基于小波过程神经网络的短期风速预测

针对风速序列非线性和非平稳性的随机性特点,提出了基于小波过程神经元网络的短期风速预测方法.首先利用相空间重构理论,计算出风速时序的最佳嵌入维数作为网络的输入层节点数,根据小波神经网络的经验公式来选取网络隐含层的节点数初始值,通过调整参数使网络误差达到最小值,得到合适的隐层节点数,并给出相应的学习算法.算例仿真结果表明所提预测方法的可行性,运用本方法与时序ARMA模型对比,其预测结果的精度明显提高.     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

现代电力系统谐波检测方法

电力系统的谐波由于受随机性、分布性、非平稳性等因素影响,常规的谐波检测方法在实际运用中均有不同程度局限.针对这一问题,在常规方法基础上的拓展和改进方法应运而生.本文对近年来电力系统谐波检测的新方法进行了分析和评述,并展望了电力系统谐波检测方法的发展趋势.     

剔除奇异点的电网谐波分析方法研究

随着电力系统中非线性负荷的不断增加,电网中的谐波干扰也越来越复杂,需要对其进行监测和分析,进而提出具体的治理方案。该文介绍了一种基于小波变换和快速傅里叶变换相结合分析谐波信号的方法。用小波变换监测并剔除信号的奇异点,对由小波变换得到的低频信号用快速傅里叶变换进行频谱分析,并与传统的谐波分析方法进行仿真比较,取得了较满意的结果。     

直流电弧炉用混沌理论和神经网络建模及预测

根据直流电弧炉电弧电压信号所具有的混沌特性,使用相空间重构理论和径向基函数神经网络对直流电弧炉进行了建模和预测研究。先计算了电弧电压时间序列的最大Lyapunov指数来验证电弧电压信号的混沌特性,后对所测得的电弧电压信号进行相空间重构,根据所求得的嵌入维数和延迟时间,使用径向基函数神经网络对电弧电压信号建模和预测。分析表明:该法用于直流电弧炉电气特性的建模研究,且进一步提高了预测的准确性。同时,多步预测结果可为直流电弧炉电弧电压的有效控制提供理论上的参考依据。     

原油含水率信号的降噪方法研究

结合电极系测量含水率原理,对比了傅里叶变换和小波变换的异同,并用Matlab软件做了理论上的仿真。在此基础上,用LabVIEW软件编写了含水率信号处理的上位机软件程序,并在室内三相流模拟平台上做了大量的试验,证明了利用小波变换原理滤除原油含水率测量信号噪声的可行性、准确性和灵敏性。     

非正弦条件下无功电流基波分量有效值的检测算法研究

通过研究在电压电流幅值的暂态变化过程中,如何利用滑动傅立叶变换提取其基波分量,并利用Fryze时域分析电流分解实时的计算无功电流瞬时值,在此基础上得出无功电流基波有效值作为（TSC）控制的主要判据,针对检测算法和系统做了Matlab仿真,从有效可行性方面做了分析。结果表明,该算法具有工程实用价值。     

基于小波变换提高短时闪变严重度计算精度的方法

通常采用离散傅里叶变换(DFT)对闪变信号进行分析,鉴于DFT固有的频谱泄漏和栅栏效应导致应用DFT计算短时闪变严重度Pst精度不高的缺点,提出了一种基于小波变换提高Pst计算精度的方法.其核心在于利用DFT和离散傅里叶逆变换(IDFT)克服Mallat算法存在的频率折叠问题;对单一频率的闪变信号,采用对原始采样数据隔点抽样的方式减少小波分解与重构的计算量,对于多频闪变信号,给出了减少Mallat算法能量泄漏的频率选择范围,形成DMallat(DFT-Mallat)算法.应用DMallat算法对电压波动信号进行特征提取,改善频率、幅值等电气参数的计算精度,进而提高Pst的计算精度.通过与DFT计算Pst的对比仿真实验,结果表明了所提算法的有效性和适用性.     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

基于小波包-神经网络的太阳逐时辐射预测

太阳辐射量受到季节、大气状况、云况、温度、湿度甚至沙尘等气象因素的影响,表现为强烈的时变性和随机性。对于非线性的辐射量预测,目前已提出了许多方法,但依然存在智能算法的选取不合理、网络结构泛化能力差、预测精度不理想等不足。针对光伏电站太阳逐时辐射强度数据特征不明显、普通BP网络难以完全映射其特征的缺点,提出了一种基于小波包-神经网络的预测模型(WPNN),利用小波包变换将辐射强度序列进行多尺度分解,并创建多个BP模型对各分量预测,最后通过重构得到最终的预测结果。结果表明,预测精度明显提高,满足预期效果,证明该模型的有效性和实际意义。     

基于拟合剔除的优化小波神经网络太阳辐射量预测

准确预测太阳辐射量,对太阳能相关产业具有重要意义,针对太阳辐射的波动性和间歇性,提出一种基于曲线拟合和拉依达准则的数据处理和优化的小波神经网络的太阳辐射量的预测方法。通过历史太阳辐射数据和气象数据对太阳辐射量进行直接预测。对测量值求拟合曲线,利用拉依达准则对数据的拟合值和测量值的偏差做粗大误差的判断,修正后的数据作为小波神经网络的输入,避免输入极端数据造成预测信息畸形的问题。增加测试数据对小波神经网络做隐含层节点数寻优的计算,克服小波神经网络无法确定隐含层节点数的缺点。通过建立不同预测模型进行对比,验证了所提算法和模型的正确性。     

基于相空间重构的神经网络短期风电预测模型

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。通过对风电场发电功率的时间序列进行分析,表明该序列具有混沌属性,并在此基础上,利用相空间重构理论建立了关于风力发电功率的RBF神经网络与BP神经网络预测模型,并进行了实际预测。通过对结果进行对比分析,显示该模型可以得到较高的短期发电功率预测精度,更好地满足实际现场需要。     

基于多变量相空间重构和RBF神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。首先,基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用C-C法和虚假邻近点(false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数(radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

夏季日峰荷特性分析与预测

在分析夏季日峰荷特性的基础上,利用小波变换对负荷序列进行分解和单支重构．得到不同频段上的近似序列和细节序列,用相关性分析方法分别分析其早晚高峰值与气温的关系,根据分析的结果,使用RBF神经网络建立相应模型预测,将各序列的预测值相加得到日峰荷值。根据江苏省实际负荷运行数据,对方法进行了检验。     

Development of a short-term solar irradiance forecasting using satellite image in combination with numerical weather prediction model

A short-term solar irradiance forecasting method has been developed to provide highly accurate prediction, using satellite image prediction model in combination with numerical weather prediction model. This method was applied and evaluated using the solar irradiance observational site at the CRIEPI Akagi Testing Center (Gunma Prefecture, Japan). Based on historical forecasting and observation datasets at JMA observation sites in the computational domain, the best blending ratio between the satellite image prediction model and the numerical weather prediction model was selected and used. The developed method has shown high accuracy. Compared to satellite image forecasting, accuracy results averaged between three and 6 h of lead-time showed improvements in the RMSE by 44% for the before-sunrise case, 20% for the after-sunrise case, and 8% for the noon to sunset case.     

航空锂电池寿命预测方法研究

随着航空机电系统的发展,对电池的检测与寿命预测成为地勤人员重要的工作之一。针对小子样条件下锂电池寿命预测困难的问题,研究了GM(1:1)模型、灰色Verhulst模型、神经网络模型在解决该问题时的优势与缺陷,通过对现有模型的分析,提出了一种灰色Verhulst-神经网络模型,弥补了灰色模型中长期预测精度低的缺陷,降低了神经网络对样本量的要求。以某型航空设备装备的锂电池为例,研究并比较以上方法的预测效果,结果显示灰色Verhulst-神经网络模型预测精度为0.7%,远低于其他模型,说明模型精度较高,证明了所提方法的可行性与有效性。     

考虑时空相关性的光辐照度序列估计方法

完整可靠的太阳光辐照度数据是光伏研究的前提与基础。文中提出了如何在测光站布点稀疏、异常数据比例高等不利条件下估计或重构辐照度序列的方法。利用相关系数法分析了甘肃河西走廊多个测光站的光辐照度在晴空和云层运动时的时空相关性规律。考虑盛行风影响,利用Voronoi多边形法建立了全区域相关系数模型。引入时间相位延时,建立了基于异步序列的数据重构模型。选择相关性最强的测光站数据作为输入,折算盛行风下的延时参数,估算待求位置的辐照度序列。数据检验表明,区域相关系数模型和重构方法的精度都可以达到较高水平。