基于时间序列组合模型的水电机组状态趋势预测

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。     

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.     

基于GM-ARMA组合模型的年电力需求预测

年电力需求时间序列为既含有确定性的动态趋势又含有随机性波动的非平稳时间序列,对于平稳随机序列,自回归滑移平均(ARMA)是最成熟的统计学分析方法之一,而灰色系统理论(GM)则是一种动态趋势预测理论,将时间序列分析与灰色系统理论相结合用于年电力需求预测是一种非常有益的探索.先采用灰色建模从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立ARMA模型,将以上两个模型结合起来构成组合模型,用于预测年电力需求.应用实例证明,该方法具有容易实现,预测准确的优点,是一种有效的预测方法.     

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。     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

风电机组运行状态参数的非等间隔灰色预测

为了实现风电机组故障预警和智能状态检修,提出了风电机组运行状态趋势的灰色非等间隔预测研究。首先,考虑不同间隔段历史数据所反映机组趋势和变化规律差别,对监测数据抽取多组非等间隔时间序列,利用平均弱化缓冲算子,分别建立非等间隔灰色GM(1,1)预测模型。其次,引入关联度概念,选择各组非等间隔灰色预测值与实际值之间最大关联度的预测结果,应用建立的灰色关联组合预测模型,对某850kW变速恒频风电机组的发电机转速及部件温度等运行状态参数进行预测。最后,对某2MW风电机组运行转速进行预测,并与反向传播(BP)神经网络和支持向量机方法的预测结果进行比较,结果表明风电机组运行状态参数的非等间隔灰色预测具有较高的精度。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。     

基于Akima-LMD和GRNN的短期负荷预测

传统局域均值分解(LMD)对极值点采用了滑动平均值处理得到局域均值函数和局域包络函数,易造成分解的分量过平滑而影响精度。为了减小过平滑影响,采用Akima插值法代替滑动平均值法处理局域函数来改进LMD算法,针对电力系统负荷序列的非平稳性和非线性,利用改进LMD算法进行序列分解得到若干分量,再利用广义回归神经网络(GRNN)预测各个分量的趋势,叠加各分量趋势得到负荷序列总趋势。GRNN神经网络较传统神经网络训练速度快、精度高,能很好地预测非线性序列。算例分析表明,改进LMD结合GRNN的方法较经验模态分解(EMD)结合GRNN的方法在短期电力负荷预测中有更高的预测精度。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。     

基于振摆信息融合的水电机组状态预测及符号化表征研究

该文以水轮发电机组振动和摆度信号为对象,开展机组运行状态的预测和表征方法研究。通过主成分分析,将水电机组振摆信号进行数据融合研究,实现多组信号的融合,并且大幅降低数据计算量;依托循环神经网络模型,对融合信号进行时间序列建模,根据已知样本预测机组信号;开展机组状态表征研究,提出融合信号的符号熵特征;以我国西南地区某轴流式水电机组为实验对象,获取多种工况下的振摆数据,通过计算得到的预测信号与原始信号平均R2系数大于0.9,验证了所提出方法的有效性。该研究依托深度学习和符号熵分析方法,实现了机组振摆信号的融合、预测及表征。     

基于EMD和RBFNN的短期风速预测

针对风速非平稳、非线性的特点,为提高短期风速预测准确性与快速性,建立了EMD-RBFNN预测模型。利用经验模态分解(EMD)将风速时间序列分解为具有相同特征尺度的相对平稳的本征模态(IMF)分量,以实现风速时间序列信号平稳化;针对各个模态分量的特性,采用径向基函数神经网络模型(RBFNN)对各个模态分量分别进行预测,选用正交最小二乘法来最大限度减少错误率,最后将各IMF-RBFNN预测结果进行重构得到最终预测值;设计并实现了基于GUI交互式界面的多功能短期风速预测系统。实验结果表明,EMD-RBFNN预测模型有效提高了短期风速预测精度,具有一定的实用价值。