基于时间序列组合模型的水电机组状态趋势预测北大核心CSCD

水电机组状态参量具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现状态趋势预测,考虑从多角度优化预测算法,建立了基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将机组状态参量分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现水电机组状态参量的趋势预测。取某电站振动状态序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果将对水电机组的状态预警起到一定的推动作用。     

基于SVM的集成预测方法及其在水电机组故障诊断中的应用

针对水力发电系统的非线性及非平稳性特点，提出一种基于小波变换和支持向量机（SVM）的集成预测方法，用于水电机组状态趋势分析。采用小波变换将非平稳时间序列分解成若干个具有较强规律性的子序列，然后采用合适核函数的最小二乘支持向量机（LS-SVM）方法分别对这些子序列进行预测，最后综合这些子序列的预测结果作为原始序列的预测值。将该集成方法应用于某水电机组振动峰峰值的预测，结果表明该集成方法的预测性能优于单一LS-SVM方法。     

水电机组劣化趋势混合预测模型

提出了一种基于最小二乘曲面、固有时间尺度分解、最大Lyapunov指数预测和灰色预测模型的水电机组劣化趋势混合预测模型。首先,建立了考虑有功功率、工作水头作用的基于最小二乘曲面的水电机组劣化趋势模型。然后,利用固有时间尺度分解方法将水电机组劣化趋势时间序列按不同尺度进行有效分解,使其平稳项和非平稳项分离。其次,对平稳项采用灰色预测模型加以预测,通过对非平稳项的混沌特征研究,发现其具有明显的混沌特征,进而提出了应用最大Lyapunov指数预测模型对非平稳项进行预测。最后,将不同尺度时间序列预测结果进行重构,实现对水电机组劣化趋势时间序列的预测。预测结果表明,该方法具有较好的预测精度,能及时、准确地预测水电机组的劣化趋势。     

水电机组状态退化评估与非线性预测

提出了基于Shepard曲面、经验模态分解法(ensembleempirical mode decomposition,EEMD)、混沌理论和灰色理论的水电机组状态退化评估与趋势预测模型。该方法首先用Shepard曲面建立综合考虑有功功率、工作水头作用的水电机组状态退化趋势模型。然后将水电机组状态退化趋势进行EEMD分解,得到若干个相对平稳的固有模态函数(intrinsic mode function,IMF)分量和一个余项分量,对每个IMF分量进行特性识别,根据其不同属性,选用混沌预测模型或灰色模型预测,同时对余项分量进行灰色预测。最后将所有分量的预测结果进行重构,获得最终预测结果。实例分析表明,该方法能有效地评估水电机组状态的退化过程,且能提高退化趋势的预测精度。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

基于改进经验模态分解和支持向量机的风电功率预测研究

风电大规模接入给电网安全运行带来了较大的挑战,风电预测是主要的解决措施之一.针对风电功率信号的非线性和非平稳性特征,提出了一种基于改进经验模态分解(IEMD)和支持向量机(SVM)的风电信号组合预测方法.首先,阐述了EMD的基本原理和优缺点,针对其分解非线性非平稳信号时的采样率问题,提出了一种消减欠冲现象的改进方法.其次,以辽宁某风电场提供的风电数据为研究实例,利用IEMD将风电信号分解为一组较为平稳的子序列分量;然后,运用SVM理论分别构建风电信号低频和中频分量的EMD-SVM和IEMD-SVM组合预测模型,并在MATLAB中仿真对比了两种模型的预测结果.研究结果表明,IEMD-SVM的组合预测模型在分解风电信号时能够有效减少欠冲点数目,较好地表现原信号的整体趋势,与EMD-SVM预测方法相比具有更高的精度和准确度.     

风力发电机组运行状态的混沌特性识别及其趋势预测

通过对风力发电机组运行状态参数时间序列进行非线性动力学建模,解析了机组运行状态的动力特征,验证了风力发电机组运行状态的混沌特性。在此基础上,根据混沌时间序列的相空间重构理论,应用加权一阶局域预测方法对风电机组运行状态进行混沌预测研究,采用某风场风电机组实际运行数据对预测方法进行检验。计算结果表明,应用混沌预测方法对风力发电机组运行状态进行预测是可行的,具有较高的精度,为风电机组状态预测提供了新的思路。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

变压器油色谱混沌特性的过热故障分析及预测

在利用油色谱数据对电力变压器进行故障诊断时,为了改善因油色谱数据的波动及其非线性所带来的干扰,文中在利用油色谱分析过热故障时,引入了混沌理论对非线性系统进行分析。文中通过相空间重构建立油色谱数据混沌时间序列,并进行系统混沌特性判定,再将油色谱数据的波动以混沌特征量进行表征,比较分析过热故障特征气体在不同监测数据段中的混沌特征参量变化,从而提取油色谱非线性数据中所包含的状态信息。然后,基于混沌序列具有的短期预测性,利用最大Lyapunov指数预测法对油中气体体积分数的趋势进行预测。实例分析结果表明:过热故障特征气体的混沌特性参量能准确地进行过热故障的识别;在分析相应混沌时间序列后,可以准确预测油中溶解气体体积分数及其短期变化趋势。实例验证了该方法在变压器过热故障识别时的有效性。     

基于机器学习的水电机组劣化趋势预测模型北大核心CSCD

水电机组的劣化影响着水电站乃至电力系统的安全稳定运行。为了准确解析水电机组运行状态,获取机组的劣化趋势并对其进行准确预测,本文提出了一种基于极限梯度提升算法、变分模态分解算法、双向门控循环单元神经网络和注意力机制的水电机组劣化趋势预测混合模型。该方法首先用极限梯度提升算法建立考虑工作水头、有功功率和导叶开度影响的水电机组健康状态模型;其次,根据健康状态模型,推导出数年后的水电机组劣化趋势;再次,通过变分模态分解算法对水电机组劣化趋势进行分解,得到多个相对平稳的固有模态函数分量,并对每个模态分量建立双向门控循环单元神经网络和注意力机制的组合模型进行预测;最后,将预测模型的结果进行叠加,得到最终的趋势预测结果。实例分析结果表明,所提方法能准确地表达水电机组的劣化趋势,并且能有效地提高机组劣化趋势的预测精度。     

基于机组综合状态评价策略的大型水电站?精细化日发电计划编制方法

为减小水电站日发电计划与实际运行的偏差,提出一种基于机组综合状态评价策略的大型水电站精细化日发电计划编制方法.依据机组综合运行状态评价策略,确定机组优先开停次序;考虑水量、水库库容、机组运行限制等多重安全生产约束条件,以发电量最大为目标建立大型水电站日发电计划精细化模型,将其分解为机组组合子问题和开机机组最优流量分配子问题;采用原始量子进化算法和实数差分量子进化算法循环嵌套求解,获得水电站精细化日发电计划最优解.将所提算法应用于葛洲坝水电站并与其他求解方法对比,结果表明所提精细化日发电计划编制方法求解精度高,优化效果好     

基于并行机器学习的风功率超短期预测

针对风功率存在间歇性、随机性和波动性的特征及组合预测模型耗时长的问题,提出一种并行解决方案,建立集合经验模态分解（EEMD）与双向长短期记忆（BiLSTM）神经网络相结合的风功率并行组合预测模型。首先,利用EEMD将原始风功率序列分解为一系列本征模态函数;其次,借助多进程信息传递接口为本征模态函数构建并行BiLSTM神经网络子模型阵列,并采用贝叶斯优化算法率定各子模型超参数;最后,将并行子模型预测序列合成后便得到风功率预测结果。实例验证表明,所建模型在单步预测、多步预测和执行效率方面较五组对照模型均具备一定的优势。研究成果可为电网发电计划的制定及电力系统经济运行提供数据支撑和参考价值。     

基于HHT及改进Shapley值模型的非平稳负荷短期预测

随着需求侧用户终端的智能化水平的提高,短期负荷数据具有非平稳性的特点,单一的负荷预测模型和常规的组合预测模型忽略负荷数据的时序性特点,难以达到满意的预测准确度.针对此种情况,文章提出一种基于HHT和改进shapley值模型的短期负荷预测方法,通过HHT变换对非平稳负荷进行重构得到随机、周期、趋势分量;通过改进shapley值模型确定组合预测各个预测方法的权重分配,并分别应用于随机、周期、趋势分量的预测,将得到的各个预测分量进行叠加得到最终预测值.算例采用单一预测模型、未改进的Shapley组合预测模型和改进后Shapley值的组合预测模型三种方案对非平稳负荷进行短期预测,从模型精确度和稳定性两个角进行对比分析.结果 表明,文章提出的预测方法具有更高的精确度和稳定性.     

考虑预报误差的水电站短期调度模糊风险研究

水电站短期发电计划编制一般采用预报径流进行,但受预报精度限制,预报值与实际值往往存在偏差,当电站位于近边界水位运行时,该偏差就可能带来弃水或出力不足问题。为定量分析径流预报误差的模糊特性及其对水电站短期发电调度的影响,本文提出了一种基于最优贴近度准则的径流预报误差模糊隶属函数优选方法,并引入可信性理论,建立了水电站在两种典型近边界工况（正常蓄水位和死水位）下的发电调度模糊风险分析模型,实现了水文预报误差模糊性与水电站短期发电调度风险的耦合与转化。实例研究中给出了锦西电站在两种近边界运行工况下的高风险区域及建议运行区域,可为该电站实际短期发电调度提供有力的参考和借鉴。     

孤网下水电机组的稳定性分析

为了研究孤网下水电机组的稳定性,综合考虑水力、机械、电气系统三方面的共同作用,建立水电机组稳定性计算数学模型,对小波动和水力干扰工况下的水力过渡过程进行仿真并分析其稳定性。研究表明:在小波动情况下,可通过适当改变机组调节参数来改善机组稳定性;在水力干扰情况下,可通过控制机组关机台数来减小波动幅度,从而提高机组稳定性。     

水电机组复杂工况振动信号多尺度清洗北大核心CSCD

水电机组振动监测信号常包含大量异常数据,严重影响机组健康状态评估与预测。为此,本文深入研究机组振动与工况的映射关系,提出了一种基于高斯混合模型和基于密度的噪点空间聚类算法(GMM-DBSCAN)的机组振动信号多尺度清洗方法。首先,采用DBSCAN初步清洗全工况内振动异常点,进一步采用高斯混合模型计算机组工况概率,并进行工况区间划分;在此基础上,以工况概率密度计算出各工况区内振动信号的DBSCAN密度聚类清洗的阈值,并清洗各工况区内振动异常数据。最后,基于瀑布沟水电站1年内运行工况和振动监测数据进行实例分析,异常数据清洗率达6.3‰。同时,通过人工模拟异常数据进行验证,结果表明,所提方法能够有效清洗出机组振动孤立离群点和密集异常点,为水电机组健康状态评估与预测奠定数据基础。     

基于频域分解的短期负荷预测研究分析

为研究频域分量预测法对短期负荷预测精度的影响,利用频域分解算法分解原始负荷数据,将数据分解为4个部分：日周期、周周期、低频和高频分量。其中,日周期、周周期分量用Elman神经网络预测;低频分量采用随机森林预测;高频分量则使用Mallat算法二次分解,分别得到低频部分和高频部分,选取低频部分做训练样本与Elman神经网络结合预测高频分量;将各个频域分量结果重组,实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真,将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比,验证所提方法可以有效提高精度,减少预测值和真实值的离散程度。     

基于随机共振和多维度排列熵的水电机组振动故障诊断

针对强噪声背景下难以提取水电机组振动故障特征的问题,提出了一种基于随机共振(SR)去噪和多维度排列熵(MPE)提取振动信号特征向量的故障诊断方法。首先,采用随机共振对振动信号进行去噪,增强信号的信噪比;继而利用多维度排列熵提取去噪信号的特征向量,最后将其输入所建立的改进粒子群算法优化支持向量机(PSO-SVM)模型,实现故障的识别与诊断。仿真结果表明,该方法具有较高的诊断精度。     

黑河流域梯级水电站群机组远程监控与故障诊断系统

为了确保水轮发电机组的安全稳定和经济运行,提出了基于Internet/Intranet开放式结构的水轮发电机组远程监测与故障诊断系统,并对系统的设计原则、网络化体系结构、机组测点布置、传感器选型及系统的功能做了详细的分析。该系统实现了水轮发电机组信号的数据采集、数据分析和处理,并能通过Internet/Intranet进行故障诊断。实际应用表明,该系统兼具技术的先进性和实用性,运行稳定可靠,具有良好的应用前景。