基于稀疏表示方法的短期风电功率预测

针对短期风电功率预测,提出一种基于稀疏表示特征提取的建模方法.为了构建预测模型,将历史风电功率数据构成具有时延的输入-输出数据对,将时延输入数据向量作为初始字典,由K-均值奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为极限...     

基于GMDH网络的风电功率短期预测

风力发电是当今新能源领域最具有前景的发展方向,而准确有效地预测风电场的输出功率对于风电场的顺利并网运行具有重要的意义。从实际的风力发电场中获得了有关风速、风向以及实际输出功率等历史数据,建立了基于GMDH神经网络的风电短期功率预测模型并将其运用于实际的风电场功率短期预测当中。最后,通过将预测结果和实际输出功率比较,表明GMDH方法在风电功率预测中具有较高的预测精度。     

基于FEEMD-PACF-BP_AdaBoost模型的风电功率超短期预测

针对风电功率超短期预测问题,提出基于快速集合经验模态分解(Fast Ensemble Empirical Mode De-composition,FEEMD)、样本熵(Sample Entropy,SE)和BP_AdaBoost集成神经网络组合的超短期风电功率预测模型.对风电功率原始数据,采用FEEMD方法将其分解为从一系列本征模态函数分量(IMF)和余项;运用样本熵来解决分量个数过多、计算量繁杂的问题,通过PACF(偏自相关系数)筛选出与预测值关联程度高的元素确定输入维数;选用泛化能力强的集成神经网络BP_AdaBoost构建单步滚动预测模型并叠加获得最终值.实验结果表明,该组合模型提高了预测精度,具有可行性和有效性.     

基于高斯过程的短期风电功率概率预测

风电是近年来发展迅速的绿色能源,因此对短期风电功率的预测就显得尤为重要.提出了基于高斯过程(Gaussian Processes,GP)的概率预测方法,详细说明了该方法的短期风电功率概率预测原理并建立了数学模型.为了使短期风电功率概率预测精度有一个良好的对比性分析,将基于不同的单一协方差函数以及组合协方差函数的GP方法用于预测中,以国外某风电场2006年6月份的历史风电功率实测数据进行算例实例分析,并与SVM方法在同等条件下进行比较.实验结果表明,GP方法均可以给出较好的预测效果,优于SVM的预测结果,且能给出预测输出的置信水平.若考虑具有自动相关确定(Automatic Relevance Determination,ARD)协方差函数或具有ARD特性的组合协方差函数时,GP方法的预测效果最好.     

基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

改进Informer网络的风电功率短期预测

准确预测风电功率对于提高电力系统的效率和安全性具有重要意义, 而风能的间歇性和随机性特点导致风电功率难以准确预测. 因此, 提出一种改进Informer的风电功率预测模型PCI-Informer (PATCH-CNN-IRFFN-Informer). 将序列数据划分为子序列级补丁, 并进行特征提取和整合, 提高模型对序列数据的处理能力和效果; 采用多尺度因果卷积自注意力机制, 实现多尺度局部特征融合, 提高模型对局部信息的理解和建模能力; 引入反向残差前馈网络 (IRFFN), 增强模型对局部结构信息的提取和保留能力. 某风电场数据实验结果表明, 与主流预测模型相比, PCI-Informer模型在不同预测步长下均取得了更好的预测效果, 在MAE指标上相比Informer模型平均降低了11.1%, 有效提高了短期风电功率的预测精度.     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

基于VMD-JAYA-LSSVM的短期风电功率预测

针对风电功率预测中出现的随机性和波动性问题,提出了一种基于变分模态分解(VMD)和JAYA优化最小二乘支持向量机(LSSVM)参数的算法,实现短期风电功率的预测.该算法通过分析历史风速序列和气压对风电功率的影响,用VMD对历史风速进行分解,将分解出的风速分量结合气象因素中的气压作为LSSVM预測模型的训练输入,利用JA...     

基于小波神经网络的流量自回归预测研究

通过应用系统的历史网络流量训练小波神经网络的各个参数,最终确定收敛的小波神经网络的结构。证明流量的自回归短期预测是个NP问题,分析小波神经网络预测算法的时间复杂度。通过实验结果表明,采用小波神经网络相对于BP、GRNN、解决此类NP问题具有良好预测效果和收敛速度。     

基于MATLAB-GUI的风电机组功率特性测试数据分析

风力发电作为清洁能源倍受青睐。随着技术和经验的不断积累、装机容量的不断增长,加之机组进/出质保期的考核要求,在役风电机组的功率特性验证以及优化需求逐渐显露,而风电机组功率特性测试成为了必要的验证手段。结合国内现行风电机组功率特性测试要求,设计基于MATLAB-GUI的风电机组功率特性测试及数据处理方案,为在役风电机组的功率特性验证及优化提供了必要的技术支持。     

基于L0稀疏超图半监督学习的异常用电行为识别

对异常用电行为进行自动分析是电力部门十分关心的问题,故提出一种基于L0稀疏超图半监督学习的用户窃电行为识别算法。与经典图模型中两个顶点的边连接方式不同,超图模型将具有相似特征的多个样本组建为超边,有利于表示用户用电数据间的复杂关联关系。然而常用的K近邻构建超边方法存在超边大小固定,无法有效匹配用户用电数据非均匀分布的缺点。为解决该问题,建立基于L0稀疏重构的超图模型,模型针对每一用户数据建立一个超边,通过L0范数约束的稀疏分解自适应选择与当前用户紧密关联的多个样本,更有利于匹配用户数据的分布结构。继而构建超图拉普拉斯正则约束的半监督分类模型,利用少量的标定样本数据,判别用户用电行为是否存在异常。选取某城市8 900余居民300余天的实际用电数据作为测试样本集,实验结果验证了方法的有效性。     

基于词条数学期望的词条权重计算方法

文本的形式化表示一直是文本挖掘的基础性问题,向量空间模型中的TFIDF计算方法是文本表示中一种效果较好的经典词条权重计算方法。在分析传统TFIDF计算方法存在问题的基础上,针对TFIDF方法中没有考虑包含词条的文档在各个类别的分布情况以及各个类别中所含的文档数的不同。提出了将词条的数学期望(TFIDF-E)作为一个文本因子来进行改进上述问题。实验结果表明,TFIDF-E计算方法表示的文本分类效果好于TFIDF,验证了TFIDF-E方法的有效性和可行性。     

基于长短期记忆神经网络的车辆边缘计算卸载策略

传统的集中式云计算能够较好地减轻本地负担,但带来了大量延迟.移动边缘计算通过利用移动边缘设备有限的计算能力和资源存储能力弥补了云计算在此方面的不足,也满足了在车联网中车辆的计算需求.为了使车辆能够在笔直的道路环境模型上完成计算任务,提出基于长短期记忆神经网络的卸载决策.通过仿真,该方法在任务较大的情况下可以高效利用边缘...     

基于模糊集鲁棒概率不等式的风电斜坡估计方法

从不确定性量化的角度将风电出力的斜坡事件发生概率转化为一个数据驱动的鲁棒概率不等式,该不等式提供一个随机变量的概率,且其概率分布属于给定的多面体.为了解决风电输出的分布不确定性问题,考虑由可用数据构造的模糊集合中的候选分布集合,其最低要求是要包括预测值和平均绝对偏差.基于矩的模糊集由所有概率分布组成,共享相同的平均和平...     

基于稀疏表示的差分图像估计方法研究

差分图像能够显示目标场景随时间的变化。采用一种基于图像特征的方法,由目标场景的一组压缩测量数据得到差分图像。该方法主要包含两方面的内容:首先设计最优的采样矩阵以得到压缩测量数据;采用闭环的迭代方法得到差分图像的估计值,包括基于l_2和l_1的方法。采用基于l_2范数的方法能够由压缩测量值直接估计出差分图像而不需要首先重建目标场景。这种方法主要利用了目标场景在连续时间点空间和时间上的相关性。基于l_1范数的方法主要采用一种改进的全变差方法和基追踪降噪方法。仿真表明了该方法的有效性。     

基于BP-GA混合学习算法的神经网络短期负荷预测

本文提出了修正的遗传算法和BP算法相结合的短期负荷预测方法，与传统神经网络方 法相比，该方法可以加快网络学习速度和提高学习精度．我们用遗传算法来训练网络参数， 直到误差趋于一稳定值，然后用优化的权值进行BP算法，实现短期负荷预测．在构建网络模 型时，我们考虑了气候因素的影响，并把它作为网络的一组输入点．实验结果表明基于这一 方法的负荷预测系统较高的精度和实时性．     

基于稀疏编码的体数据压缩

关于稀疏编码在数据压缩方面的研究在最近几年已越来越受重视。该方法具有空间的局部性、方向性和频域的带通性,并不依赖于输入数据的性质,因而是一种自适应的特征统计方法,应用前景十分宽广。体数据由于其数据量大,给存储和传输带来很大的压力,而相邻或相近体素之间存在着很强的相关性,为体数据压缩提供了可能。实验结果表明稀疏编码可以成功提取体数据的边缘特征,而且利用提取到的体数据的特征和系数分量的稀疏性,进一步结合阈值量化的规则,能够有效地实现体数据压缩,从而重构整个体数据。该方法简单易行、速度快,效果良好。