基于神经网络的光伏发电功率预测不良数据处理的研究

光伏发电系统历史发电功率数据的真实可靠是光伏发电系统发电功率预测的基础,而在光伏发电系统运行或数据采集、测量、传输、转换等环节出现故障时会导致历史数据中含有不良数据。本论文提出采用小波分析中的信号奇异点检测法对不良数据进行剔除,并采用神经网络的时间序列预测模型对剔除后的数据进行重构,从而达到检测并消除不良数据的目的,为光伏发电系统发电功率预测提供能反应其变化规律的真实历史信息。     

基于神经网络的新能源电站发电功率预测方法

针对忽视了天气因素,功率预测结果与实际功率相差较大的问题,提出了基于神经网络的新能源电站发电功率预测方法。使用卷积神经网络,构建新能源电站发电功率预测模型,确定神经网络激活函数,确定不同新能源电站发电功率数据之间的关联性,分析预测结果与实际发电功率间的误差,完成新能源电站发电功率预测。实验结果表明,此方法在晴天与非晴天条件下,均可得到精度较好的预测结果,缩短预测结果与实际发电功率的差距。     

基于GM-RBF神经网络的光伏发电功率预测

为了提高光伏发电功率预测的精度,本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上,提出一种基于灰色径向基函数（Radical Basis Function, RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后,运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证,得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%,其预测精度均高于灰色预测算法和RBF神经网络预测算法。     

基于奇异谱分解和双重注意力机制的超短期光伏功率预测方法

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题,提出一种结合奇异谱分解（SSD）、双重注意力机制和双向门控逻辑单元（BiGRU）时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性;然后利用BiGRU网络对分解后的信号进行时序建模,并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块,对BiGRU网络提取的特征进行权重加权;最后经过决策层获得最终的光伏功率预测结果。实验结果表明,SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度,在不同季节和不同天气情况下均优于其他几种经典方法,具有较高的实用价值。     

基于改进广义神经网络的光伏阵列短期功率预测

光伏系统短期预测对调度电力资源、较少弃光用电、提升电站效能及光伏系统平稳运行具有重要意义。考虑到光伏系统输出参数如功率受到天气因素影响,是一个非平稳随机信号。对非平稳随机信号的短期预测,传统数学模型方法受到局限性。本文基于广义神经网络方法并通过前期数据预处理提取趋势项信号,进行分类别模型训练,获得较为精准不同天气类型的训练模型。实验表明本文所提出的方法在各类天气类型下,对于短期功率预测具有较高的准确性,可为光伏电站平稳运行、区域电力调度提供参考依据。     

基于神经网络模型的光伏发电功率预测研究

随着全球环境污染变得日益严重以及能源需求的快速增长,太阳能光伏发电受到天气、大气状况等多种因素的影响,其发电功率具有不确定性,需要准确的预测模型来提高其利用效率。文章采用了长短期记忆网络(Long Short-Term Memory, LSTM)模型来预测太阳能光伏发电功率,将历史气象数据及发电功率数据作为输入变量,将极限学习机(Extreme Learning Machine, ELM)模型作为预测误差对比,证明长短期记忆网络模型能够有效提高预测精度,具有一定的实际指导意义。     

基于参数优化VMD和1D-CNN的滚动轴承故障诊断

针对在强噪声干扰下滚动轴承故障诊断准确率较低这一问题,提出一种基于参数优化变分模态分解(VMD)和一维卷积神经网络(1D-CNN)的滚动轴承故障诊断方法。首先,使用哈里斯鹰算法对VMD算法中的相关参数进行优化,并根据所得的最佳参数对原始轴承振动信号进行VMD分解;其次,依据加权稀疏峭度最大原则优选模态分量,并将最佳分量输入到改进的1D-CNN模型进行故障诊断。实验结果表明,该方法具有较强的抗噪性能,在0 dB的信噪比情况下仍能保持94.83%的故障诊断准确率。     

一种基于TCN和新闻情感的股票预测方法

针对股票市场受多方面因素影响,且股票价格序列的非线性特征难以提取的问题,提出了一种基于TCN(temporal convolutional network)和股票新闻情感分析的股票预测模型N-ATCN(attention mechanism temporal convolutional network based on...     

基于改进DDPG算法的中短期光伏发电功率预测

针对传统仿生智能算法处理异构光伏发电功率预测精确建模问题时存在的线路多阻抗参数约束下方差波动、线损分析易陷入局部极值等不足,提出了一种基于改进深度确定性策略梯度(DDPG)的中短期光伏发电功率预测模型。首先,通过引入多智能体机制,视发电系统涉及到的发电过程参数为独立活性的智能体,构建出具有社会属性的面向发电过程参数信息共享的全局最优协同控制体系。然后,通过改进的DDPG算法实现蓄电池储能功率自主精确调节和发电网输出功率的自动最优预测。最后,基于Tensorflow开源框架在Gym torcs环境下进行模型效能仿真并以某示范性异构光伏发电网为效能评价载体,对模型进行了工程应用合理性验证。     

基于VMD和BP神经网络的轨道病害诊断方法

针对从非线性、非稳态的轨枕振动信号中提取病害特征困难的问题,文中提出一种基于变分模态分解和多尺度排列熵的轨道病害特征提取方法,并采用BP神经网络病害诊断模型进行病害识别.利用变分模态分解方法将采集到的振动加速度信号进行分解,得到若干个本征模态分量.计算这些本征模态分量的多尺度排列熵值,将其作为轨道病害的高维特征向量,以...     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

光伏发电接入配电网可靠性研究现状与展望

如今能源问题已成为现代化社会最受瞩目的课题之一,新能源首要条件是量大质优,即储量大,能量转化效率高,同时还要符合社会上提倡的可持续发展绿色理念。在全球性研究下,太阳能能源转化以其绿色高效的特点受到各国能源开发部门的重点关注。经过各国专家长期实践与研究分析,目前以太阳能供应为基础的光伏发电技术已经逐渐在各个地区投入使用,在新型能源类型中占据重要地位。     

一种基于有源滤波与光伏发电的并网逆变器控制方法

文中提出了一种基于有源滤波与光伏发电的并网逆变器的控制方法,在并联型有源电力滤波器的基础上拓展了新能源发电功能,采用电压电流双环对并网逆变直流侧电压和系统电网输出有功电流进行控制。该并网逆变器既可以滤除负载的谐波和补偿负载的无功功率,也可以实现有功功率的有效传输,适于未来微电网中并网逆变器的应用研究。     

光伏发电和ZigBee协议在智能防盗系统中的应用

主要阐述光伏发电和ZigBee协议在家庭智能防盗系统中的应用。为达到报警目的,由红外传感器对人体体温检测,通过低功耗的2．4GHz芯片JF24C将信号经由无线传感器网络传向主机,主机计算后发出报警信号并通过GSM网络通知户主;采用光伏发电系统和家用电源的双电泺系统供应能源的方法,不仅环保节能,而且使安全可靠性提高。     

基于逆注意力机制和像素相似度学习的图像分割

针对图像语义分割中目标边界容易混淆、定位不准以及边界不平滑问题,在Deeplab v2 Resnet-101网络的基础上引入提出的逆注意层与像素相似度学习层,构造了一种新的语义分割的网络结构,并设计了注意力层和像素相似度学习层的损失函数。首先,使用Deeplab v2 Resnet-101网络提取图像语义特征;然后,利用提出的逆注意力层修正预测网络的分割结果,同时,利用提出的像素相似度学习层解决边界不够平滑的问题;最后融合两者分割的结果,得到语义分割的结果。在PASCAL-Context上取得了像素准确度76.2%、像素平均准确度59.7%、平均IoU(Intersection over Union)准确度指标49.9%的结果,在PASCAL Person-Part、NYUDv2、MIT ADE20K数据集上分别取得了平均IoU准确度指标69.6%、42.1%、44.38%的结果,与已有的主流方法相比,所提算法能够提升语义分割的精确度,验证了算法的有效性。     

基于改进时间序列方法的HRG输出建模预测

针对半球谐振陀螺仪的输出可能不符合时间序列分析的平稳性要求的问题,提出了一种基于经验模态分解的改进时间序列灰色预测方法,该方法将经验模态分解、时间序列建模和灰色预测结合起来。首先利用经验模态分解对陀螺仪的输出原始信号进行预处理,分解得到原始信号中包含的随机项和趋势项,然后对这些信号进行平稳性检验,根据检验结果选择时间序列分析和灰色预测对这些数据分别进行建模预测,最后将预测结果进行重构得到最终的预测值。仿真实验结果表明,该方法的预测效果比单独使用时间序列分析进行建模预测的效果要好。     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

基于改进注意力机制的实体关系抽取方法

实体关系抽取是知识库构建中至关重要的一个环节.在众多的实体关系抽取方法中,远程监督结合神经网络模型的方法在准确率等性能上是比较令人满意的,但远程监督获取的标注语料中往往存在大量的噪声数据,给实体关系抽取模型的训练带来了很大的影响.本文提出一种基于改进注意力机制的卷积神经网络实体关系抽取模型.该模型针对包含同一实体对的句子集合,从中尽可能地找出所有体现该实体对关系的正实例,构建组合句子向量,抛弃可能的噪声句子,从而最大程度地降低噪声句子的影响又能充分利用正实例的语义信息.实验证明,本文提出的关系抽取模型在准确率上优于对比的关系抽取模型.