基于人工鱼群优化BP神经网络的光伏功率预测算法

光伏发电的间歇性和不稳定性是影响光伏电能质量的重要因素之一.低质量电能并网会给电网安全运行带来巨大影响,导致电网消纳光伏的能力下降.光伏功率预测可以有效解决这一问题.然而,目前的光伏功率预测算法大多存在速度和精度不能兼顾的问题.为解决此问题,提出将人工鱼群算法与BP神经网结合,利用人工鱼群算法优化神经网络的权值和阈值....     

基于非参数核密度估计和Copula函数的配电网供电可靠性预测

为了提高配电网供电可靠性预测精度,借鉴Copula函数在可靠性评估方面的应用,提出了基于非参数核密度估计法和Copula函数相结合的配电网供电可靠性预测算法。首先通过考虑线路平均故障率和平均维修时间之间的相关性,采用非参数核密度估计法拟合二者的边缘分布,通过最大似然法估计Copula函数的相关参数;然后采用最小欧式距离进行Copula优选,进而建立线路故障率和维修时间的模型,预测下一年的供电可靠性指标;最后以华东某地供电公司提供的数据为例进行仿真分析。结果表明,该模型能较好地满足供电可靠性预测要求,预测精度高于BP算法。     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于NWP辐照度斜面转换的光伏功率预测方法

短期光伏功率预测统计方法一般采用数值天气预报(numerical weather prediction, NWP)的水平辐照度, 而不是倾斜安装的光伏板上接收到的斜面辐照度, 导致预测精度不足。针对这一问题提出新的辐照度斜面转换方法, 先将散射辐射分为属性不同的分子散射、米散射, 再对两者分别进行斜面转换; 采用该方法将NWP水平辐照度转换为NWP斜面辐照度, 再基于NWP斜面辐照度进行光伏功率建模与预测。算例结果显示, 本方法的预测精度(均方根误差为10.25%、相关性系数为0.914 0)高于直接采用NWP水平辐照度的传统方法。     

基于CatBoost算法的硕士研究生就业能力预测模型

为了预测硕士研究生的就业能力,构建一种基于CatBoost算法的硕士研究生就业能力模型.首先,选取关于硕士研究生在校期间的图书阅读量、专利、技能证书等31项影响因素数据,采用SMOTE过采样方法处理数据集的不平衡问题.其次,通过机器学习方法挖掘学生个人培养数据与就业之间的关系,利用CatBoost算法构建硕士研究生就业...     

一种基于双层人工神经网络的多时间尺度区域光伏功率预测方法

由于具有间歇性、波动性和随机性的特点,光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行.因此,开展区域光伏功率预测能够为调度部门提供电源出力参考信息,以合理规划调度计划及安排备用容量.提出了一种基于双层人工神经网络的多时间尺度区域光伏出力预测方法,基于选取的基准光伏电站实现预测分辨率为1 min、5 mi...     

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

平稳信号功率谱密度的估计方法

在实际情况下,许多平稳信号无法导出数学表达式,要准确获取这些信号的功率谱密度存在一定的困难。根据维纳-辛钦(Wiener-Khintchine)定理,提出一种基于Matlab编程实现这类信号的功率谱密度的估计方法。通过仿真实验表明,该方法简单易行,准确性较高。     

密度核估计中窗宽选择的一种新方法

提出了密度核估计中窗宽选择的一种新方法,并通过选取适当的核函数,推导出决定窗宽选择的数学表达式,最后在均方误差（MSE）意义下,通过与交叉验证法（cross-validation）进行比较,说明在未知总体分布的情形下,用此方法选择最优窗宽是很有效的一个途径.     

基于非参数核密度估计的童装号型档差的确定方法

针对目前国内缺少0～6岁童装号型的现状,以及参数模型在划分服装号型时的局限性,在对被测儿童身高和胸围数据统计分析的基础上,对将非参数核密度估计方法用于确定童装号型身高和胸围的档差中的工作,进行了探索性研究,为划分童装号型时身高和胸围档差的确定提供理论依据和新的思路.     

驾驶员启动反应时间的核密度估计

为了准确分析驾驶员的启动反应时间, 本文采用非参数核密度估计方法对检测得到的驾驶员启动反应时间进行分布密度估计, 核函数选取高斯核, 最优窗宽由递归法求得.通过分布拟合和假设检验对比分析了核密度估计与正态分布、对数正态分布的估计效果.结果表明:非参数核密度估计驾驶员启动反应时间更加准确有效, 并且克服了分布类型事先未知的问题.通过核密度估计的密度曲线可以更加直观地看出驾驶员启动反应时间在各时间段分布水平的变化和整体分布形态.     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。     

基于极大熵谱估计准则的动态数据预测方法及应用

在进行动态数据预测时，预测结果往往会受人为因素影响而出现偏差。本文将极大熵谱估计准则应用于动态数据预测，详细介绍了趋势项提取、模型参数确定、阶数选择以及数据预报的过程，基于MATLAB平台编制了相应程序，最后结合实例对该方法的优点和不足之处进行了客观评价。     

采用拟Newton法实现DOA及功率联合估计

为了增加移动通信的容量和链接质量,需要准确地知道到达波的方向(DOA)和功率。该文提出了多维非线性目标函数,用来波DOA和功率作优化变量,并采用拟Newton法中常用的Davidson-Fletcher-Powell(DFP)算法进行优化;将优化结果和轮换投影(AP)算法进行比较。仿真表明,当入射信号在空间相隔较远时,该结果和AP算法精度相当,当入射信号在空间接近时,该结果优于AP算法。     

基于模糊控制的光伏电池最大功率点跟踪方法

针对光伏系统中最大功率点跟踪的问题,提出了一种基于模糊控制的最大功率点跟踪的方法,通过在Matlab/simulink上搭建光伏阵列模型、模拟电路以及模糊控制器模型进行仿真的实验手段,验证了采用模糊控制法相比传统定步长扰动观察法能消除最大功率点附近振荡功率损耗,且具有能兼顾跟踪精度和响应速度的优点.     

ARMA谱估计简介及Cadzow方法

介绍了谱估计的基本概念和应用范围及现代谱估计的一种常用方法:ARMA谱估计,并针对ARMA谱估计提出了一种Cadzow算法,通过用高阶AR模型做近似模拟ARMA模型,从而方便地得到功率谱.