基于TPA机制改进的VMD-GRU抽水蓄能机组振动预测

针对抽水蓄能机组振动趋势预测中振动信号时间序列非线性、非平稳性极强导致常规预测方法难以进行精确预测的问题,提出变分模态分解（Variational Mode Decomposition,VMD）结合时序模式注意力（Temporal Pattern Attention,TPA）机制改进的门控循环单元（Gated Recurrent Units,GRU）神经网络的抽水蓄能机组振动预测方法。利用VMD算法首先将振动信号序列分解为若干个本征模态分量（IMF）,降低时间序列的非平稳性,结合其他特征参数,构建预测输入矩阵。将输入矩阵放入TPA改进的GRU神经网络中训练,利用神经网络强大的非线性特征提取能力,达到精准的预测效果。最后将本方法与GRU-TPA、结合常规注意力机制（AM）的VMD-GRU预测方法进行对比发现,基于TPA改进的VMD-GRU预测方法效果更好,能够更加准确地预测振动信号的时间变化趋势。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。     

组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解（REMD）将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解（WPD）进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络（LSTM）预测模型,低频子序列建立差分自回归移动平均模型（ARIMA）预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。     

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障

针对发动机振动信号的非平稳性以及特征参数的模糊性特点,提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和模糊C均值聚类（Fuzzy Center Mean,FCM）的故障诊断方法,通过对已知故障样本信号进行EEMD分解,形成初始特征向量矩阵;对该矩阵...     

基于数据驱动算法的再热蒸汽温度动态预测

锅炉再热蒸汽温度具有强非线性和大滞后特性,为解决其软测量中常规单一模型预测精度不足的问题,提出一种基于自适应提升算法(Adaptive Boosting, Adaboost)和极限梯度提升(eXtreme Gradient Boosting, XGBoost)的数据驱动建模方法。利用变分模态分解对数据进行深度解析,通过XGBoost建立预测模型,将其作为弱学习器,经过Adaboost算法的不断迭代,配合误差动态修正(Error Dynamic Correction, EDC)构造出一种再热蒸汽温度动态数据驱动模型。结果表明：模型最终的精度评价指标均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)分别为1.733和1.387,与常规的支持向量回归、随机森林及XGBoost模型相比表现更为优异,可以实现再热蒸汽温度的快速准确预测,为后续再热汽温优化控制问题提供有效的参考。     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。     

考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归（SVR）相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解（CEEMDAN）方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解（VMD）方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

基于EMD-MLP组合模型的用电负荷日前预测

[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合（EMD-MLP）的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数（Intrinsic Mode Function,IMF）分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。     

尾流算法与风向变化对海上风机排布影响研究

  [目的]  为了获得海上风场的最优机位排布方案,提升海上项目在全生命周期内的经济收益,必须对影响发电量的关键因素做详细分析。  [方法]  结合海上风场工程项目的实际案例,基于自主开发的海上机位自动优化算法,分别应用Jensen和Larsen两种单机组尾流模型的技术理论,对比了多机组间三种不同的尾流组合叠加方式,并考虑了风向年际变化对现有机组排布的影响,给出了对应的最优机位排布方案。  [结果]  计算结果显示:海上风向的年际变化是影响机位排布的关键因素,使用不同尾流模型对机位排布的影响较小,多机组间尾流叠加方式对机位排布没有影响。  [结论]  研究成果为工程项目中最优机位排布的选择提供了关键依据,避免了风场25年全生命周期内上亿元的经济损失。     

基于深度神经网络的DFIG低电压穿越技术研究

[目的]双馈风机(DFIG)的低电压穿越(LVRT)性能在一定程度上依赖于控制参数的优化,而目前对控制参数的优化基本都是离线模式,原因在于优化算法难以满足实时控制对计算速度的要求.[方法]基于深度神经网络(DNN)原理,提出基于"离线训练、在线计算"思路的低电压穿越实时优化控制方法.首先针对含DFIG电网在不同运行方式...     

海上风电-氢能综合能源监控系统设计

  目的  针对大规模的海上风电投产后消纳问题,提出了海上风电－氢能综合能源监控系统。  方法  提出了海上风电－氢能综合能源监控系统的系统架构、分析了陆上加氢站、海上制氢站、海上风电机组各监控子系统的要求,并给出了能量管理的要求。  结果  实现了实时数据采集、顺序控制、发电预测及计划、分布式电源管理、制氢负荷管理的要求。  结论  系统达到了自发自用,短时储电,长期储氢,负荷可控的控制要求。方案切实可行,有望于工程应用推广。     

天然气网络对含新能源电力系统短期调度运行影响

  [目的]  随着新能源和天然气机组在电力能源系统的装机比例不断增长,天然气系统对含大规模新能源电力系统的短期运行影响需要深入地研究。  [方法]  将天然气网络耦合至电力系统安全约束机组组合模型,以最小化系统运行成本为优化目标,同时考虑新能源接入系统,运用Benders解耦方法求解非线性优化问题。  [结果]  六节点电力系统和六节点天然气网络的综合能源系统算例分析用于验证耦合的优化模型,并表明燃气机组的高爬坡率可帮助电力系统有效地消纳新能源,同时新能源系统可以缓解系统对天然气网络供气约束的依赖。  [结论]  两种能源的优化配置是未来能源系统发展的重要方向。     

粤东近岸深水区周年波浪特征分析

  目的  根据粤东近岸深水区1a的现场实测海浪资料,主要对该海域周年波浪基本特征进行统计分析。  方法  首先对波高和周期特征值进行逐月统计,得到全年基本分布特征;再对波向进行统计,得到波向季节特征;再对波高-周期联合分布和波高与周期之间的关系进行探讨;最后对典型台风浪的特征进行研究。  结果  结果表明:（1）全年H_s平均值为1.52 m,H_max为15.97 m,全年12月、1月和2月的H_s平均值最大,H_max由台风“山竹”造成;（2）受季风季候和热带气旋影响,全年常浪向和强浪向分别为ENE向和SE向;（3）全年波浪类型主要以风浪成分为主,对波高与周期的相关关系进行拟合;（4）根据“山竹”台风浪实测数据,波高和周期都有显著的升高和降低过程。通过海浪谱分析,台风期间经历了从双峰谱向单峰谱的演变,说明台风期间的波浪类型主要为风涌混合浪,谱峰值于9月16日6时达到最大值96.74 m2/Hz,谱峰频率为0.07 Hz。  结论  研究成果可以为相关海洋工程的设计提供技术参考。     

上风向山头对风电机组的安全性影响研究

  目的  由于生态保护和风场边界等条件的限制,有些机位点的主风向方向存在明显山头障碍物遮挡,影响了机组的发电量和安全性能,文章旨在研究减小山头对机组影响的方法。  方法  基于STAR-CCM+软件平台对主风向上有山头遮挡的机位点附近地形进行了数值模拟,分析了扇区管理、提高轮毂高度、地形修整等方法对机组的安全影响。  结果  结果表明:扇区管理、提高轮毂高度和地形修整都能改善风机的安全性。但在该项目中,采用双平台的地形修整的方法对改善风机安全性更加有效。  结论  分析结果可为如何降低来风方向的山头对风机的影响提供方法参考。     

海上风电场运行期尾流损失分析

  [目的]  为了充分认识海上风电场运行过程中的尾流效应,对风电场布局设计中的模拟计算结果进行验证,探索海上风电场的风机尾流损失变化规律。  [方法]  以华南地区某海上风电场为测试场址,选用PARK模型进行尾流模拟计算,对模型中的参数进行优化并进行实际发电量验证。  [结果]  结果表明:PARK模型用于海上风电场尾流模拟可以基本反映风机实际发电情况;在某风向上风机间距为7D情况下,主风向尾流损失在第2排后的分布规律呈现较为稳定的状态,约为首台风机的30%。  [结论]  PARK尾流模型能够较好的模拟近海风电场尾流损失和进行发电量计算,模型参数选择应根据项目实际情况进行敏感性测算。     

海上风电机组智能故障预警系统研究

  [目的]  随着海上风电机组装机容量的飞速发展,业主对海上风电机组的安全运行越来越重视,对风机设备可靠性的要求越来越高。传统的设备故障事后处理模式不仅不能保证发电设备运行的可靠性,而且海上风电运行维护的可达性差,被动的故障后维修无形中增加了巨大的电量损失,已完全不能满足海上风电的要求。设备故障早期智能预警系统可以提前预知设备存在的问题,把设备隐患消除在萌芽状态之内,真正做到“防患于未然”。  [方法]  通过对海上风电机组关键部件的数据采集,结合历史数据提取故障特征,利用神经网络等大数据算法,实现发电机温度异常、发电机轴承异常、齿轮箱散热异常、齿形带断裂警告等设备故障的提前预判。  [结果]  根据对设备早期故障的提前预判,可以综合考虑海上风电的气象、台风、海况、海事等维护特点,有计划地执行积极的预防性维护策略,能够有效地避免大部件故障的发生或风机整机失效情况的发生。  [结论]  研究成果可提高海上风电机组的可靠性和风电场整体发电效益。     

基于SA-PSO的风电消纳经济性动态规划分析

  [目的]  电网运行规划研究在电力系统中具有十分重要的地位,对电源布局具有决策意义,其本质上是一个多约束组合优化问题,重点研究了风电运行成本的计算模型。  [方法]  该模型对电源布局规划中需要重点考虑的约束问题进行了分析,采用粒子群算法用于解决此类目标优化问题,并结合模拟退火理论对传统粒子群算法进行了优化处理。  [结果]  通过仿真计算,与遗传算法及粒子群算法进行了对比分析,证实了这种算法的优越性,可以找到满足各种约束条件的最优电网出力方案。最后,进一步分析了在不同风速下对风电并网运行成本影响。  [结论]  该模型应用于电网规划分析是可行且有效的。     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。