基于改进型正则化MLS的风概率分布三维数值拟合方法

针对移动最小二乘法（MLS）存在的过拟合问题,以及传统正则化方法普遍采用单一的正则项系数,没有充分考虑不同阶次MLS基函数对过拟合产生不同程度的影响,文章提出了一种改进型正则化MLS方法,对不同阶次项采用了不同的正则项系数。将该方法应用于风电场风速风向概率分布的三维曲面拟合。该方法有效克服了传统MLS方法的过拟合问题;拟合后,所显示的风概率分布规律性得到增强;对3个不同区域风分布的拟合结果表明该方法具有较强的通用性。     

基于优化聚类的组合风速短期预测

准确的风功率预测对电力系统安全、稳定运行具有重要意义,而风速预测是风功率预测的关键。文章提出一种基于优化模糊C均值(Optimal Fuzzy C means,OFCM)聚类的组合风速短期预测方法。首先,采用模拟退火遗传算法优化模糊C均值聚类算法的初始聚类中心;其次,基于优化模糊C均值聚类算法将初始风速属性样本数据进行分组;再根据不同风速样本组,运用极限学习机(Extremely Learning Machine,ELM)构建组合风速预测模型;最后,通过风速实测值与预测值的对比,验证了该方法的可行性。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于径向基神经网络的变压器故障诊断方法研究

为解决变压器故障诊断难以智能判别问题,提出了一种基于径向基神经网络的变压器故障诊断方法。该方法采用气相色谱检测法,选用高斯函数作为径向基函数,并运用K-means聚类方法求解隐含层节点数据中心初始值,运用伪逆法求解隐含层到输出层权值初始值,运用最小均方误差方法随迭代计算不断自适应更新各个基函数的数据中心及方差、隐含层到输出层权值。仿真结果表明,该方法变压器平均故障诊断准确率为95.6%,并具有较强的容错能力,满足变压器故障诊断要求。     

基于FCM-等值风速模型的风功率日前预测

由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法（fuzzy c-means,FCM）的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明：所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。     

基于局部加权线性回归模型的风速短期预测研究

为提高风速预测的准确性,引入局部加权线性回归算法,建立风速局部加权线性回归预测模型。该模型首先通过核函数对每一历史风速设置权重,产生新的风速数据集。其次,对新的数据集进行最小二乘线性拟合回归,建立风速局部加权线性回归模型。最后,根据该模型对风速进行短期预测。以某风电场的实测数据进行仿真验证,并与传统的ARIMA模型和BP神经网络预测模型对比,实验结果表明本文所提方法的有效性,为风速预测提供一种新方法。     

模糊树鲁棒回归算法的研究及其应用

针对实际工程中噪声难以避免和预测的问题,提出了鲁棒性较强的加权模糊树(W-FT)算法,采用基于局部异常因子(LOF)的加权最小二乘法代替最小二乘法学习模糊规则的后件参数,通过2个典型的非线性例子验证了该算法的有效性.应用W-FT算法建立了电站锅炉NOx排放特性模型,并与其他建模方法所建模型进行了对比.结果表明:所提出的W-FT算法能够有效地辨识噪声和异常值,具有较强的鲁棒性,所建立的模型预测精度较高,泛化能力较强.     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

一种新型模块化风速预测方法

针对风电场风速随机性强、波动性明显以及预测难度高等问题,提出一种新型模块化风速预测的方法。该方法主要包含3个模块:风速属性加权模块、智能优化聚类模块及极限学习机风速预测模块。首先考虑不同气象属性对风速的影响和风速的时间波动特性,计算风速属性矩阵元素的皮尔逊系数值并进行加权;然后采用遗传-模拟退火算法优化模糊c均值聚类方法,对加权风速属性矩阵矢量进行聚类;再通过极限学习机构建各类别的风速预测模型,进行短期风速预测。最后结合美国一风电场(N39.91°,W105.29°)的实测数据对风速进行预测,通过对比仿真结果与实测数据验证该文方法的正确性和有效性,结果表明该方法具有较高的预测精度。     

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。     

基于ACC-RBF的水布垭面板堆石坝参数反演分析

蚁群聚类径向基函数(ACC-RBF)神经网络是将蚁群聚类算法和径向基函数神经网络组合运用的一种新型神经网络模型,把该网络用于水布垭高面板坝堆石体的多参数反演问题,在室内试验参数的基础上用有限元计算获得学习样本,采用该网络对坝体堆石料的邓肯E-B模型参数进行反演分析,用反演所得参数结合三维非线性有限元计算坝体应力变形,并...     

基于特征选择的RELM风速短期预测

准确的风速预测是风电场功率预测的基础,对大规模风电并网具有重要的价值。文章提出一种基于信息增益(IG)的正则化极限学习机(RELM)短期风速预测方法。首先采用信息增益对32维风速属性序列进行特征选择,并对其进行加权;然后将正则化系数引入极限学习机(ELM)网络,构建RELM风速预测模型;最后结合美国风能技术中心的实测数据进行仿真,与传统ELM网络、BP神经网络相比,该方法具有较高的准确性和预测精度。     

基于在线聚类算法的发动机空燃比自适应模糊模型

为了描述煤层气发动机强烈的非线性和解决动态工况下空燃比控制的延迟问题,采用在线聚类算法建立了排气空燃比自适应模糊模型。通过在线聚类算法更新T-S模糊模型结构,基于递推加权最小二乘（WRLS）算法辨识结论参数,结合加权平均算法预测空燃比。动态工况下的实验验证表明,空燃比自适应模糊模型能够补偿延迟,精确捕获空燃比的瞬态偏移。     

考虑决策者偏好的洪灾评估自适应模糊聚类迭代模型及应用

针对洪灾评估的各种决策者偏好和模型方法复杂度,以模糊聚类迭代模型(FCI)和教学优化算法(TLBO)为基础,综合考虑洪灾评估过程中的决策者主观偏好,建立了基于教学优化算法的洪灾评估自适应模糊聚类迭代模型(AFCI-TLBO),并将该方法应用于四川省洪灾评估中。结果表明,AFCI-TLBO的聚类效果有效性更好,评价结果更为可信。     

基于蚁群优化的最小二乘支持向量机风速预测模型研究

基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。     

基于自适应滤波器和径向基函数网络的内燃机气缸压力识别

利用鲁棒的递推最小二乘自适应滤波，对非平稳时变性质的柴油机振动信号进行了降噪处理，然后设置软阈值，即将门限以下的信号设置为零，避免了长数据序列的累计误差；进一步去除信号的背景噪声，提高信噪比；最后，利用径向基函数网络强大的函数逼近功能，识别内燃机气缸压力。通过实验表明了该方法的有效性和鲁棒性。     

基于混沌RBF神经网络的汽油机瞬态工况油膜参数辨识研究

提出了基于混沌径向基(RBF)神经网络的汽油机瞬态工况油膜参数辨识方法。利用混沌优化算法确定隐含层高斯函数径向基中心和输出层连接权值,使其达到全局最优,有效地提高RBF神经网络的收敛速度;同时,利用混沌算法训练RBF神经网络,使目标函数取全局最小值或逼近全局最小值,有效地提高辨识模型的辨识精度,并与BP神经网络模型及最小二乘法辨识进行了分析和比较。仿真结果表明:混沌RBF神经网络模型收敛速度快,具有更强的非线性辨识能力,能够有效地提高油膜动态参数的辨识精度,进而得出不同工况下的油膜参数动态特征。     

基于自适应竞争聚类的多输人多输出热工过程模糊辨识

针对多输入多输出（MIM0）热工过程的非线性、强耦合、变工况及参数时变等特点,提出了一种基于系统输入输出数据和模糊自适应竞争聚类的模型辨识新方法．该方法首先依据系统的各个典型运行工况,使用模糊自适应竞争聚类对输入输出数据进行聚类划分,并对T—S模糊模型进行结构辨识,以确定系统的模型结构和参数;然后采用最小二乘递推算法对模型后件参数进行辨识,同时对结构辨识参数进行精确修正．将所提出的模型辨识方法用于锅炉一汽轮机非线性系统的模型辨识,仿真结果验证了该方法的有效性．     

基于模糊信息粒化的电力系统中光伏出力预测模型分析

针对传统点预测模型出现的不稳定性问题,提出基于模糊信息粒化的电力系统中光伏出力预测模型。首先运用W. Pedrycz的模糊粒化方法,确定其基本思想,并对数据预测的序列进行模糊信息粒化处理;其次采用最小二乘支持向量机法,通过非线性映射构建最佳的线性回归函数;最后根据非线性惯性权值对自适应粒子群算法参数进行优化,并构建基于模糊信息粒化和最小二乘支持向量机的光伏出力预测功率波动模型。为进一步提升模型稳定性,使用EEMD将光伏数据分解成多个等同的子序列,对波动性较强序列的识别分组粒化,以获得精准预测值。实验结果表明,所提模型能够解决部分随机性与波动性问题,提高整体稳定性,且百分比误差率较小,可广泛应用在现实生活中。