基于改进VMD-BPNN的光伏功率预测

针对光伏发电预测模型准确率低的问题，构建了基于变分模态分解-反向传播神经网络(VMD-BPNN)的光伏功率预测模型。对光伏发电数据进行变分模态分解得到不同特征数据，解决了数据的随机性和波动性问题。再采用K-means聚类方法对不同特征数据进行聚类，提高模型的泛化能力。通过集成学习bagging的方法对BPNN进行增强，以达到提高光伏功率预测模型整体稳定性的目的。根据RMSE和NRMSE误差标准进行测试，测试结果表明，基于VMD-BPNN预测模型的NRMSE平均值2.77%,RMSE平均值为2.22%。     

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测

由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数（PCC）、K-均值算法（K-means）、变分模态分解（VMD）、麻雀搜索算法（SSA）、核函数极限学习机（KELM）的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

海鸥算法优化DBN的光伏逆变器故障诊断方法北大核心CSCD

光伏逆变器开路故障种类较多且特征相似,因此故障诊断准确率不高。文章将自适应噪声完备经验模态分解和改进深度置信网络相结合,提出一种新型的故障诊断方法。该方法首先分析光伏逆变器的拓扑结构和工作原理,定义不同的开路故障类型;其次,采用自适应噪声完备经验模态分解和相关系数-能量值准则,筛选敏感本征模态函数(Intrinsic Mode Functions,IMF)分量,并通过希尔伯特变换求取各IMF分量包络谱,构造IMF分量、包络谱的能量和能量熵作为高维故障特征向量;最后,以训练集预测误差为适应度函数,采用海鸥算法(Seagull Optimization Algorithm,SOA)优化改进深度置信网络中的隐含层神经元数量和反向微调学习率两个重要参数,将多特征融合向量输入到SOA-DBN模型中,完成逆变器开关器件故障辨识。仿真和实验表明,与传统模型相比,文章所提的方法具有更好的诊断效果。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于SOM聚类和二次分解的BiGRU超短伏功率预测

提出一种基于自组织映射网络（SOM）聚类和二次分解的双向门限循环网络（BiGRU）超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。     

光伏发电质量评价与惩罚函数研究

文章基于光伏总出力、光伏出力波动和光伏出力预测误差3个评价指标,利用惩罚函数对光伏发电质量进行分析。首先,采用K均值聚类方法对上述指标的样本数据进行聚类;然后,采用F分布对聚类结果进行显著性检验,以提高聚类结果的有效性;最后,分别选取对数函数、幂函数、指数函数来建立惩罚函数,以量化各项评价指标对惩罚函数的影响程度,并综合采用层次分析法和熵权法来确定该惩罚函数的权系数。分析结果表明,文章所提出的光伏发电质量评价模型具有可行性以及较高的应用价值。     

基于复杂网络Newman快速算法的船舶柴油机故障诊断

将船舶柴油机故障诊断中的聚类问题转化为复杂网络社团发现问题,在定义线性相似度、反比相似度、指数相似度和椭圆相似度函数的基础上,构造以相似度权重为边权,以样本点为节点的加权无向网络,提出了利用Newman快速算法中的准则函数作为聚类的准则函数,逐步寻找网络中的社团结构的故障诊断方法。以自主研发的轮机模拟器主机系统故障数据为例进行故障分析与诊断,验证新方法的有效性,并分析阈值和相似度系数变化对方法性能的影响。研究结果表明:新故障诊断方法具有计算量小和准确性高且运算时间短的特点,能够达到在线诊断的要求,有识别未知故障的能力,解决了聚类中必须找到类的问题。     

基于数据挖掘的光伏阵列发电预测方法研究

提出一种综合使用前向选择(forward selection,FS)和K-means聚类以及径向基函数(radical basis function,RBF)神经网络的光伏发电功率预测方法。模型以每小时的气象因素作为输入量,首先采用前向选择法对原始多维输入量进行约减,在降低维数的基础上减小各个变量间的耦合现象。再通过K-means聚类方法对样本进行聚类,继而对各类数据建立不同的RBF预测模型,避免单神经网络的过拟合问题。实验结果表明,相比于传统的神经网络预测模型,该文使用的模型输入变量更少,预测精度更高。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于多气象要素降维及改进型变分模态分解算法的光伏发电功率预测模型研究北大核心CSCD

为了精准预测光伏发电输出功率,文章提出了一种基于多气象要素降维、优化后的变分模态分解(OVMD)技术、自适应t分布的麻雀搜索算法(t SSA)和最小二乘法向量机(LSSVM)的光伏发电输出功率预测模型。利用OVMD技术对输入光伏时间序列数据进行分解处理,引入t SSA对利用各模态分量建立的LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏功率预测模型,并使用了中国东南沿海某地区3 a的气象数据和实时的光伏输出功率数据进行模型性能验证,通过与SVM,LSSVM,VMD-LSSVM和VMDSSA-LSSVM 4种模型的预测性能对比,OVMD-t SSA-LSSVM模型的预测精度和拟合效果均最优。实验数据表明,该模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别小于3%和0.35,决定系数(R-Square)超过了97%。最后,通过光伏气象要素降维处理,进一步提升了OVMD-t SSA-LSSVM模型性能。     

基于多权重混合分布模型的光伏出力波动特性研究

建立光伏发电理论出力模型,通过求取其实际出力和衰减理论出力差值提取光伏出力的随机性分量,采用不同单一概率密度函数对随机性分量进行拟合,并分析拟合结果存在较大偏差的原因。为降低拟合偏差,采用基于二分K均值聚类的权重值划分方法,提出三权重混合t Location-scale概率密度函数模型以描述光伏出力波动量的数字特征。最后通过Matlab仿真结果与指标值验证所提出模型拟合效果的优异性。     

基于变分模态分解和集成学习的光伏发电预测

针对光伏发电量数据的非平稳性造成的发电量预测性能问题,提出一种基于改进变分模态分解和集成学习的光伏发电量预测方法。采用改进变分模态分解方法分解光伏发电量数据获得发电量分量,通过集成学习方法构建发电量分量预测模型;将发电量分量预测值进行组合,获得最终发电量预测结果。实验结果表明,所提方法在公开数据集上对光伏发电量进行预测的均方误差、平均绝对误差、决定系数值分别为0.223 2,0.338 7,0.979 7,与其他方法相比具有更高的预测准确率和更小的误差。     

基于高斯核模糊C均值聚类的光伏阵列故障诊断方法

光伏阵列故障诊断过程中传统的故障特征量难以区分特征相似的单故障和多重故障情况,而实际诊断中外场实验采集到的数据也含有较强的噪声,从而导致故障诊断准确率下降。针对这一问题,提出由一个新的特征向量对不同故障进行表征,该特征向量包含:归一化电压Vnorm、归一化电流Inorm、填充因子FF共3个特征量,并利用这3个特征量采用高斯核模糊C均值聚类(GKFCM)方法对光伏阵列中8种故障进行故障识别的方法。这3种故障特征量的结合可有效减少外界气象条件对故障识别的影响;由于GKFCM对复杂数据集具有良好的聚类性能,在复杂环境下不同故障类的识别过程中可有效提高识别准确率。该算法分为训练和测试阶段,在训练阶段对训练集中故障数据利用3个特征量构成的特征向量进行表征并聚类获取类心,在故障识别阶段新故障数据利用同样的方法获得聚类类心并与训练阶段获得的各类故障类心进行相似度计算,从而实现故障分类和新故障的识别。该方法不仅可诊断单故障情况,也可识别多重故障情况,具有较强的抗干扰能力。最后通过仿真及实验证明该方法可有效诊断光伏阵列中的常见故障。     

基于EMD-LSSVM的光伏发电系统功率预测方法研究

考虑到光伏发电系统输出功率特性,提出一种将经验分解法(EMD)与最小二乘支持向量机(LSSVM)相结合的方法对光伏发电系统功率进行预测。首先将历史数据按天气类型分类,利用欧氏距离挑选出待预测日的相似日数据;然后运用EMD将原始光伏发电系统功率序列分解为不同频率的相对平稳的IMF分量,将信号中存在的不同尺度波动或趋势逐级分解出来;最后对各IMF的每一时刻分别建立LSSVM预测模型,将各分量对应时刻的预测值等权值求和得到该时刻最终的光伏发电量。仿真预测结果表明,该方法与单一的LSSVM预测法及小波分解与LSSVM相结合预测法相比,预测精度得到大幅度的提高。     

基于FCM-FM算法的光伏阵列故障诊断

工作于自然环境的光伏阵列故障频发,及时对故障进行定位和分类对于提高光伏电站运行水平具有重要意义。针对光伏阵列的常见故障类型（短路、开路、局部遮挡等）,基于运行数据提出无监督模糊C均值（FCM）聚类与模糊隶属（FM）算法相结合的光伏阵列故障诊断方法。论文首先对光伏阵列典型故障的产生机理进行分析并提取故障特征参数;然后,采用FCM聚类方法对光伏阵列典型故障样本数据进行分类,得到不同故障的聚类中心;最后,利用FM算法计算运行数据与聚类中心的隶属度,判定故障类型。基于数字模拟实验和实证测试,验证上述方法的有效性。分析结果表明,本文方法可有效判别光伏阵列的典型故障,诊断结果准确、可靠。     

PCA-CLUSTER和EMD-CNN相结合的光伏发电设备故障诊断方法

针对光伏发电设备的输出特性具有时间序列的特征,提出了一种主成分分析-聚类算法(PCA-CLUSTER)和经验模态分解-卷积神经网络(EMD-CNN)相结合的光伏发电设备故障诊断方法.首先,通过对时间序列进行主成分分析(PCA),从冗余特征中提取主要成分,降低聚类输入维数,再利用K-Means算法对时间序列进行聚类;然后...     

基于SSA和K均值的TD-BP神经网络超短期光伏功率预测

针对光伏功率预测精度不高的特点,提出一种融合了奇异谱分析、K均值聚类法、时延特性和BP神经网络的光伏功率预测模型。利用相似日理论选取各天气类型训练样本,通过奇异谱分析的分解及重构,提取出蕴含在时间序列中的趋势及准周期成分,利用K均值聚类法将重构后的各天气样本聚类分析为K类。每类以温度、风速、天气类型和历史功率作为样本属性,并通过延时器处理,形成具有时延特性的样本集,作为BP神经网络的输入,构建出基于SSA和K均值的TD-BP神经网络光伏功率预测模型。结果表明,该模型对于光伏功率有较精准的预测,具有一定的可行性及实用性。     

基于变分贝叶斯推断的DPGMM风电机组异常数据识别研究

为了准确识别和剔除风电机组在实际运行过程中产生的异常数据,以便为功率预测等工作提供有效的数据支持,通过分析风电机组运行数据散点在风速-功率(v-P)坐标系中的分布特征,提出了基于变分贝叶斯推断的狄利克雷过程高斯混合模型异常数据识别方法。将试验机组E17实测数据散点沿水平功率方向以一定间隔划分区间,采用能自适应确定最佳分量个数的狄利克雷过程高斯混合模型对每一个功率区间内的数据散点进行聚类,结合各高斯分量置信椭圆参数及数据散点在v-P坐标系中的分布特征,对试验机组E17各功率区间内的高斯分量及其聚类散点进行异常标识。结果表明：该模型克服了传统高斯混合模型需要人为确定分量个数的缺点,能够对风电机组异常数据进行准确识别。