基于小波变换和AWLS-SVM的短期负荷预测

提出了一种基于小波变换和自适应加权最小二乘支持向量机(AWLS-SVM)的电力系统短期负荷预测方法。针对负荷变化具有拟周期性和随机性的特点,本方法先将负荷值利用小波变换分解为几个低频段的拟周期量和一个高频段随机量,然后根据各分量特点应用AWLS-SVM模型进行预测,最后小波重构各分量获得预测结果。实例预测结果表明该方法具有较高的预测精度。     

基于小波-单神经元组合模型的电力系统负荷预测

小波分析是一种新兴的数学工具,它能任意地提取负荷序列的细节.通过使用小波分析,可以在任何水平上分析负荷序列,它对信息成分采取逐渐精细的时域与频域处理,尤其对突发与短时的信息分析具有明显的优势.为了将小波分析用于负荷预测,提出了一种基于小波分解和单神经元的电力系统负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列...     

基于小波变换和深度学习的短期天然气负荷预测研究

随着天然气在能源消耗中占比越来越大,如何准确预知未来的天然气消耗量,对天然气资源合理规划具有重大意义。针对此问题,提出一种基于小波变换和深度学习的短期天然气负荷预测模型。首先对所收集的天然气负荷数据利用不同小波变换进行分解,之后对其进行归一化处理;其次利用深度学习算法对数据进行训练与预测;然后利用小波重构对预测的数据分别进行整合;最后以平均绝对百分误差、平均绝对误差和均方根误差为评价指标,评价不同小波变换的预测结果,计算最优小波变换的最优阶数和层数。结果表明,Fk小波变换第22阶第6层相对于其他小波变换和直接利用LSTM进行预测具有更高的预测精度。     

小波熵及小波变换的短期负荷预报

基于小波分解理论,借助db8小波函数,对历史数据进行尺度为3的静态离散小波变换,并将小波熵引入到电力负荷预报工作中,用于处理电力负荷的历史数据.选取一定小波熵阈值,识别出历史数据中的非正常数据,可以提高负荷预测的准确性.对于各个分解尺度的小波系数分别进行预测,通过小波重构,得到预测值.预测结果表明,这种方法具较高预测精确度及适应性.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

三种具体信号的连续小波变换

从连续小波变换的定义出发,利用连续小波变换的公式,分别选择harr小波与marr小波作为母小波,给出了信号门函数、单边指数函数、阶跃函数在给定小波基下的连续小波变换的表达式,从它们的连续小波变换的表达式和相应的小波变换图形来看,得出了同样的信号在不同的小波基下的小波变换完全不一样的结论,解决了当前有关小波分析方面的专著中,都没有给出具体信号的小波变换的表达式。     

基于Haar小波变换和ARIMA-RBF的天然气时负荷预测

针对天然气时负荷预测问题,提出了一种基于Haar小波变换和ARIMA-RBF的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用Mallat快速算法,母小波为Haar小波,对分解出来的高频分量进行ARIMA预测,低频分量进行RBF预测;其次,对高频分量预测结果和低频分量预测结果进行Haar小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较SOFM+MLP预测模型的MAPE值指标高出2.593 2%,预测精度显著提高,为实际工程的在线应用提供了有益参考。     

小波分析及其在电力系统故障检测中的应用

介绍了小波变换的基本原理,采用小波变换快速算法对电力系统中故障信号进行分析、判断。仿真结果表明,小波变换能够很好地消除电力系统故障信号噪声,并准确检测出故障点。     

基于小波能熵的变压器励磁涌流的识别

提出了一种基于离散小波变换(DWT)并利用小波能熵作为判据来识别电力变压器励磁涌流和内部故障电流的方法.通过在MATLAB上搭建变压器空载合闸和匝间短路仿真模型,对其不平衡电流的小波功率谱进行分析,以验证这种新型判据的有效性.仿真结果表明,这种新型判据能够可靠地、快速地识别出励磁涌流和内部故障电流.     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法．该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入．对不同的输出要求,提出采用不同的神经网络,判断出发生故障的相位、性质和位置．     

基于小波奇异性检测的电力系统故障检测算法

在应用小波变换信号奇异性检测理论进行故障检测基本判据的基础上,对其进行了补充,提出了电力系统故障检测的补充判据,提高了故障检测的准确性,同时使故障检测判据更具可操作性.并给出了10 kV系统单相接地故障的MATLAB仿真实例.     

动态小波变换在单相重合闸故障判别中的应用研究

分析了输电线路发生单相接地故障时,永久性故障与瞬时性故障电弧燃烧的特性,提出一种基于动态小波变换的自适应单相重合闸故障类型的判别方法。小波变换能够准确地检测到电力系统故障突变信号的特征,而傅里叶变换能够较准确地反映工频信号量,将二者结合起来构成的动态小波变换,不仅可以检测到故障信号中的工频分量,还可以检测到谐波分量。动态小波变换与常规小波变换相比,检测故障突变信号的能力更强。将其用于单相重合闸故障类型的判别,可以在熄弧之前进行判断,具有快速、准确的显著特点。仿真结果验证了该方法的有效性。     

A data-driven threshold for wavelet sliding window denoising in mechanical fault detection

Wavelet denoising is an effective approach to extract fault features from strong background noise.It has been widely used in mechanical fault detection and shown excellent performance.However,traditional thresholds are not suitable for nonstationary signal denoising because they set universal thresholds for different wavelet coefficients.Therefore,a data-driven threshold strategy is proposed in this paper.First,the signal is decomposed into different subbands by wavelet transformation.Then a data-driven threshold is derived by estimating the noise power spectral density in different subbands.Since the data-driven threshold is dependent on the noise estimation and adapted to data,it is more robust and accurate for denoising than traditional thresholds.Meanwhile,sliding window method is adopted to set a flexible local threshold.When this method was applied to simulation signal and an inner race fault diagnostic case of dedusting fan bearing,the proposed method has good result and provides valuable advantages over traditional methods in the fault detection of rotating machines.     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.     

小波奇异性检测理论在电力系统负荷特性分析中的应用

首先阐述了基于小波分析的奇异信号检测理论,以一组仿真信号为例说明了小波变换在奇异信号检测中的实现过程,并通过计算Ｌｉｐ指数,定量刻划了信号奇异点的奇异程度。最后将其应用于电力系统负荷状态检测及故障诊断中,取得了较为满意的效果。     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.