基于时间序列的分布式光伏电站发电数据采集方法

由于当前方法对发电数据进行采集时,没有对发电数据的缺失值进行修复,存在缺失数据修复前数据采集精度差、与实际采集数据相差多的问题。该文提出一种基于时间序列的分布式光伏电站发电数据采集方法。根据光伏电站受到的不同影响,构建了负荷异常值类型的时间序列模型,利用该模型对异常数据负荷点进行剔除,由于剔除后的数据存在缺失值,因此对其进行修复;根据修复结果,采用BP神经网络对发电数据进行采集。实验结果表明,通过对该方法进行缺失数据修复前后对比测试、不同方法与实际指标数据采集测试,验证了该方法的有效性强、实用性高。     

基于DBSCAN的大坝安全监测异常数据检测算法

为有效识别出安全监测数据中的异常值,考虑环境因素对观测值的影响,提出了一种基于DBSCAN聚类算法的大坝安全监测异常数据检测算法,通过引入数学回归模型获取残差序列,再结合DBSCAN算法对残差序列进行分析,并对大坝安全监测中常见的周期性、趋势性和不规则性数据进行异常检测试验。试验结果表明,该算法对各类异常添加模式下的试验数据查准率、查全率、准确率均达到0.99以上,相比于传统方法具有更好的适用性和鲁棒性。     

基于多元状态估计和超椭球分析的汽轮机运行状态监测

为准确监测汽轮机运行情况,提出了基于多元状态估计(MSET)和超椭球分析(HEA)的汽轮机运行状态监测方法。以汽轮机运行过程中的多维监测数据为依据,基于MSET方法建立汽轮机健康状态的监测模型,获得多维监测数据实测值与期望值的残差向量;采用HEA模型对MSET残差向量进行分析,实时判断汽轮机运行状态。结果表明:该方法可以更有效地对汽轮机运行状态进行监测,尽早发现汽轮机运行状态的异常。     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。     

基于综合相似日和功率相关性的光伏电站预测功率修正

提出了一种基于邻近电站和综合相似日的BP网络光伏输出功率异常数据修复方法。考虑了地理位置、温度以及1日类型等影响出力的因素,通过皮尔逊积距法选取与待修复电站功率相关度高的邻近电站,综合使用灰色关联度和曲线相似度来分析相似日,找出与待修复日相符的周边电站的综合相似日数据,然后建立BP网络模型,用自适应调节学习速率的方法修复不良数据。对青海地区实际光伏预测功率中的异常数据进行修复的结果表明,该方法有较高的修复精度。     

内燃机活塞环槽磨损量的灰色预测模型

为实现对活塞环槽磨损量的有效、准确、动态预测,本文根据活塞环槽磨损的基本规律,设定了一组活塞环槽磨损量的理论数据,在此基础上,采用灰色系统理论的GM(1,1)预测模型,对活塞环槽的磨损量进行灰色建模,并借助Matlab进行灰色计算。计算结果表明:活塞环槽磨损量的灰色预测模型可以较为准确地预测环槽磨损量,相对残差在8%以内;随着预测数据量的增加,模型的预测精度进一步提高,相对残差稳定在2.5%以内。该模型的建立对内燃机活塞环槽磨损量的预测和活塞的修复和更换具有一定的现实指导意义。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差（MV）法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明：组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测北大核心CSCD

锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。     

融合空间信息的多尺度残差卷积开关柜异物检测算法研究

检查开关柜中有无异物以确保设备安全运行是配网建设的基本任务。针对开关柜中背景复杂且目标遮挡严重的问题,文章提出一种融合空间信息的多尺度残差卷积检测算法。首先,利用多尺度残差卷积,降低目标遮挡导致特征提取不全的影响,再设置残差连接解决过拟合问题;然后,在深层特征图间增加改进的注意力机制,降低网络过深导致细节信息丢失影响,提高检测效果。最后,搭建自制开关柜异物数据集实验平台,实验结果表明,改进模型检测速度下降11FPS(frames per second),为72FPS,平均精度AP50为91.26%,AP@50:5:95为76.04%,分别提高2.59%和3.69%。并在输电线路异物与缺陷绝缘子数据集验证普适性算法,实验结果表明,改进模型检测精度均高于原始模型。     

基于迁移学习与ResNet的太阳电池缺陷检测方法

针对太阳电池缺陷种类复杂多样、人工检测效率低下的问题,提出一种基于迁移学习与ResNet的太阳电池缺陷检测方法。该方法首先利用残差模块搭建ResNet缺陷检测模型,接着将参数从ImageNet预训练模型迁移到ResNet缺陷检测模型中并使用电致发光(EL)图像微调模型,然后加载最优模型构建缺陷检测分类器实现太阳电池的缺陷检测。将该方法应用到常州某企业太阳电池的缺陷检测中。结果表明:在不同数据比例下,所提方法综合性能最好、泛化能力强、鲁棒性好,能实现模型快速训练并提高太阳电池缺陷检测的准确率,可满足太阳电池缺陷检测的需求。     

改进云模型在大坝安全监测数据异常识别中的应用

大坝安全监测序列中异常数据的准确识别是科学评判大坝运行性态与安全状况的前提和保障.传统的基于回归模型的异常识别方法会在监测数据的拟合精度较低时造成正常值误判或异常值漏判.因此,提出基于日变化速率的改进云模型识别方法,以测值的日变化速率代替原始数据建立云模型,对用外轮廓区间作为预警阈值的控制方法进行改进,并将其应用效果与...     

基于BP神经网络模型的闽江流域地表水(福州段)水质变化趋势预测

为验证BP模型在河流水质预测中的有效性,利用2006~2011年闽江流域(福州段)闽侯竹岐、长乐白岩潭断面的河流水质数据,建立BP神经网络预测模型,从时间上对闽江流域(福州段)的水质进行预测,并用实际监测数据检验预测精度。结果表明,BP神经网络的水质预测模型在闽江流域(福州段)水质预测中有较好的预测精度。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于XGBoost和Wasserstein距离的风电机组塔架振动监测研究

针对风电机组塔架振动监测问题,考虑到风能脉动与机组控制动作等激励对塔架振动的影响,提出一种基于数据驱动的塔架振动监测方法。首先基于K-均值算法对风电机组工况进行辨识,分析各状态参量、机组工况对塔架振动的影响;其次基于极限梯度提升（XGBoost）算法对不同工况下的塔架振动趋势进行建模预测,针对同一风电场不同塔架振动预测残差的差异,提出一种基于Wasserstein距离的塔架振动监测方法;最后使用风电场实际数据验证,以误差平方和为评价指标,考虑机组工况条件的XGBoost预测精度提高了34.6%。基于数据驱动的方法能有效识别风电场中异常振动较频繁的塔架,提升了运维效率。     

SVM-RBFNN组合模型在某混凝土双曲拱坝变形监测中的应用

大坝变形监测数据由于受水位、温度、时效等因素的影响,是一个非线性、非平稳的时间序列。考虑到支持向量机模型(SVM)对小样本、非线性问题有很好的预测效果,采用SVM模型刻画样本数据的趋势性信息;同时运用径向基函数神经网络(RBFNN)对残差序列进行分析和预测,并将时间序列的趋势项和误差项线性叠加,组成SVM-RBFNN组合预测模型。实例应用表明,SVM-RBFNN组合模型精度高于SVM模型,具有一定的实用性。     

基于改进麻雀搜索算法优化深度学习网络超参数的短期风电功率预测

提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。     

基于生成对抗网络多变量风电时间序列异常值处理

将孤立森林算法应用于风电数据的异常值检测,利用改进的GRUI神经单元基于WGAN网络进行缺失值插补。在内蒙古风电场的真实数据集上验证了所提方法的有效性,并与KNN、GAN等方法进行对比,验证了模型的有效性,具有更好的插补精度。     

大坝实测性态的灰色马尔科夫链预测方法研究

为实现大坝安全性态的准确预报,以西南某坝的多年扬压力极值为例,以扬压力实测序列建立GM(1,1)预测模型,基于预测模型的残差序列建立马尔科夫残差模型,对比分析GM(1,1)残差预测模型和马尔科夫残差模型;综合GM(1,1)模型和马尔科夫残差模型建立灰色马尔科夫模型,并利用灰色马尔科夫模型预测扬压力极大值。结果表明,灰色马尔科夫模型提高了预报的精度并恰当地反映了过程的摆动性。     

考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型及应用

鉴于传统的统计模型未考虑变形中的随机扰动和混沌现象,借助小波分析、灰色Verhulst模型（G Verhulst）〖JP〗和差分自回归移动平均模型（ARIMA）分析统计模型的残差,以充分挖掘变形观测资料中的数据特性。首先利用小波分析对残差序列去噪,提取出不同频率的信号,然后分别用G Verhulst模型和ARIMA模型进行建模预测,最后将统计模型预测值和残差预测值叠加,建立了一种考虑残差的小波G Verhulst ARIMA大坝变形组合预测模型。实例应用结果表明,与不考虑残差的组合模型及使用GM（1,1）模型（EGM）代替G Verhulst模型的组合模型相比,该模型拟合和预测时的均方误差均小于其他两组模型,有效提高了预测精度,为建立大坝安全监控模型提供了新思路。