基于CEEMD-SSA-SVM的短期光伏发电功率预测

针对光伏发电功率随机波动性导致预测难度大这一问题,采用改进的经验模态分解(CEEMD)对原始光伏发电功率数据进行分解,得到不同尺度的模态分量;然后引入麻雀搜索算法(SSA)对支持向量机(SVM)进行优化,建立不同尺度模态分量的预测模型;最后将各预测值叠加得到最终的光伏发电功率预测值。仿真结果表明,所提CEEMD-SSA-SVM光伏发电功率预测方法在保证原始光伏发电功率序列经CEEMD处理后具有较小重构误差的前提下,极大地提高了预测精准度。     

基于BP神经网络的大坝沉降预测模型

以某大坝沉降监测数据为例,利用Matlab软件的BP神经网络工具箱进行建模分析和预测。结果表明,滚动BP神经网络算法能较好地应用于大坝沉降数据的预测,具有良好的应用前景。     

光伏发电系统最大功率点跟踪的占空比扰动法仿真研究

介绍了一种光伏电池的仿真模型,分析了占空比扰动法实现最大功率点跟踪的原理。为进一步简化算法,分析了基于输出电流检测实现最大功率跟踪的可行性,说明了算法的原理和实现思路,建立了Matlab仿真模型并进行了仿真验证,仿真结果证明了算法的正确性。     

基于BP神经网络的城市给水管网爆损预测模型研究

通过使用BP神经网络模型的训练算法,并借助MATLAB神经网络工具箱,初步建立了具有一定精度的城市供水管网爆管和漏损预测模型,对管网事故预防、管网维护及更新起到了一定的指导作用.     

基于BP神经网络的土石坝变形预测模型研究

大坝变形是同一时刻内外多种荷载综合作用的结果,挖掘位移监测数据潜在规律和发展趋势是大坝变形预测诊断的关键技术,但常规GNSS+棱镜、自动化监测系统等进行观测存在较大非线性误差。为实现非线性、非平稳序列大坝变形数据的平稳化拟合处理,基于大坝变形位移关联性函数,构建了大坝变形预测BP神经网络模型。BP预测模型主要根据水压、温度和时效因子的特点,经实测数据的自适应学习训练获得能真实反映坝体变形规律及趋势的竖向位移预测数据,可为大坝变形安全预测与分析提供详实准确的数据支撑和技术保障。     

对我国光伏发电发展前景的思考

针对目前传统能源利用带来的环境污染及其所面临的消耗殆尽的危机,对作为新能源之一的光伏发电的原理、光伏发电的趋势以及我国光照分布情况进行了分析与阐述。通过分析我国光伏发电的优缺点并对发电需求量进行了计算,同时对近年来国家支持光伏行业的政策进行了梳理,得出了我国在光伏发电方面潜力非常大、发展空间十分广阔的认识。如果国家再提供更多的扶持政策,光伏发电将具有十分良好的发展前景。     

太阳能光伏发电产业现状及发展

叙述了太阳能光伏发电市场的现状及产业的发展历程,介绍了太阳能电池技术及各国在推进光伏发电产业发展方面所采取的政策,展望了国内光伏发电的前景     

基于小波神经网络的朝阳降水预测模型研究

本研究立足于朝阳地区1970—2010年的降水资料,利用MATLAB平台运用小波神经网络降水预测模型对朝阳地区降水量进行预测研究,并将该结果分别与真实值、BP神经网络预测结果对比分析,结果发现:基于小波神经网络的降水量预测模型取得了较高的预测精度,弥补了神经网络预测模型的缺点,减少了迭代次数,能够客观的反应朝阳地区降水情况且方法直观,为朝阳地区的降水量预测提供了较为有效的方法。     

基于BP神经网络的来水量预测模型

针对径流量长期变化的因果关系复杂特性,常规的中长期水文预报模型又很难满足精度要求,提出了基于BP神经网络的来水量预测模型。结合实际径流数据,验证了模型的预报精度,可用来进行中长期水文预报。     

并网光伏发电工程设计实例

该文简要介绍了厦门太古飞机工程维修中心五期扩建1．2MWp并网光伏发电工程的技术方案,包括工程规模、系统组成、关键设备选型、光伏阵列布置等。通过与火力发电相比较,该工程可减排大量污染物质,具有广泛的社会效益。     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

基于BP神经网络的设备故障率获取

电力系统可靠性基本参数的获取靠长期的统计计算。对于新工程的可靠性评估，需要相应的可靠性基本参数，在缺乏此类参数的情况下，都只能靠盲目的借用其他工程已有的统计参数。文章在考虑系统中影响设备故障率的各种因数的基础上，提出了利用神经元模拟训练的方法，获取电力系统设备故障率参数。利用该方法，以现有可信的设备故障率为蓝本，在各因数对故障率影响相差不大的地区，获得对新工程可靠性评估需要的设备故障率。     

基于NSGA-Ⅱ算法最优组合的风电功率预测的研究

风电场的出力是一个受风速波动性和各种气象条件影响的复杂过程,风电功率预测的准确性可以大大提高电力系统调度运行的效率,维持发、输、用电之间功率的平衡。针对于此,对风电场进行功率预测时,建立了表征风电功率波动的平稳性指标,考虑到风电的波动性越小,预测精度就越高,引入了带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ),以此来求取各个风力发电机组的最优组合,使得组合后的风电出力更加平稳,波动更小,得到了一组pareto最优解集。然后对pareto解集中的所有组合的风力发电机组,利用BP神经网络进行功率预测,预测精度最高的解就是最优的组合。通过仿真验证,证明该方法的有效性和合理性。并将所得到的结果与经典的风电功率预测方法—小波预测和粒子群优化的BP神经网络(PSOBP)预测进行对比分析,证明了所提方法的优越性。     

基于BP神经网络的堆石坝参数二次反演与变形预测

在预测堆石坝长期变形时,常常需对堆石体流变参数进行反演。若同时对堆石体的瞬时变形力学参数和流变参数进行反演,则反演参数多,网络结构复杂,所需的训练样本数量大,反演效率低。根据堆石坝的监测资料,将堆石坝的沉降分解为瞬时沉降和流变引起的沉降,运用BP神经网络方法逐次增加训练样本,循环训练网络,将瞬时力学参数与流变参数分开来进行二次反演,训练样本少,反演效率高,输出结果用于预测能与监测资料较好吻合,可为类似工程提供参考和借鉴。     

基于径向基函数神经网络降雨产流预测研究

从径向基函数神经网络原理分析出发,探讨用于降雨产流预测的神经网络模型,并将此模型应用于泜河上.预测和检验结果表明,基于径向基函数神经网络预测模型可以很好地反映流域降雨产流问题.     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

大容量并网型光伏电站功率预测预报系统设计

阐述了一种大容量并网型光伏电站功率预测系统的设计、预测输入数据源、太阳辐射和温度预测、光电功率预测,给出了一个算例。通过现场实际验证表明,本方案具有较好的预报效果,对电网调度和光伏电站经济运行有较好的指导意义。