基于ARMA-SVM组合模型的售电用户用电量预测方法

影响用户用电量的因素较多,根据其分别受线性和非线性因素影响的特点,该文提出1种基于自回归移动平均模型和支持向量机模型的组合预测方法,构建组合模型后,分别与仅采用自回归移动平均模型和支持向量机模型的预测结果进行对比分析.对比结果表明,组合模型的平均绝对百分误差指标相比单一模型明显降低,可以有效提高用电量预测的精度.     

基于果蝇优化算法的GRNN水电机组状态趋势预测

针对水电机组振动的非线性、非平稳特性,提出了一种基于果蝇优化算法（FOA）的广义回归神经网络（GRNN）模型（FOAGRNN ）,实现了GRNN分布参数的优化选择,并对四川省新政航电工程3台机组5个不同部位的振动序列峰峰值进行了预测,与BP神经网络预测结果的均方误差（MSE）对比结果表明,FOAGRNN预测精度较高。     

某抽水蓄能机组振动趋势预测研究

振动是影响抽水蓄能机组正常运行和危害机组寿命的主要故障.本文对某250MW抽水蓄能机组异常振动开展理论预测研究,并基于ARMA方法建立机组振动趋势预测模型,实现对机组上导轴承及上机架的振动趋势预测.结果表明,振摆预测数据和实际数据接近,预测误差均在10％以内,能够有效预测机组振动趋势,可为保证机组旋转过程中的稳定性及故...     

基于小波变换和时间序列的风功率超短期预测模型研究

为提高风功率超短期预测模型的精确度,利用小波变换将原始风功率时间序列进行分解和重构,得到相应的高频序列和低频序列。对不同序列建立相应的自回归移动平均模型,并且进行拉格朗日乘子检验,验证是否具有拉格朗日乘子效应,从而建立相应的自回归条件异方差模型或广义自回归条件异方差模型,将所得的预测结果进行线性叠加组合得出最终结果。通过算例分析及与其他几种预测模型预测结果的对比,结果表明小波变换和时间序列结合的风功率超短期预测模型可以有效提高风功率超短期预测精度。     

基于能量熵重构与支持向量回归的水电机组状态趋势预测

针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。     

基于季节性分解的时间序列在主变压器 缺陷率预测中的应用

针对主变压器缺陷率序列具有的非线性和非平稳性特点,以及主变压器缺陷发生具有季节性的特征,提出将主变压器缺陷率序列进行季节性分解和时间序列ARIMA预测相结合对主变缺陷率进行预测,以探寻较为有效的主变压器缺陷率的预测方法。首先,对原始序列进行预处理,将其分解为一系列不同的模式分量,这样能够突出原始主变缺陷率序列的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列法建立相应的模型并进行预测,这样既简化了建立的模型又降低了不同分量间的干涉和耦合;最后将各分量的预测值叠加得到缺陷率的预测值。算例结果表明,该方法具有较好的预测效果。     

基于改进预测模型的水电机组状态趋势预测

针对水电机组信号呈现的非线性和非平稳特性,提出了基于改进麻雀搜索算法与支持向量回归相结合的预测模型(ItSSA_SVR).将麻雀搜索算法进行自适应改进,首先在种群初始化方面,引入Sine混沌映射来影响算法的整个过程,使种群在搜索空间更加均匀的分布;其次采用自适应学习因子ω来提高算法的搜索能力,并通过Levy飞行算法这种...     

基于GA-BP的水力机组振动预测研究

振动是影响水力机组安全稳定运行的重要影响因素,为此基于GA-BP算法建立了机组振动预测模型,统筹水力机组运行过程中受机械、水力和电磁等因素的关联性影响,结合广东省某水电站~#1机组状态监测数据进行分析验证。结果表明,与传统BP算法相比,在对~#1机组主轴、上机架振动预测中,GA-BP算法训练迭代步数分别从26步减少至6步和63步减少至26步,预测平均相对误差分别从10.18%减小至4.62%和11.42%减小至4.92%,模型的预测性能获得显著提高,为保障机组安全运行提供了重要的技术支撑。     

基于自回归滑动平均模型的风力发电容量预测

利用时间序列分析法对富锦风电场风电机组发电容量时间序列进行分析,通过长自回归模型法建立了基于这些数据的自回归模型(AR)和自回归滑动平均模型(ARMA)。在建模过程中,采用3种定阶方法分别建立了不同的ARMA模型,并在对比分析了不同模型的优缺点之后对其进行加权平均综合处理,最终得到较理想的预测模型,使风力发电容量短期预测的归一化平均绝对误差降到7%以内。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

基于输出功率预测的风电机组运行风险度评估

准确评估风电机组运行健康状态对于降低机组故障率、减少运维成本十分有利.输出功率是表征风电机组运行性能的最基本参数之一,输出功率的波动能够直观反映机组运行状态的变化.当实际输出功率明显偏离正常运行状态下的预期值时,则说明机组健康状态可能存在异常,由此文章提出了一种基于输出功率预测的风电机组运行风险度评估方法.首先采用随机...     

基于多嵌入维数的径流组合预测

针对理论混沌参数计算方法很难得到实际径流时间序列的最佳嵌入维数,采用多嵌入维数组合预测对径流时间序列预测方法进行改进。利用Lyapunov指数预测模型分别计算了一系列不同嵌入维数情况下的预测值,根据预测效果对结果进行选择,并利用组合原理对其进行集成得到最后的预测值。实例分析表明,相对于单嵌入维数法,多嵌入维数组合预测方法可以综合利用不同相空间中的有用信息,提高径流时间序列预测的精度。     

基于轴承温度模型的风电机组故障预测研究

采用风电机组状态监测技术可有效提高机组运行的安全可靠性。轴承是风电机组能量传递的重要部件,轴承的状态评估对机组安全运行具有重要意义。文章基于主成分分析方法,选取影响机组轴承温度的参数,提出了改进的线性回归径向基函数神经网络方法,建立了正常运行状态下轴承的温度预测模型;通过机组运行数据的分析比较,采用滑动窗口残差统计方法对机组运行状态进行实时监视评价发现,发电机出现异常时,轴承温度呈现上升趋势,残差值超过设定的置信区间,从而能实现对故障的有效预测。文章的研究结果可为风电机组的安全高效运行提供参考。     

舰船柴油机磨损趋势预测的灰色模型方法

针对工程中的非等时空距问题和原始数据序列发生转折性变化的情况 ,在非等间距 GM模型和灰色预测校正模型的基础上 ,建立了非等间距灰色预测校正模型。将该模型用于舰船柴油机光谱分析数据的趋势拟合和预测 ,结果表明该模型找到了准确的转折点 ,对变化后的趋势进行了正确的预测。     

基于火电机组运行数据判断煤质变化及其影响的方法

“双碳目标”下,火电厂的职能由供电主力方逐渐转变为调节配合方,其出力范围则是调节能力的重点指标。煤热值对火电机组的出力范围有着重要的影响。过去的煤质检测主要依赖于煤质报告分析,但这种方法在实时性和便捷性上有所欠缺。为解决这个问题,我们提出了一种基于火电机组运行数据监测煤质变化的方法,并以实际煤质报告的低位发热量对所提方法进行验证。最后,我们计算了煤质变化对机组出力范围的影响。     

基于综合运行特性模型的某抽水蓄能机组发电工况运行区域划分

为科学划分某抽水蓄能机组在发电工况下的运行区域,考虑水轮机效率、机组稳定性及噪声等工况特征指标建立了机组运行综合特性模型,分别在低(310m)、中(320m)、高(330m)特征静水头下进行现场水轮机效率、机组稳定性和噪声试验,每个水头下的试验工况包括了发电工况下从空载到额定负荷间阶梯式选取的13个负荷工况。以水轮机效率、机组稳定性及噪声等测试数据为基础,依据主机合同技术规范中的相关要求将试验机组在不同试验水头下发电工况的运行区域划分为《水力发电厂和蓄能泵站机组机械振动的评定》中推荐划分的A区(高效稳定区)、B区(过渡限运区)、C区(强振禁运区)。研究成果为电网调度中心合理制订该机组在发电工况的负荷计划提供了依据。     

超临界火电机组协调系统建模及模型预测控制算法研究

针对因超临界火电机组协调系统建模精度不高,进而影响先进控制算法控制效果的问题,提出了一种分立-组合式建模方法,并将其应用于模型预测控制算法中。首先,利用子空间辨识方法分步求解分立的子系统模型,之后将分立模型进行组合得到机组的整体模型,以某600 MW超临界火电机组的多组实际数据为训练样本和检验样本,模型输出参量的拟合度可达到90%以上,从而解决了传统机理建模中假设条件较多、机组动态特性不足等问题;其次,以所建立的分立-组合模型为基础,分别应用于模型预测控制（Model Predictive Control,MPC）算法和常规PI解耦控制算法中,由于MPC拥有对多进多出(Multiple Input Multiple Output,MIMO)系统更好的适用性,并可以在每个周期内求解带约束条件的最优解,使得控制量在超调量方面幅度下降了近20%,调节时间缩短30%以上,从而体现了所提改进算法在机组协调系统控制中的优越性。     

基于LSTM网络的川东地区月降水量预测

降水量时间序列变化模拟对揭示全球气候变化规律和认识地表水文过程具有重要意义.基于1981～2005年川东地区降水观测资料,采用长短期记忆神经网络(LSTM)构建降水量逐月预测模型,预测2006～2019年逐月降水变化特征,并比较不同协变量下基于LSTM和随机森林(RF)模型的降水量预测精度.结果 表明,LSTM模型在以...     

基于迁移成分分析的多风电机组运行状态识别方法

风电机组运行状态识别对风电机组发电性能评估和风电场精细化管理具有重要意义,然而不同风电机组的数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据分布差异明显,如果将已训练好的单台风电机组正常行为模型直接应用于多风电机组运行状态辨识,辨识精度较低.为了...     

基于模型预测控制技术的电厂优化运行研究

发电厂由于其对分布式能源资源的有效管理和控制,已经成为分散式发电产业的驱动力。发电厂的运营策略大多是根据日前的预测来设计的。然而,可再生能源（RES）和负荷在电力调度中的预测误差会导致次优运行。提出了一种基于带反馈校正（FC）的模型预测控制（MPC）技术的电厂实时优化能量管理策略,以补偿预测误差。该策略是在真正的电厂运行上实施的。仿真结果表明了该策略的有效性,更好地跟踪实际可用资源,能够将需求与供给之间的不匹配将至最低。