基于BP神经网络和多因素权重法的风电机组载荷预测和分析

基于BP神经网络,建立了风电机组关键部位载荷的快速准确预测方法。以风电机组关键参数风速、空气密度、湍流强度、入流角、风切变、偏航误差角等为自变量,以机组关键部位载荷作为输出变量,建立用于快速预测机组关键部位载荷的BP神经网络模型;然后基于多因素权重法对风电机组不同参数的影响权重进行分析,获得影响风电机组载荷的关键变量。结果显示:基于叶素-动量理论模型计算得到不同风况下风电机组关键部位载荷,然后设置合理的神经网络结构以及合适的神经网络参数,可以实现对不同风况下风电机组关键部位载荷的预测;对于叶根和塔底的平均载荷和极限载荷4个不同的变量,风速、空气密度、湍流强度、入流角、风切变、偏航误差角等参数影响的权重各不相同。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

基于粗糙集-BP算法的配电网故障诊断

将粗糙集理论与BP神经网络相结合,以粗糙集中的信息系统决策表为主要工具,通过基于遗传算法的粗糙集属性约简算法对配电网中的原始数据进行约简,然后利用BP网络对最简规则集进行学习训练,最后用改进的粒子群算法对BP网络的权值和阈值进行优化,形成改进粒子群优化粗糙集-神经网络的模型结构。诊断结果表明:通过粗糙集属性约简,删除了大量不必要的冗余数据,提高了诊断速度和准确度。同时,针对配电网发生故障时存在误动、拒动等情况,该算法具有较高的泛化能力和较好的容错性。     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析。针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的。     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析.针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的.     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。     

基于深度全连接神经网络的风机叶片结冰预测方法

我国北方地区风电机组叶片结冰问题,对机组正常安全运行会产生严重影响。为对风电机组叶片结冰状态进行有效预测,基于风场大数据,提出一种使用深度学习算法进行优化的深度全连接神经网络的风电机组叶片结冰预测算法。将处理后的数据集对深度全连接神经网络模型进行训练、测试、评价,最后将所得评价结果并与最近邻法(KNN)、支持向量机(SVM)、未使用深度学习优化算法的BP神经网络的预测结果进行对比。结果表明,所提出的基于深度全连接网络的风电机组叶片结冰预测算法,求取精度较高,计算量少,可以对风电机组叶片结冰预测问题进行快速有效判断。     

风电机组故障知识的获取表达与推理框架

针对目前风电机组故障种类多、故障知识关联关系复杂、知识表达差异化大、知识推理效率低等问题，提出了风电机组故障知识的获取表达与推理框架。首先，通过基于故障树分析方法的故障模式及影响分析方法，全面获取并梳理出风电机组故障排查与检修维护的专家知识；然后，借助本体理论将非结构化的专家知识进行结构化表达，形成知识图谱，将知识可视化展示；同时，结合本体自定义规则以及因果推理模型实现故障原因的查询推理，提高了知识查询与推理的效率；最后，通过具体的机组故障案例说明了本方法的实用性。研究结果可为风电场运维检修工作的智能化发展提供方向。     

基于概率神经网络的集控式风电场风险评估

目前对风电机组的风险评估方法多以对某关键部件的风险评估情况来分析风电机组的整体运行情况,由于各关键部件具有较强的耦合作用,需要综合考虑各部件对风电机组的影响情况。为了更好地对风电机组进行维护检修,文中以风电机组的历史运行数据为基础,对其进行风险状态评估,通过风电场集控中心及其数据模型的建设,对风电机组的运行数据进行采集,提取出反映风电机组关键部件运行状态的特征量,使用发电机组理论风速功率曲线与实际输出功率的缺额来描述其运行状态。以关键部件的特征量为输入,风电机组的风险程度为输出,建立概率神经网络模型,通过实例仿真可以看到模型的预测分类效果较好,应用该方法对风电机组的风险状态能进行较好的评估,并为运维检修提供参考。     

基于粗糙集的模糊神经网络控制器的研究

针对现代工业过程的不断复杂化和其中非线性、不确定性因素的增加,给出了一种基于粗糙集的模糊神经网络控制器的设计方法,该方法将粗糙集理论与模糊神经网络结合起来,利用粗糙集从观测的输入输出数据中提取规则,并寻求最小规则集,解决了模糊神经网络"规则爆炸"问题。通过在MATLAB平台上进行仿真,结果表明该方法具有良好的控制能力,对于突加干扰具有良好自适应能力。     

基于多层神经网络的直驱风机低穿控制参数辨识

随着风电机组的广泛接入,其低电压穿越期间的响应特性对电网安全稳定运行的影响越来越显著。风电机组的低穿特性由其低穿控制参数决定,因此提出了一种适用于直驱风电机组的多层神经网络低穿控制参数辨识方法。首先,基于经典的M-P神经元模型和Sigmoid激活函数,结合直驱风机低穿控制一般模型,构建多层神经网络;然后,根据实际运行的直驱风机低穿试验数据和对应的低穿控制参数,构造多层神经网络的训练数据集,用标准BP算法训练得到多层神经网络模型;最后,通过对比某型号直驱风电机组的辨识结果曲线和低穿实测曲线,验证了所提多层神经网络低穿控制参数辨识方法的有效性。     

基于DGA的粗糙集与决策信息融合变压器故障诊断

针对变压器故障特征信息不确定性、冗余性及传统故障诊断手段的单一性问题,本文构建了一种粗糙集与多决策信息融合的变压器故障诊断模型。该方法首先考虑将16种特征气体比值作为故障特征参量,并利用离散化规则与粗糙集知识约简对其进行知识提取,以有效降低特征信息冗余度。其次,将降维后属性集作为BP神经网络、支持向量机以及贝叶斯网络3种单一诊断方法的特征输入,进行故障类型初步判定。最后,利用DS信息融合规则对3种初步判定结果进行决策融合,以获得更为高效的故障判断结论。实例分析表明,该方法有效削弱了冗余特征信息对诊断结果的影响,能够合理解决证据融合冲突,并切实提高了故障识别准确率,其性能明显优于单一诊断方法。     

粗糙模糊神经网络在变压器诊断中的应用

针对变压器故障的复杂性、模糊性以及模糊集理论、神经网络和粗糙集理论的优缺点,利用粗糙集理论的属性约简和规则生成能力和模糊神经网络在模式识别方面具有容错和分类优势。采用粗集理论对采集到的变压器油中溶解气体数据形成的规则进行约简处理,建立精简的规则集,根据规则集建变压器故障诊断的神经网络模型,采用自适应遗传算法优化神经网络连接的权值,通过仿真验证了该网络较好的诊断性能。     

基于粗糙集理论建立短期电力负荷神经网络预测模型

选择模型输入变量和网络结构是采用神经网络建立负荷预测模型的关键步骤，该文提出了一种基于粗糙集理论的解决方法。此方法采用粗糙集理论对各种影响负荷预测的因素变量进行识别，以此确定预测模型的输入变量；在此基础上通过属性约简和属性值约简获得推理规则集，再以这些推理规则构筑神经网络预测模型，并采用加动量项的BP学习算法对网络进行优化。此方法能遵循一定的理论原则建立负荷预测模型以避免盲目性。最后通过实例计算证明此方法是可行和有效的。     

基于输出功率特性的风电机组状态监测

基于SCADA系统中风速、变桨角度、风向角与机舱角偏差、发电机输出有功功率等运行数据,采用改进BP神经网络建立风电机组输出有功功率模型,根据发电机输出功率特性对风电机组进行状态监测。风电机组正常运行时,改进BP神经网络模型的预测输出功率与正常的功率输出之间的残差较小;当模型的预测输出功率与正常的功率输出之间的残差超出残差阈值时,则认为风电机组出现了故障。本文对某风电场真实桨叶断裂故障进行了仿真验证。     

基于粗糙集和决策树的自适应神经网络短期负荷预测方法

利用数据挖掘中的聚类技术将历史负荷数据进行聚类,根据聚类后的分类信息对定性属性利用粗糙集进行属性约简,由约简结果进一步生成决策规则树供短期预测使用.根据聚类的结果对每类进行BP神经网络的训练,神经网络的隐含层单元采取逐步试用的方法根据训练误差最小化进行选择.在实际预测中,首先对待预测的记录利用决策规则树进行归类,然后选取相应类别的神经网络予以预测.通过实例证明,该方法的平均相对误差为2.16%,而同结构BP神经网络预测的平均相对误差为2.67%,ARMA预测的平均相对误差为3.81%,证明所提方法有效.     

考虑暂态波形特征的风电机组高电压脱网智能故障溯源方法

大规模风电机组高电压脱网会对电力系统的电能质量和安全稳定运行产生影响。提出了一种风电机组高电压脱网故障溯源方法,后续可配合保护设备以快速切除故障,减少风电机组高电压脱网对系统产生的影响。首先基于风电机组高电压脱网时输出波形进行特征分析,构造了风电机组高电压脱网故障特征指标体系;然后采用Gini指数-最大相关最小冗余法对原始指标体系进行筛选,降低了原始指标体系的冗余度;最后采用遗传算法-蚁群优化算法-粒子群优化算法对BP神经网络的权重、偏差初值进行优化,从而保证BP神经网络的溯源准确率。在西北电网中进行了算例分析,验证了所提方法的有效性。与传统机器学习方法相比,所提方法具有更好的故障溯源性能。     

基于粗糙集-神经网络系统的电力电子电路故障诊断

基于粗糙集理论RST(Rough Set Theory)与BP神经网络系统,提出了电力电子电路故障诊断的方法：粗糙集-神经网络系统相结合的方法。叙述了粗糙集-神经网络系统诊断电力电子电路的过程。以三相可控整流电路为例,对故障信息中样本的故障征兆进行数据预处理,通过知识约简,形成诊断的确定性规则,实现故障分类;然后将粗糙集的分类结果与故障信息中的输出电压Ud采样值作为神经网络的输入,实现故障元的定位。仿真实例表明,该方法不仅准确可靠,而且提高了系统诊断的速度。     

基于线性组合的风电机组风速软测量方法

针对风电机组来流风速不易直接测量的现状,文章提出了基于BP神经网络与最小二乘支持向量机线性组合的风电机组风速软测量方法。首先,分析影响风电机组来流风速的各种因素,寻找与其有关联的直接或间接可测变量;其次,对传统的BP神经网络和最小二乘支持向量机风速软测量模型做一些改进,主要是增加输入变量维数;然后根据均方误差最小原则,合理分配权重,建立基于BP神经网络与最小二乘支持向量机的线性组合模型。最后通过现场实测来流风速对组合风速软测量模型的有效性和准确性进行验证,并与传统的BP神经网络和最小二乘支持向量机风速软测量模型输出结果对比分析,得到提出模型具有更高的测量精度。     

专家系统与BP神经网络相结合的短期负荷预测

研究了专家系统结合神经网络BP算法在短期电力负荷预测中的应用.对神经网络BP算法进行改进,使用BP算法对咸阳电网实际负荷数据进行预测,并将预测值与实际负荷值进行比较,总结其长期的发展变化规律.同时汲取有关专家学者和专业预测人员的经验知识,形成一系列的规则集,从而模拟人类专家的决策过程进行推理和判断,形成一个专家系统,以此来改进采用单一BP算法进行预测的种种不足.结果表明,经验知识越成熟,推理规则越完备,对提高预测精度越有利,对神经网络BP算法的预测值进一步修正的可能性越大.