来源,然而二者的具体关系尚不明确。为此,基于内蒙古克旗一风电场的实际运行数据,对风电功率波动特性开展了研究。结果证明了大气湍流波动在大、中时间尺度上对风电功率波动起主导作用,只有小时间尺度的功率波动主要受机组运行特性影响。此外,大气湍流的间歇性也会传递至风电功率上,甚至会被风电场进一步放大。     

基于GRU网络的风功率短期预测模型

随着大容量风机并网需求的急速增长,现有电网的安全可靠运行面临着巨大挑战。为解决这个难题,提出一种基于深度学习的风功率预测模型。该模型以GRU网络为核心,将风电场的历史功率数据及功率相关的天气数值数据输入到模型中进行预测。鉴于风功率预测模型输入数据维度高、高波动性等特点,为了让GRU网络模型得到更精准的预测结果,在数据处理阶段引入CNN网络,降低输入数据维度。为了克服训练后的预测模型过拟合,引入了dropout技术。最后,通过实验验证该预测模型在预测速度和精度方面均有良好的表现。     

基于对比学习辅助训练的超短期风功率预测方法

利用深度学习方法提高风功率超短期预测精度能够给电力系统日内机组组合、超短期经济调度、和电力备用安排提供更精确的风功率预测结果,对进一步提高电力系统运行的安全性和经济性具有重要意义。本文针对当前深度学习特征提取模块对时序曲线中的隐式特征和趋势变化的相似性提取不充分的问题,提出一种基于对比学习辅助训练的超短期风功率预测模型,主要包括输入模块、特征提取模块、对比学习辅助模块和回归模块。该模型通过自监督的对比学习算法自主生成正负样本、并以拉开正负样本的映射空间距离为目标来辅助训练特征提取模块的网络参数,使得特征提取模块的映射结果中包含了输入信息相似性的隐式特征,进而减少数据冗余信息、增强样本关联性,最终提高风功率预测精度。实验结果表明,对比学习方法的平均绝对误差比长短期记忆网络和轻量梯度提升机方法分别下降了19.9%和6.5%,有效提高了风功率预测精度。     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和最小二乘支持向量机(LS-SVM)的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型。通过对实际数据的仿真,结果表明,该文所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

基于动态权重的风电功率组合预测方法研究

基于定权重的风电功率单一预测方法,不能够及时调整邻近时间内的预测精准度,造成与实测值误差较大,为此提出基于动态权重的风电功率组合预测方法。通过清洗风电功率预测中的异常数据,确定受波动性影响的风电功率参数值;基于动态权重算法,实现风电功率组合的预测。通过实验对比结果表明,基于动态权重的风电功率组合预测方法,能够有效降低原始风速对风电功率数据波动的影响,误差率相对较低。     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

基于改进CycleGAN的图像风格迁移

图像风格迁移是用风格图像对指定图像的内容进行重映射,利用GAN自动进行图像风格迁移,可减少工作量,且结果丰富。特定情况下GAN方法所用的配对数据集很难获得。为了避免利用传统GAN进行图像风格迁移受到成对数据集的限制,提高风格迁移效率,本文利用改进的循环一致性对抗网络CycleGAN实现图像风格迁移,用密集连接卷积网络DenseNet代替原来网络生成器的深度残差网络ResNet,用同一映射损失和感知损失组成的损失函数度量风格迁移损失。所做改进使网络性能得到了提升,取消了网络对成对样本的限制,提高了风格迁移生成图像的质量。同时进一步提高了稳定性,加快了网络收敛速度。论文所提方法对建筑图像进行了风格迁移,实验结果表明,生成图像的PSNR值平均提高了6.27%,SSIM值均提高了约10%。因此,本文提出的改进的CycleGAN图像风格迁移方法生成的风格图像效果更优。     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于组合数据清洗与NL-ConvLSTM模型的多步风电功率预测

针对风电数据在采集与传输过程中会产生大量缺失值和异常值,采用DBSCAN算法和最优组内差分法(OIV)组合筛删异常值,随机森林(RF)算法填补缺失值,提升数据准确性;并建立基于以ConvLSTM为单元的编码-预测(EF)网络的风电多气象输入多步预测模型,为了更好利用气象特征信息,在ConvLSTM模型的输入侧添加具有自注意力机制的非局部(NL)模块增强数据特征表现,从而搭建组合数据清洗方法的NL-ConvLSTM多步风电功率预测模型。实验结果表明,该方法能够进一步提高风电功率多步预测精度和稳定性。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

基于ALSTM的光伏出力短期预测研究

光伏出力的短期预测有利于电网的调度管理,能提高电力系统的运行效率、经济性和稳定性。结合长短期记忆网络(LSTM)在处理时序数据以及注意力机制(Attention)专注输入数据关键本质特征的优势,构建了注意力机制-长短期记忆网络(ALSTM)。基于互信息熵(MIE)方法分析各气象因素与光伏出力关系的重要性,依此构建光伏出力特征输入,并将特征输入时序数据送入ALSTM进行训练。以昆士兰大学中心光伏出力数据为基础,通过与Bi LSTM以及CNN在晴天、阴雨天以及天气剧烈波动日3种情况的对比验证,所提方法预测更准确,鲁棒性更强。     

基于神经网络的电功率自适应测量方法

详细介绍基于神经网络的电功率自适应测量方法,给出系统原理图及电功率测量误差自动校正方法;介绍一种LEA判别法的梯度牛顿有效结合神经网络学习方法;采用DSP技术实现电功率实时快速测量,给出实验结果。     

基于 IDRSN-BiLSTM 的铣削加工表面粗糙度预测方法

针对传统的表面粗糙度预测方法过度依赖人工提取特征以及预测精度较低的问题,提出一种基于 Inception 模块改进 的深度残差收缩网络( IDRSN) 和双向长短时记忆网络(BiLSTM) 的表面粗糙度预测方法。 首先,利用深度残差收缩网络 (DRSN)中软阈值化结构和注意力机制对输入信号进行降噪处理。 其次,引入 Inception 模块构建 IDRSN 以提升网络的多尺度 信息获取能力,实现自适应多尺度特征提取。 然后,引入反向长短期记忆(LSTM)构建 BiLSTM 预测网络,利用正反两个 LSTM 提高网络捕捉历史和未来完整信息的能力。 最后,进行实验验证,分别对比 IDRSN、DRSN、BiLSTM 和人工提取特征 4 种方法的 提取特征效果,以及 BiLSTM、卷积神经网络(CNN)、DRSN 和 CNN-LSTM 4 种表面粗糙度预测模型的预测精度。 结果表明所提 方法具有较高的预测精度,为铣削加工表面粗糙度预测奠定了方法基础。     

基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.