机载下投式探空温度传感器设计与实验研究

为降低太阳辐射对机载下投式探空仪中温度传感器的影响,设计了一种阵列式NTC珠状热敏电阻探空温度传感器。该传感器阵列通过探头间的太阳辐射误差比值推算大气环境温度的真实值。首先,通过计算流体动力学(computational fluid dynamics, CFD)方法选出传感器探头的最优引线夹角,再对表面涂覆不同太阳辐射反射率涂层的探头进行太阳辐射误差比值计算;然后利用支持向量机(support vector machine, SVM)拟合仿真,得到辐射误差比值拟合模型;最后,搭建低气压风洞以及太阳模拟器实验平台。实验结果表明,该温度传感器阵列可将测量误差降低至0.065℃,均方根误差降至0.078℃,有望将太阳辐射误差对下投式探空仪温度测量的影响降低至0.1℃以内。     

临近空间探空仪温度传感器设计

针对开展临近空间科学探测的需求增加,设计了一种基于微型珠状热敏电阻的临近空间探空仪温度传感器。首先用计算流体动力学(CFD)方法对探头进行仿真并计算出太阳辐射误差;然后使用逆向传播(BP)神经网络和遗传算法优化的逆向传播(GA-BP)神经网络训练数据比较预测模型;并搭建模拟临近空间条件的低气压风洞实验平台测试不同参数下的太阳辐射误差,比较测试结果与预测模型输出数据,证实传感器的测量精度。实验表明,本文提出的传感器探头的平均测量误差为0.007 3 K,误差均方根为0.009 8 K。     

内嵌式强制通风防辐射装置的研制

目前自动气象站使用的湿敏电容湿度传感器和铂电阻温度传感器通常安装在百叶箱内,由于环境风速和热辐射的直接影响,常常影响测量准确度。为了较好地解决传感器的通风和防辐射问题,采用强制通风和防辐射材质以及采用垂直风道方法,结合实际使用的传感器结构和条件要求,设计成功了内嵌于百叶箱里面安装的强制通风防辐射装置,既满足了气象观测规范要求,又易于实际业务安装使用。经过性能测试,结果表明,内嵌式强制通风防辐射装置的主要性能指标达到了设计要求。     

探空温度传感器误差预测技术研究

随着气候诊断、气候变化、天气预报等学科的深入开展,对探空温度传感器的测量精度提升到了 0. 1 ℃ 的量级要求,而 由于太阳辐射、升空速度、入云出云等因素的干扰,引起的测量误差可达 3℃甚至更高,已成为制约气象探测精度提升的主要障 碍。 针对此问题,首先通过三维建模及流体力学分析,得到了温度传感器最优的设计方案,从传感器形态设计上实现了测量误 差最小化。 然后对历史气象探测数据进行分析和汇总,构造出国内首个基于真实环境的、包含 900 000 条探测记录的高空气象 探测数据集,以解决仿真环境与真实环境存在偏差的问题。 最后,将 Morlet 小波作为深度神经网络的激活函数,并将支持向量 机、XGBoost、深度神经网络、线性回归相融合,构造出一个针对探空温度传感器测量误差的预测模型。 经过本文所提出的误差 预测模型,平均误差从 0. 817 降低到了 0. 008,均方误差从 0. 878 降低到了 0. 068,标准差从 0. 458 降低到了 0. 204,拟合系数 R 2 为 0. 93,使温度传感器的测量精度得到显著提升,更有利于气象学科相关内容的展开。     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

基于相似日和径向基函数神经网络的光伏阵列输出功率预测

选取太阳辐照时间、辐照强度以及气温等影响光伏阵列输出功率的主要气象因素,根据相似日的输出功率具有较强的关联度,提出选择相似日的方法,设计基于相似日和径向基函数(RBF)神经网络的光伏阵列输出功率预测模型。选取最邻近的一个相似日与待预测日气象特征向量的差值作为RBF神经网络的输入变量,神经网络的输出值即为待预测日光伏阵列输出功率。以我国西北某地光伏阵列的实测功率数据对所提模型进行训练和验证,得到预测模型的平均绝对百分误差为13.82%,均方根误差为0.4054,验证了所提模型具有较好的精度。     

基于改进麻雀算法优化LSSVM的再循环箱浆液密度预测模型

湿式脱硫制浆系统中再循环箱浆液密度测量的准确性和实时性对脱硫过程的经济稳定运行有重要意义,提出了一种基于改进麻雀搜索算法优化(ISSA)最小二乘支持向量机(LSSVM)的再循环箱浆液密度预测模型。通过机理分析选出与浆液密度相关性较高的辅助变量并进行预处理,并利用PCA算法进行降维处理。在标准麻雀算法（SSA）中引入混沌映射以及自适应权重,提高种群分布均匀性并改善了算法搜索能力,用于优化LSSVM的关键参数,实现对浆液密度的精准预测。通过实际数据的仿真实验,结果表明： ISSA-LSSVM测量模型的平均绝对百分比误差(MAPE)、均方根误差(RMSE)及平均绝对误差(MAE)相比SSA-LSSVM分别降低了44.5%、43.8%、43.9%,预测精度明显优于改进前预测模型,具有一定的工程应用价值。     

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响,从聚类分析和信号分解两方面入手,提出了一种融合聚类算法(KDGMM),改进的变分模态分解(VMD)与随机配置网络(SCN)的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天,针对阴天难以准确预测的问题,采用灰色关联度分析(GRA)选择相似日,其次引入莱维飞行北方苍鹰优化算法(LNGO)优化VMD得到最优参数,从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测,输出其预测结果。通过实验分析,所提方法的均方根误差(RMSE)和平均绝对百分比误差(MAPE)仅为1.44和1.3%,拟合优度指标R²高达0.99,与其他预测方法相比,本文所提方法有较高的预测精度。     

基于CNN-XGBoost模型的光伏功率预测

为提升光伏功率的预测精度,首先,对数据预处理,包括缺失值处理及归一化处理;其次,利用皮尔逊相关系数分析出与光伏功率最匹配的气象因素,减少模型的输入维度,降低模型复杂度;最后,基于卷积神经网络-极限梯度提升决策树（convolutional neural network-extreme gradient boosting,CNN-XGBoost）组合预测模型进行测试。测试结果表明本文所提模型可以降低预测值的均方根误差,有效地提升了光伏功率预测的精度。     

基于改进型LSTM的电力设备温度预测方法研究

实现电力设备温度的准确预测对于保障电力系统安全和提高维修效率具有重要意义。 传统预测方法无法满足高精度 的预测要求,提出一种基于改进型长短期记忆(long short-term memory,LSTM)神经网络的电力设备温度预测方法,利用去池化 的卷积神经网络(convolutional neural networks, CNN)对时间序列进行局部特征提取,然后利用 LSTM 设计的循环递归层对时间 序列进行长期特征提取,实现电气设备温度预测。 在首都国际机场的供电设备运行状态监测数据集的实验结果表明,温度预测 值在 20 ~ 60 min 内预测精度优于 1 ℃ ,且均方根误差(RMSE) 0. 12 均小于其他温度预测模型,可以有效实现电气设备温度 预测。