基于 Kalman-LSTM 模型的悬浮质含沙量测量

针对电容法测量河流含沙量过程中易受环境因素影响而导致测量结果不准确的问题,提出基于卡尔曼滤波和长短期记忆神经网络(Kalman-LSTM)的融合模型。先采用卡尔曼滤波器进行滤波处理,减小传感器测量的随机误差;再通过LSTM神经网络模型对含沙量信息和环境量信息进行多传感器数据融合,减小环境因素对电容法测量含沙量的影响;最后建立了电容法测量含沙量的Kalman-LSTM融合模型。为了验证Kalman-LSTM融合模型的融合效果,与BP模型、RBF模型和LSTM模型对比,比较各模型的均方根误差、最大绝对误差、平均绝对误差和平均相对误差。实验结果表明,Kalman-LSTM融合模型的平均相对误差为2.54%,均方根误差为2.47 kg/m³,该融合模型能有效降低环境因素对含沙量测量的影响,提高电容法测量含沙量的准确性。     

微风速流场数据采集与融合方法研究

在微风速(0～1 m/s)空间流场测量中,对传感器精度要求高,实时在线仪表数据精度不够,数据采集滞后性大;考虑采用多个传感器测量提高精度,但也存在数据融合的问题.针对微风速流场测量,提出基于K均值RBF神经网络的数据采集预处理软测量模型,首先选取中间变量(电流值),运用K均值聚类,用RBF网络训练得到单个传感器数据;提出基于相关性kalman滤波的传感器数据融合算法,剔除无效数据点,并融合得到精确风速预测值.测量实验和数据结果表明该方法处理的数据结果滞后性小,处理速度快,数据精度高.     

风电场风机测量风速缺损值的组合填充模型

针对风电场内邻近多台风机测量风速同时发生缺损的工况,提出基于小波神经网络的组合填充算法。首先,分别采用空间邻点法、Pearson相关系数法和动态时间规整算法对风电场内两两风机的测量风速相似性进行分析;其次,提取与缺损测量风速风机在缺损时刻前后风速演化最相似的若干台风机的测量风速,构建小波神经网络,进行单个模型的填充方法研究;最后,提出基于熵权的组合填充模型。实验结果表明,在进行非线性风速相似性度量时,动态时间规整算法优于Pearson相关系数法;基于相似性风速时序构建的神经网络,提高了模型的学习和泛化性能;组合填充模型的精度和平稳性优于单个模型。对风电场内每台风机进行模拟实验增加了模型的普适性。     

基于自适应模糊神经网络的风速软测量

针对风力发电系统有效风速无法直接测量的问题,提出了基于自适应模糊神经网络的风速软测量方法,在该方法中利用优化的自适应模糊神经网络建立了风速软测量模型,以发电机功率、桨距角和风力机转速作为模型的输入,有效风速作为模型的输出,网络学习中采用可变的学习速率和可变的动量学习率.仿真结果表明,与传统的神经网络风速软测量模型相比,基于自适应模糊神经网络的风速软测量方法是有效的,风速的估计值较好地跟踪了有效风速的变化趋势,具有较高的准确性.     

基于自适应烟花算法的微网经济运行优化

针对微网经济优化运行问题,建立了集中控制式微网的优化调度模型,提出了其经济优化运行策略,采用自适应烟花算法在MATLAB软件中对算例的冬季并网运行进行仿真求解,通过对算例优化结果的分析,证明了自适应烟花算法适用于求解具有多约束、多目标、非线性特点的微网运行优化问题。从算法性能和计算代价方面将自适应烟花算法、增强烟花算法、粒子群算法进行了比较,验证了自适应烟花算法具有更好地寻优能力。     

基于卡尔曼滤波的风速序列短期预测方法

分析了卡尔曼滤波在风速序列预测分析中的应用机理,构造了用于风速序列预测分析的迟滞神经网络,并采用卡尔曼滤波方法将其与ARMA模型相融合,实现了风速序列的混合预测。通过修改激励函数的方式将迟滞特性引入神经网络,网络的权值采用梯度寻优的方式确定,迟滞参数利用遗传算法进行确定。系统的状态方程采用ARMA模型建立,将迟滞神经网络对风速序列的预测结果作为测量方程的测量值。混合预测方法能减小单一预测机制造成的同一性质误差的累积。仿真实验结果表明,迟滞神经网络的预测性能优于传统BP神经网络,而混合预测方法的预测性能优于单一预测方法。     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

基于自适应波谱斜率的海面风速反演算法研究

对于波浪谱风速反演研究，虽然已经建立了波谱平衡范围斜率为-4幂律的初步反演模型，然而对于复杂多变的实测波谱，单一斜率模型的反演效果不佳。针对可变波谱斜率的问题，通过量化波谱函数对应的谱系数，提出一种自适应波谱斜率的风速反演算法。为了验证该算法估算风的准确性，本文通过对NDBC浮标观测的大量风浪数据进行海面风速反演研究，结果显示自适应波谱斜率算法反演风速与实测风速相关系数R=0.83,呈显著相关，且平均偏差BIAS和均方根误差RMSE分别为0.75 m/s和2.48 m/s。通过近海海试实验验证表明该算法依然有效具有普适性。总的来看，自适应波谱斜率反演风速算法与实测风速之间误差相对较小，反演精度较好，为风浪观测和风浪研究提供了一种新思路，且该算法能够融合应用于海洋观测应用平台，使理论研究和工程实际相结合。     

基于通道融合的Res-CNN-LSTM电网虚假数据注入攻击检测

针对电力系统的网络攻击事件越来越多,信息物理安全问题已经引发电力公司和学术界的高度关注。为了能够正确检测电网虚假数据注入攻击,本文提出一种基于残差神经网络（ResNet）结构的一维卷积神经网络（1DCNN）和长短期记忆（LSTM）网络多通道融合网络模型,简称通道融合的Res-CNN-LSTM网络模型。该神经网络算法利用1DCNN和LSTM对时间序列信息的高效提取能力,将不同通道上提取的信息进行融合,进一步加强了数据特征的提取效果,同时网络模型主体采用残差跳跃连接的结构来解决神经网络在训练过程中的过拟合问题;在IEEE-14和IEEE-118节点测试系统进行模型仿真实验,并对比其他神经网络模型,结果验证了本文所提方法的有效性和准确性。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于CNN和LightGBM的新型风电功率预测模型

考虑到风力发电具有波动和不确定的特点,难以预测,文章提出了基于卷积神经网络和LightGBM算法相结合的新型风电功率预测模型.通过分析风电场与相邻风电场原始数据的时序特征,构建出新的特征集;应用卷积神经网络(CNN)从输入数据中提取信息,基于数据间的对比结果调整相应参数;为了提高预测结果的准确性和鲁棒性,将LightGBM分类算法加入模型中.对比所提模型与支持向量机以及单一的LightGBM和CNN模型仿真结果,证明所提模型具有更好的精度和相率.     

基于信号统计模型的变电站半遮挡融合定位方法

变电站存在建筑遮挡和电磁干扰等问题,这导致传统的基于电磁波定位的人员管控方法精度快速下滑。为避免因单传感器定位精度劣化而导致的电力安全管控效率降低问题,研究基于多源信息融合的巡检人员位置估计技术至关重要,而现有融合定位方法大多难以在地图信息未知的条件下鲁棒地选择传感器融合策略,因此文中提出一种基于卫星和近超声信号特征分析的融合定位方法,仅依靠信号统计特征实现环境信息判别并自适应选取融合策略。首先,利用多传感器信号特征统计模型构建指纹库,并基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)降维算法和密度峰值聚类(density peaks clustering, DPC)算法处理指纹库数据。其次,依据聚类结果搭建反向传播(back propagation, BP)神经网络,将信号环境特征与卡尔曼滤波器的参数映射。最后,使用神经网络输出优化基于卡尔曼滤波的多源定位切换模型,形成自适应的融合定位方法。利用真实变电站半遮挡环境采集数据进行实验,结果表明,相较于未知环境信息、已知环境信息的融合定位方法,所提出的方法在地图信...     

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。     

计及历史数据熵关联信息挖掘的短期风电功率预测

对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。     

基于AEPSO-BPNN的光伏阵列多场景参数辨识

针对光伏阵列内部机理较为复杂、参数难以快速准确辨识的问题,提出了一种自适应进化粒子群算法优化BP神经网络（AEPSO-BPNN）的模型建立和参数辨识方法。通过引入自适应、进化和重构等改进策略,可以提高粒子群算法的收敛性能,并将其对BP神经网络的初始权值和阈值进行优化,使神经网络算法在迭代后期不易陷入局部最优解,以提高参数辨识的精确度和速度。根据光伏阵列的实测输出电流和理论计算电流的差值,并考虑环境变化对内部参数的影响,构造均方根误差函数作为算法的适应度函数,从而将复杂的多参数辨识问题转化为带约束条件的非线性多变量最优化问题。最后采用多场景法,验证算法在不同光照强度和温度下的适用性和效果,并与其他算法进行对比,仿真结果表明该算法在误差、收敛速度和运行时间上有较大优势。     

基于自适应神经网络的谐波分析模型与算法

提出一种周期信号的谐波基函数神经网络模型及基于该模型的谐波分析算法.该算法将基波频率和谐波幅值相位共同作为权值参与学习调整,通过自适应测量原理估计各次谐波参数,算法的收敛性定理为学习率的选择提供了理论依据.对信号存在频率偏差和含有白噪声两种情况分别进行了仿真,结果表明该算法精度高、收敛速度快,适合于非同步采样和短数据下的电力系统谐波分析.     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。