基于协整理论和误差修正模型的网投资需求预测研究

电网投资需求预测对于合理安排电网建设资金的投入、减少资金成本等具有十分重要的意义,提出了一种基于协整理论和误差修正模型的电网投资需求预测模型.以某地区1981-2009年的统计数据为基础,通过ADF单位根检验、Johansen协整检验,逐步筛选变量,发现了电网投资与最大用电负荷之间具有长期均衡关系,并建立了2者的长期均...     

基于协整理论的负荷预测新方法

对用电量、GDP变量系统建立了向量自回归模型,使用Johansen-juselius方法分析2个序列之间的协整关系,确定了协整向量,利用误差纠正项将无约束向量自回归模型修正为向量误差纠正模型,用极大似然估计参数完成模型的参数估计。从理论层面分析了2个变量系统的长期均衡关系和短期波动的误差纠正机制。最后运用该模型对江苏省季度数据进行预测分析。基于协整理论的负荷预测方案有效地避免了传统建模中出现的伪回归隐忧,实际算例表明,模型的预测效果是满意的。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

基于形态波动一致性偏移距离的滚动轴承 剩余寿命预测方法

针对滚动轴承完全失效阈值的设置多根据人工经验选取、退化轨迹适配忽略时间序列整体形态趋势变化的问题,提出一种基于形态波动一致性偏移距离的滚动轴承失效阈值设置与剩余寿命预测方法。首先,引入前向差分（FD）对振动信号进行预处理,并对处理后的信号计算均方根（RMS）值作为退化指标（DI）;其次,融合双指数模型对DI曲线进行拟合确定最终参考轴承的完全失效阈值（TFT）,降低TFT的设置偏差;最后,利用形态波动一致性偏移距离（MFCDD)计算DI曲线相似度,完成对测试轴承失效阈值的设置,并利用粒子滤波更新双指数模型完成滚动轴承的剩余使用寿命（RUL）预测。在XJTY-SY数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络-双向长短期记忆网络预测方法分别提升了82.97%和73.64%;在PHM2012数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络 双向长短期记忆网络预测方法、长短期记忆-自注意力机制预测方法分别提升了99.99%、60.65%和99.90%。     

基于特征提取与误差补偿的金属化薄膜电容器剩余寿命预测

金属化薄膜电容器是轨道交通变流系统的重要元器件之一,精确预测其剩余寿命有助于优化变流系统的运行维护策略,降低系统运用成本,同时降低故障和突发事故发生所带来的损失。由于老化试验成本与时间的限制,当前的寿命预测存在数据样本数小、特征参数测量点少等问题,因此,文中采用能较好适应该类样本的支持向量回归(support vector regression,SVR),并利用深度置信网络(deep belief network,DBN)在未构建复杂且未知的经验退化函数下对电容量退化序列的特征进行深度提取,建立融合DBN与“双通道”支持向量回归(binary support vector regression,BSVR)的预测模型,其中“第一通道”基于Linear核函数的SVR对序列实行多步递归预测(recursive multi-step forecast strategy,RMFS),随后将所获误差代入基于Gauss核函数的“第二通道”SVR完成误差补偿训练,较好地消除了实行RMFS时所造成的累积误差。就此,提出基于特征提取与误差补偿的剩余寿命预测方法,并在老化试验下的金属化薄膜电容器电容量退化数...     

吉林省电力消费与经济增长的协整分析

介绍了协整理论的基本原理,运用协整理论对吉林省1978～2010年的电力消费与经济增长之间的关系进行了实证研究,分析结果验证了吉林省电力消费与GDP增长之间存在着长期稳定的均衡关系,建立了吉林省电力消费和GDP之间的协整关系和误差修正模型,通过G ranger因果关系分析发现,吉林省电力消费与经济增长之间只存在单向的因果关系。     

KPCA和改进LSTM在滚动轴承剩余寿命预测中的应用研究

提出了一种基于核主成分分析(KPCA)方法和运用了Dropout策略的长短时记忆神经网络(LSTM)的轴承剩余寿命预测方法.首先,提取了振动信号的有效值、最大值、峰峰值、峭度等14个时域特征指标.然后,利用KPCA方法融合轴承振动信号时域特征指标得到若干的主成分.提取若干主成分之中的第一主成分来评估研究对象的性能退化状...     

基于改进支持向量回归的锂电池剩余寿命预测

锂离子电池凭借其优越的性能广泛用于电动汽车及储能领域.然而,随着使用时间增加,锂离子电池性能大幅度衰退,会间接导致设备性能衰退或发生故障.因此,准确预测锂离子电池剩余有效寿命(RUL),能够对电池进行及时维护和更换,保障电池安全可靠运行.该文从充电过程中提取能够表征电池性能退化的间接健康因子,并利用Pearson和Sp...     

基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测

为了准确预测滚动轴承的剩余使用寿命(RUL),提出一种多评价标准有效性分析(MCEA)、核主成分分析(KPCA)和组合支持向量回归(SVR)相结合的滚动轴承RUL预测方法。该方法对提取的特征计算每个评价标准的有效性得分,自适应地确定每个评价标准的权重,筛选出有效性总得分高于其整体平均值的特征,进一步利用KPCA去除已筛选特征之间的信息冗余,建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入,当前使用寿命与全寿命的比值p即RUL作为输出,建立多个SVR模型,并采用自适应的方法确定各模型的权重,最终构建组合SVR预测模型。最后,对与训练不同的轴承进行测试,将约简后特征输入到组合SVR预测模型中,预测轴承的p值,实验结果表明,所提方法可准确地对滚动轴承进行RUL预测。     

基于注意力TCN的滚动轴承剩余使用寿命预测方法

针对现有的基于数据驱动的滚动轴承剩余使用寿命(RUL)预测方法仍需要大量的先验知识来提取特征、构建健康指标和设定故障阈值的现状,提出了一种基于带多头注意力机制的时间卷积网络(TCN)的RUL直接预测方法。该方法首先将原始振动信号的短时傅里叶变换(STFT)作为堆栈降噪自动编码器(SDAE)的输入,得到深度特征表示;然后将其输入到注意力TCN中进行RUL预测。最后,在PRONOSTIA的滚动轴承数据集进行验证。结果表明,本文方法的预测误差指标MAE和MAPE分别比其它四种方法平均降低了53.92%和46.13%;得分指标也比这些方法平均提高了52.98%。     

基于BiLSTM神经网络的锂电池SOH估计与RUL预测

针对锂电池健康状态(SOH)估计与剩余寿命(RUL)预测问题,设计一种基于双向长短期记忆(BiLSTM)神经网络模型的预测方法.首先,提取美国国家航空航天局(NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据.其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法(Nadam)优化函数动态调整...     

基于AELSTM 模型迁移学习的滚动轴承剩余寿命预测

滚动轴承是机械设备中的重要零件,其工作状态直接关系着设备的运行,一旦发生故障会引起整个设备的正常运行,甚至引发重大的安全事故,因此,对其剩余寿命预测对设备的健康管理具有重要意义。提出了一种基于自编码-长短时记忆网络(autoencoder-long short term memory, AELSTM)迁移学习(transfer learning, TL)的滚动轴承剩余寿命预测方法,首先采用自动编码器自动提取源域中原始振动信号中的特征,再构建双层LSTM模型对剩余寿命进行预测,通过源域中训练获得AELSTM模型,再用目标域中的数据对AELSTM模型训练,完成对模型参数的微调,最后用调整好的模型对目标域中的数据进行预测。通过参数共享和微调两种方法,大大简化了模型在目标域上的训练过程。试验结果表明,在同轴承不同工况下,所提出模型相比于其他4种迁移学习方法的均方根误差分别降低了45.9%、58.9%、42.8%以及83.8%;在不同轴承不同工况下,所提出模型的均方根误差分别降低了16.9%、18.9%、11.7%以及8.9%。     

基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究.将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一...     

基于自适应滚动匹配预测修正模式的光伏区间预测

为解决传统点预测方式难以量化光伏发电功率不确定性的问题以及提高预测精度,提出一种基于自适应滚动匹配预测修正模式的光伏区间预测方法.通过结合小波能量的谱聚类方法对历史光伏数据集进行聚类,构建不同类别的模型输入和区间输出并采用宽度学习系统进行训练;建立不同类别、不同置信区间、不同预测功率区间的stable误差分布,并结合优...     

基于PF-ARIMA的锂离子电池剩余寿命预测

针对电池健康状态局部波动增加预测难度,采用粒子滤波和自回归整合移动平均模型分别预测由经验模态分解提取的健康状态趋势项和细节项,实现锂离子电池剩余寿命预测.提出的PF-ARIMA方法相对误差均值约4.0％,表明该方法能够较为准确地预测锂离子电池剩余寿命.     

利用 QPSO 改进相关向量机的电池寿命预测

锂离子电池作为系统供能的关键部分,其寿命终结往往导致用电设备的性能下降或故障,甚至整个系统的崩溃。因此,研究电池剩余使用寿命(RUL),提前预知失效时间,显得日趋重要。针对锂离子电池寿命预测过程中训练时间较长、参数确定困难、输出结果不稳定等问题,提出了利用运用泛化能力更好,更稀疏,测试时间更短,更适用于在线检测的相关向量机(RVM)进行预测,并通过量子粒子群对相关向量机进行了优化,保证了预测输出结果的稳定性。分析结果表明,量子粒子群算法改进后的相关向量机对锂电池失效时间的预测准确度高达99%,电池寿命预测的绝对误差平均值2%,均方根误差3%,验证了该改进算法的可行性和优越性。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

基于MVMD和全矢包络谱的滚动轴承故障诊断方法

为全面、准确地诊断滚动轴承故障,提出一种基于多元变分模态分解(MVMD)和全矢包络谱的滚动轴承故障诊断方法.首先,采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,将其组成一个二元调制振荡信号.然后,运用MVMD从二元调制振荡信号中提取一组最佳的二元调制振荡信号,其对应的带宽之和最小.由于MVMD运用统一数学模型对2个方向的信号建模,可确保故障特征被分解到同一层,便于后续的信息融合.最后,运用Hilbert变换对每个二元调制振荡信号解调得到相应的包络信号,利用全矢谱融合2个方向的包络信号信息以得到全矢包络谱,进而诊断滚动轴承故障.仿真和试验结果证明了所提方法的可行性和有效性.