断路器全寿命周期成本模型及其应用研究

在对断路器进行经济评估时,往往比较关注购置成本而忽略了其他阶段所发生的成本,容易造成资金得不到充分利用。根据全寿命周期理论,建立了考虑资金时间价值的断路器全寿命周期成本(life cycle cost,LCC)模型,该模型能够对断路器全寿命周期成本进行计算和分析,为断路器进行经济评估提供决策。通过实例验证了该模型的有效性,并且提出在LCC的计算过程中必须全面计及各阶段成本和合理评估断路器的使用寿命。全寿命周期理论为断路器的经济评估提供了方法,同时也为其他电力设备的经济评估提供了指导。     

基于随机森林算法的低压断路器寿命预测方法

常规的低压断路器寿命预测方法主要使用Wiener非单调退化预测模型获取时间退化特征量,易受检测周期变化影响,导致寿命预测相对误差较高,因此,需要基于随机森林算法设计一种全新的低压断路器寿命预测方法。即利用振动检测技术采集处理了低压断路器寿命预测振动信号,结合随机森林算法构建了低压断路器寿命预测模型,生成了低压断路器寿命预测参数,从而实现了低压断路器寿命预测。实验结果表明,设计的基于随机森林算法的低压断路器寿命预测方法的预测效果较好,寿命预测相对误差较低,具有可靠性,有一定的应用价值,为提高低压断路器维护保养有效性作出了一定的贡献。     

基于GRA-BPNN时变权重的光伏短期出力组合预测

针对并网情况下光伏出力预测精度低和稳定性差问题,提出了一种基于灰色关联分析(GRA)结合BP神经网络(GRA-BPNN)的变权重系数组合预测模型。首先,利用3种单一预测模型对光伏出力分别进行预测,然后,利用GRA-BPNN模型对3个单一模型不同时刻的权重系数进行预测,最后,根据权重系数计算出预测结果。文章利用武汉某并网光伏电站的实测数据对GRA-BPNN变权重组合预测模型预测结果的准确性进行检验。分析结果表明:GRA-BPNN变权重组合预测模型的相对均方根误差和相对平均误差均低于单一模型和等权重组合模型;根据各预测模型的残差直方图可知,GRA-BPNN变权重组合预测模型预测结果中出现较大残差的概率很小,有效地解决了单一模型预测结果不稳定的问题。     

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。     

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。     

基于PCA-UPF的风力机轴承剩余寿命预测方法

为解决风力机轴承退化指标提取困难与剩余寿命预测精度低的问题,提出一种基于主成分分析(PCA)和无迹粒子滤波(UPF)的预测方法。该方法主要包括退化指标提取和寿命预测2个步骤。在退化指标提取部分,通过PCA对轴承实时振动信号的多域原始特征集进行融合,得到能够反映轴承衰退趋势的退化指标。在剩余寿命预测部分,通过对轴承历史数据的拟合分析构建退化模型,再利用UPF算法对模型参数进行更新,实现对轴承退化状态的跟踪和预测。使用实际风力机轴承监测数据对所提方法进行验证,结果表明该方法相比于传统的粒子滤波PF方法,能有效降低粒子退化程度,从而显著提高轴承剩余寿命预测精度,为大型风电机组的健康管理和可靠性评估提供参考依据。     

基于系统辨识的地表太阳辐射Box-Jenkins模型的建立

利用天文辐射作为输入数据,采用系统辨识的方法得到地表太阳辐射的BJ(Box-Jenkins)模型,并通过残差分析和零极点检验。该方法可用于预测5～15min时间间隔的地表太阳辐射,为太阳能电站的功率输出预测提供太阳能辐射数据。     

基于灰色关联和协整理论的风功率组合预测研究

基于灰色关联和协整性理论,研究风电功率模型筛选与组合预测问题。分析6种单项预测方法与实际功率序列的灰关联度,并进行协整性检验,剔除冗余方法。算例分析结果表明,进行单项模型筛选能进一步提高组合预测模型的精度。然后,提出基于小世界优化的变权组合预测模型,并利用该模型对筛选后的方法进行组合预测。通过一个实例将小世界优化的变权组合预测模型与等权重平均组合预测法及协方差变权组合预测法进行仿真对比,该模型具有较高的预测精度和工作效率,可验证其在实际应用中的有效性和实用性。     

融合维纳过程和粒子滤波的风力发电机轴承剩余寿命预测

提出维纳过程与粒子滤波相结合的滚动轴承剩余寿命预测方法,将维纳过程引入粒子滤波状态空间模型,充分利用其随机增量性质,增强模型的非线性表达能力,提高预测的准确性。提出弱跟踪粒子滤波策略调整维纳过程,解决概率密度分布方差过大的问题。该方法在试验台轴承和风力发电机轴承测试数据中均得到验证,可准确预测轴承剩余寿命。     

基于集成学习的涡扇发动机剩余寿命预测模型

为了解决涡扇发动机的监测数据维数高、时间跨度长、给预测发动机剩余使用寿命带来困难的问题。本文提出了一种基于集成神经网络模型的发动机寿命预测系统,采用集成学习中的Stacking方法对单一的学习器进行集成来预测涡扇发动机的剩余使用寿命(RUL)。模型在NASA公共数据集C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)上进行了发动机寿命预测实验验证,并与常用的机器学习方法和单一神经网络进行了比较。实验结果表明：模型在多种评价方法上综合表现最佳,且在超前预测上表现良好。     

基于Ω方法的T/P91耐热钢蠕变持久寿命预测

利用Ω方法预测原始态和服役态T/P91耐热钢的蠕变持久寿命,并将其与利用等温线法和Larson-Miller参数法得到的结果进行对比。提出一种基于Ω方法的加速试验方案,该方法仅需一根试样即可快速预测给定温度和应力参数下的蠕变持久寿命。结果表明:与等温线法和Larson-Miller参数法相比,加速Ω方法的预测精度更高;对于服役态T/P91耐热钢,不同蠕变加速试验参数下得到的Ω较接近,蠕变断裂时间预测值均与试验值较吻合。     

LS1210型高弹性联轴器疲劳寿命预测

为降低高弹性联轴器疲劳寿命研究成本及缩短其开发周期,基于一型广泛应用的成熟产品,通过FE-SAFE/ABAQUS联合仿真预测其疲劳寿命,并以实际使用寿命来验证疲劳寿命预测的可靠性。首先通过橡胶材料的单轴拉伸、平面拉伸力学试验拟合出能准确描述其力学性能的二次多项式本构模型,计算获得了该产品橡胶块在工作载荷下的应力、应变分布,最后通过疲劳寿命分析,得出了该产品无限寿命的结论,这与其实际使用寿命相符合。表明该疲劳寿命预测方法切实可行,并可用于同类产品的设计、开发。     

改进1DCNN和LSTM的涡扇发动机剩余寿命预测

针对单一深度学习网络对涡扇发动机退化特征提取不足、超参数选择困难的问题,提出一种改进一维卷积神经网络(1-Dimensional Convolutional Neural Network, 1D-CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的涡扇发动机剩余寿命预测方法。首先,利用相关性、单调性和离散性一系列评价指标对涡扇发动机的多维传感器特征参数进行评价和选择,将综合评价指标高的优选特征参数作为1D-CNN的原始输入特征;然后,通过改进激活函数和Dropout函数来提升1D-CNN的特征提取能力,构建表征发动机退化趋势的一维复合健康指标;最后,利用贝叶斯优化(Bayesian Optimization, BO)的LSTM挖掘一维复合健康指标的时间特征,并实现剩余寿命预测。为验证此方法的预测效果,采用美国国家航空航天局提供的涡扇发动机退化数据集进行剩余寿命预测,实验的均方根误差为14.040 2,评分函数值为314.607 8。结果表明：相比于单一深度学习方法和传统机器学习方法,该方法不仅能获得较高的剩余寿命预测精度,还能有效解决深度学习模型超参数...     

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。     

基于双输入深度卷积神经网络的风力机轴承RUL预测

针对轴承剩余寿命预测中常用健康指标泛化性不足的问题，提出一种基于双输入深度卷积神经网络的轴承剩余寿命预测模型。首先使用自适应最大相关峭度解卷积方法处理轴承信号并采用特征融合手段得到信号的时间序列特征；然后，将信号的时频图和时间序列特征同时作为模型的输入，通过已建立的双输入深度卷积神经网络模型来预测轴承健康因子；最后使用门控循环单元网络与健康因子相结合的方法来预测轴承的剩余使用寿命。在公开的西安交通大学公布的XJTU轴承数据集上对所提方法进行验证，并在风力机高速轴轴承历史监测数据上进行应用。试验结果表明：该方法不但显著提升了健康因子的泛化性能，还在预测精度方面有优异表现。     

基于EEMD-ANN的水库年径流预测

以三峡水库为例,基于集合经验模态分解(EEMD)及人工神经网络方法对水库年径流进行预测。首先利用Mann-Kendall和Pettitt法对水库年径流序列进行突变检测,获得平稳径流序列,然后采取EEMD方法分解径流序列,得到固有模态函数(IMF)和残差,最后对不同IMFs和残差分别建立人工神经网络预测模型,叠加所有模型预测结果得到年径流预测值。结果表明,基于EEMD-ANN的年径流预测模型优于自回归模型和人工神经网络模型,其预测结果与实测值的相关性更强,预测误差分别减少了11.4%、8.7%。同时,构建EEMD-ANN预测模型时需考虑径流序列的突变特征,采取平稳径流序列的预测效果更优。     

灰色自记忆模型在杭州市年降水量序列中的应用

将灰色微分方程与自记忆函数相结合构建灰色自记忆模型,并对杭州市年降水量序列进行拟舍和预测,采用逐步回归周期分析法提取该序列的周期项后,再对残差序列建立灰色自记忆模型.结果表明,采用残差序列建立的模型,模拟和预测精度大幅提高.     

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。     

基于IPSO-BP的风电机组齿轮箱状态监测研究

将改进粒子群算法(IPSO)与BP神经网络相结合,建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理地选择训练样本,使IPSO-BP模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,导致IPSO-BP网络温度模型预测残差的分布特性发生变化。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差超过预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。     

基于全寿命管理电网设备资产墙预测模型研究

随着我国电网事业的蓬勃发展,电网企业设备资产全寿命管理和资产墙模型分析方法逐渐得到重视。基于价值链管理理论,提出了一种基于全寿命管理资产墙模型投资预测方法,该方法引入全寿命管理设备资产价值函数,克服了经典资产墙简单平移推演的弊端。通过对湖北电网主变设备投资预测实例分析表明,采用此模型的预测结果比采用经典资产墙方法的预测结果更准确,可为电网企业设备资产管理提供参考。