共查询到20条相似文献,搜索用时 31 毫秒
1.
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。 相似文献
2.
3.
4.
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。 相似文献
5.
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。 相似文献
6.
7.
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。 相似文献
8.
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。 相似文献
9.
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。 相似文献
10.
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。 相似文献
11.
12.
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。 相似文献
13.
14.
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。 相似文献
15.
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。 相似文献
16.
17.
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。 相似文献
18.
19.
20.
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。 相似文献