不同天气类型下计及PM_(2.5)的直散分离模型研究

利用北京地区5 a水平面辐射及气象环境要素资料,统计散射比与气象环境因子的关系,因子诊断分析表明,散射比与PM_(2.5)存在正相关性。引入PM_(2.5)作为输入变量,建立多种"直散分离"模型,并结合观测资料进行预测检验。结果说明,引入PM_(2.5)可提高"直散分离"模型的预测精度。结合总云量、降水及能见度数据,将天气划分为晴天、多云、阴天和雨天4种类型,进行不同天气类型下各模型预测误差分析,得到不同天气类型下最优"直散分离"模型。综合比较后得出,以清晰度指数、日照百分率和PM_(2.5)为输入层的BP神经网络模型预测北京散射比的效果最好。     

天文、气象环境因子与散射比关系的建模分析

统计收集2010年和2011年北京地区逐时太阳辐射资料,比较多种小时模型在当地条件下的适用性并进行本地化修正,重点探讨天文因子和气象因子对直散分离模型的影响程度,提出一种新的天气类型划分方法,研究同一类天气状况下气象因子的含量特征,分别建立适合的数学模型。结果表明:Erbs模型预测北京地区的小时散射比效果最优;随着太阳太阳高度角的增加,散射比实测值与L1模型预测值的差值由负变正;细化天气类型后,新模型的预测效果明显提高,实用性较强。     

基于PCA-BPNN的并网光伏电站发电量预测模型研究

针对目前光伏电站发电量预测模型中输入气象维数较多、预测精度低等问题,提出基于主成分分析(PCA)和BP神经网络(BPNN)相结合的光伏电站发电量预测模型。利用PCA对水平面太阳总辐射、日照时数、气温日较差等多个气象变量进行解耦降维处理,形成相互正交、相互独立的公因子变量。将这些公因子变量作为BPNN模型的输入变量,并进行训练拟合建模,从而实现对光伏电站发电量进行预测。文章利用我国华中地区某屋顶并网光伏电站的实测数据,对PCA-BPNN模型进行检验。通过研究结果可知,与常见的预测模型相比,PCA-BPNN模型大大降低了气象变量的输入维数,该模型预测结果的准确性较高。     

基于相似样本及PCA的光伏输出功率预测

针对光伏输出功率预测问题,提出相似样本及PCA相结合的光伏输出功率预测模型。通过对光伏发电系统历史发电量数据和气象数据相关性分析,根据辐照度具有时间周期性和邻近相似性的特性选取参考样本,求取预测日与参考样本辐照度的欧氏距离并确定相似样本,采用PCA对相似样本提取主成分作为神经网络的输入,简化网络结构。仿真结果表明,相似样本算法可以有效地对不同天气类型的光伏输出功率进行预测,基于PCA的神经网络模型可进一步提高预测精度、泛化性能更好。     

低纬度地区水平面太阳辐射的直散分离模型研究

以中国低纬度地区水平面太阳总辐射的直散分离为研究对象,依据福建、广东、广西和海南等低纬度地区4个气象台站1971~2003年的水平面太阳总辐射和散射辐射实测气象数据,采用回归分析方法,建立大气散射透射比与晴空指数之间的回归计算模型。选取LiuJordan模型、Orglill模型和Erbs模型3种代表性分离模型与自建模型比较,结果表明,自建模型准确度最高。得出结论:大气散射透射比与晴空指数之间存在显著的负相关性,建立二者之间的回归模型可实现水平面太阳辐射的直散分离。     

城市燃气小时负荷预测模型研究

城市燃气小时负荷预测的研究对燃气调度系统的安全与稳定具有重要意义。为了提高城市燃气小时负荷预测精度,在分析讨论主成分分析特性和BP神经网络优缺点的基础上,建立了利用主成分分析法对BP神经网络进行优化的小时负荷预测模型。该模型综合了主成分分析的降维特性和BP神经网络具有强大的自学习和自适应能力等特点,首先通过主成分分析法对所有相关影响因子进行降维处理,再将处理后累计贡献率占比85%以上的几种主成分作为输入层神经元输入BP神经网络进行训练,最后运用该组合模型对某县的小时负荷进行预测。实例分析表明:与单一模型相比,提出的PCA-BPNN组合预测模型精度更高,是一种更为有效的城市燃气小时负荷预测方法。     

基于主成分分析的神经网络在需水预测中的应用

需水量预测是水资源规划与管理的重要内容,建立高精度的需水量预测模型,可为区域水资源规划提供技术支撑。以南昌市为例,利用2005~2015年的实际用水量数据,对南昌市16个用水总量影响因子进行主成分分析,以提取的主成分作为BP神经网络的输入样本,建立BP神经网络需水预测模型。结果表明,经过主成分分析,16个用水量影响因子可用8个主要影响因子代替。建立的BP神经网络模型的需水预测平均相对误差仅为1.37%,预测精度较高,可作为区域需水预测的一种可靠方法。研究成果可为类似区域提供借鉴。     

基于GRNN的冻融期土壤蒸发预测

基于2017～2018年冻融期实测大田土壤蒸发数据和日气象数据,采用主成分分析法与广义回归神经网络(GRNN)相结合的方法对土壤蒸发量进行预测。即先利用主成分分析法提取影响冻融期土壤蒸发的7个主要因子,将其作为GRNN模型的输入变量,土壤蒸发量作为输出变量;再利用10折交叉验证法选取的最佳光滑因子建立GRNN土壤蒸发预测模型。结果表明,GRNN模型预测值与实测值拟合程度较高,R~2为0.982、均方根误差为0.014mm/d、平均相对误差为5.281%、平均绝对误差为0.010mm/d,模型模拟精度较高,可用于冻融期土壤蒸发预测。     

基于PCA-GRNN模型的集输管道腐蚀速率预测

针对原油集输管道的腐蚀速率问题,首先对引起集输管道腐蚀速率的相关因素进行分析,建立PCA-GRNN模型,根据现场获取的相关数据,使用PCA(主成分分析)算法对集输管道腐蚀速率影响因素进行降维处理,使用交叉验证的方法对GRNN(广义回归神经网络)算法的光滑因子进行寻优,将25组集输管道腐蚀速率及影响因素数据作为学习样本,对5组集输管道腐蚀速率数据进行预测,并将预测结果和PCA-BP神经网络模型、PCA-WNN神经网络模型进行对比,以此验证PCA-GRNN模型的可行性。根据PCA处理结果可以看出,原油温度、流速、硫化氢含量、二氧化碳含量、盐含量、含水率以及pH对集输管道腐蚀速率的影响较大,压力对其影响较小;PCAGRNN模型的预测平均绝对误差仅为1.28%,小于其他模型的预测结果,证明PCA-GRNN模型适用于原油集输管道腐蚀速率预测。     

基于天气分型的水平面总辐射及散射辐射建模分析

为获得无太阳辐射观测地区的水平面总辐射及散射辐射量提出一种组合模型。首先通过日照百分率将天气情况分成3类,在此基础上,探究总云量、气溶胶等气象环境因子对水平面总辐射的影响,构建水平面总辐射线性模型;其次,考虑不同天气类型下气象环境因子的特征,建立基于高斯过程回归（GPR）的散射比和散射系数模型,进而获得散射辐射量;最后,得到每种天气类型下最优水平面总辐射模型与散射辐射模型构成的组合模型。结果表明,所提组合模型可有效提高水平面总辐射与散射辐射的预测精度。     

考虑气象变化的光伏发电模型评估及研究

该文提出一种基于数据分析的发电模型评估方法,用于研究光伏发电模型输入,该方法主要由3 个步骤组成。首先,将基于信号分析的特征提取技术和基于专家知识的特征工程技术相结合扩展数据集,并进行异常值检测清除离群样本。其次对数据集进行相关性分析讨论输入数据的合理性。最后通过人工神经网络对该数据集进行建模,并把主成分分析引入模型训练中,分析模型在晴天、雨天、多云3 种不同气象条件下的表现。采用该方法对小型实验平台获取的气象数据与设备运行数据进行分析。实验表明,构造数据集比原始数据集训练的模型计算结果更精确,而引入主成分分析的模型计算效率更高。     

基于EN-SKPCA降维和FPA优化LSTMNN期风电功率预测

综合考虑风电功率序列及气象数据的多维特征,提出一种弹性网稀疏核主成分分析（EN-SKPCA）降维方法,对气象因素降维并表述为回归优化型问题,添加的弹性网惩罚解决了KPCA重构主成分难以解释构成的问题;提出花授粉算法（FPA）优化长短时记忆神经网络（LSTMNN）预测模型,可自动筛选出最佳超参数,降低了参数经验设置所带来的随机性。该方法解决了突变天气的影响,提高了预测精度。对2017年宁夏麻黄山第一风电场实测数据实验,证明了该方法的优越性。     

基于主成分分析优化BP神经网络模型的厌氧膜生物反应器膜污染预测*

膜污染是厌氧膜生物反应器运行中不可避免的问题,制约了工艺技术的推广应用,分析膜污染的形成过程是控制膜污染的重要内容。基于主成分分析（PCA）和反向传播神经网络（BPNN）的理论,提出了一种采用主成分分析优化BP神经网络的膜污染预测模型。以反应器连续运行试验数据为样本,利用相关性分析确定模型的输入变量,并基于输入变量间存在信息重叠问题,采用主成分分析法对输入因素进行降维处理,提取贡献率为70.4%的第一主成分和贡献率为17.7%的第二主成分作为输入特征。结合模型的贡献度分析和主成分分析发现,反应器内的污泥浓度是膜污染影响因素中最主要的特征变量,贡献度为34.9%。对比分析优化模型和单一模型的预测结果,发现PCA-BPNN模型的拟合效果更好,平均相对误差仅为3.8%,可用于膜污染分析研究,为后续研究提供参考。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

基于主成分分析的RBF神经网络在需水预测中的应用

针对需水预测方法大都存在一定的局限性,导致预测值与实际值差别较大的问题,采用主成分分析与径向基函数(RBF)神经网络相结合的方法建立需水量预测模型。首先借助SPSS进行主成分分析,对影响因子进行降维处理,以此减少各影响因子之间原有的多重共线性;其次,选用RBF网络,运用Matlab神经网络工具箱,建立了基于主成分分析的RBF(PCA-RBF)神经网络需水预测模型;并以辽宁西部地区凌源市需水预测为例,对预测模型进行了校核。利用训练好的PCA-RBF神经网络需水预测模型对凌源市2014、2015年的总需水量进行模拟预测,预测结果与实测数据相对误差分别为2.9%、0.4%。这说明该模型可相对全面地模拟需水量变化规律,能够用于半干旱山区和材料相对较少时需水量的精准预测,为水资源规划管理提供了理论依据。     

基于核主元分析和GRU神经网络的电站辅机故障预警研究

为解决电站辅机运行工况多变、结构复杂以及故障频发等问题,提出了一种基于核主元分析(KPCA)和门控循环单元(GRU)神经网络的电站辅机故障预警方法。通过核主元分析法提取电站辅机设备故障征兆参数,进行原始数据的约简。采用GRU神经网络进行电站辅机设备故障预警模型的建立。以神华福建某电厂HP843/Dyn中速磨煤机为例进行故障预警模型的训练、测试以及验证,该方法可以有效且提前发现中速磨煤机故障征兆。     

Distributed generation output control for network power flow management

The development stages in the output control of distributed generation (DG) for network power flow management are illustrated. The first stage requires an assessment of the location of thermally vulnerable components within the distribution network. This is achieved through the offline calculation of thermal vulnerability factors that relate component power flow sensitivity factors to component thermal limits. This directly informs Stage 2 - the installation of meteorological stations and component temperature monitoring equipment for network thermal characterisation. In Stage 3, steady-state component rating models are populated with real-time environmental information from the meteorological stations to generate component real-time thermal ratings. In Stage 4, the power flow sensitivity factors calculated in Stage 1 are embedded within a network power flow management system which, together with the component real-time thermal ratings calculated in Stage 3, is used to control the power output of DG schemes.     

Neural network based estimation of maximum power generation from PVmodule using environmental information

This paper presents an application of an artificial neural network for the estimation of maximum power generation from PV module. The output power from a PV module depends on environmental factors such as irradiation and cell temperature. For the operation planning of power systems, the prediction of the power generation is inevitable for PV systems. For this purpose, irradiation, temperature and wind velocity are utilized as the input information to the proposed neural network. The output is the predicted maximum power generation under the condition given by those environmental factors. The efficiency of the proposed estimation scheme is evaluated by using actual data on daily, monthly and yearly bases. The proposed method gives highly accurate predictions compared with predictions using the conventional multiple regression model