共查询到18条相似文献,搜索用时 187 毫秒
1.
针对风电功率时间序列具有高度随机波动性而无法精准预测的问题,提出一种基于完备集成经验模态分解(CEEMD)、Granger因果关系检验和长短时记忆网络的新型混合预测方法用于预测风电功率。首先,为研究风电功率和风速的隐性相关性,通过CEEMD算法对风电功率和风速时间序列分别进行序列分解,实现双层分解。其次,通过Granger因果关系方法对各风速分量与各风电功率分量进行因果关系检验,分析风电功率分量与各风速分量间的相关性,以此实现各风电功率分量的输入变量选择。最后,采用长短时记忆网络对各风电功率分量进行预测,并集成得到最终的风电功率预测结果。通过风电厂的实际数据进行了试验,并与多个应用广泛的经典模型进行对比,结果表明该方法的预测精度取得了大幅度提高,能够对风电功率实现精准预测。 相似文献
2.
风电功率存在较大的随机性、波动性和相关性,这会对风电并网带来极大的挑战。为提高超短期风电功率预测精度,提出一种基于经验模态分解(empirical mode decomposition,EMD)、谱聚类(spectral clustering,SC)和改进型引力搜索算法(ameliorated gravitational search algorithm,AGSA)优化支持向量机(support vector machine,SVM)参数的超短期风电功率组合预测方法。首先通过经验模态分解对风电原始数据进行去噪处理,剔除不规则的数据;然后应用谱聚类对经验模态分解后的子序列进行聚类分析,再应用改进型引力搜索算法优化支持向量机模型对各个子序列进行预测;最后将各子序列的预测结果相加得到最终预测值。以某风电场的实际数据为算例,仿真研究表明,所提出的组合模型能够提高风电功率预测精度,且预测效果较好,同时也证明了所采用方法的合理性。该方法能够用于风电功率的精确预测。 相似文献
3.
稳定可控的风力发电系统是风力资源开发利用的核心,提出一种基于人工蜂群-神经网络算法(artificial bee colony-back propagation, ABC-BP)的风力发电机短期功率预测方法,进一步提高短期风电功率预测的准确性。针对现有短期功率预测方法中遇到的收敛速度慢、局部最优等缺陷,结合ABC人工蜂群算法,提出改进ABC-BP算法。在对其数学模型收敛性证明的基础上,采用实际风电数据进行仿真验证,并通过模拟风力发电平台,进行实验,实验结果表明,预测数据达到实验要求,所提出的改进算法模型是可行的。改进ABC-BP算法应用于风力发电机监测系统中,为降低风电系统运维成本、提高监测效率提供一种有效解决方案。 相似文献
4.
材料数据由于小样本、高维度、噪音大等特性, 用于机器学习建模时常常会产生与领域专家认知不一致的结果。面向机器学习全流程, 开发材料领域知识嵌入的机器学习模型是解决这一问题的有效途径。材料数据的准确性直接影响了数据驱动的材料性能预测的可靠性。本研究针对机器学习应用过程中的数据预处理阶段, 提出了融合材料领域知识的数据准确性检测方法。该方法首先结合材料专家认知构建了材料领域知识库。然后, 将其与数据驱动的数据准确性检测方法结合, 从数据和领域知识两个角度对材料数据集进行基于描述符取值规则的单维度数据正确性检测、基于描述符相关性规则的多维度数据相关性检测以及基于多维相似样本识别策略的全维度数据可靠性检测。对于每一阶段识别出的异常数据, 结合材料领域知识进行修正, 并将领域知识融入到数据准确性检测方法的全过程以确保数据集从初始阶段就具有较高准确性。最后该方法在NASICON型固态电解质激活能预测数据集上的实验结果表明: 本研究提出的方法可以有效识别异常数据并进行合理修正。与原始数据集相比, 基于修正数据集的6种机器学习模型的预测精度都有不同程度的提升。其中, 在最优模型上R2提升了33%。 相似文献
5.
由于风电功率存在间歇性、波动性,大规模风电并网给电网安全稳定运行带来了挑战。为此,提出了基于双馈变速抽蓄机组的风电功率波动平抑控制策略。首先,基于DIgSILENT/PowerFactory软件,建立了双馈变速抽蓄机组发电、抽水状态下的仿真模型,验证其快速功率控制能力。其次,基于低通滤波原理,结合风电预测功率,建立双馈变速抽蓄机组在发电、抽水2种工况下参与平抑风电功率波动的控制模型。最后,通过仿真算例进行验证,结果表明:双馈变速抽蓄机组具有快速功率响应特性;在发电和抽水2种工况下,均可有效平抑风电功率波动,减小常规机组调节压力,改善地区电网稳定性。 相似文献
6.
7.
随着"两个转变"的深入推进,国网阿勒泰供电公司在"三集五大"体系建设中,成立了运营监测(控)中心,在运营分析领域充分发挥信息系统功能,汇总分析各类信息数据,为公司经营决策提供有力支撑,为提高管理效率和经济效益提供保证。为有效提升运营数据质量,支撑公司决策分析,公司在以往数据质量提升工作的基础上,创新工作方法和工作思路,建立数据质量管理制度,明确数据联络员职责、分工协作、考核评价原则;通过线下数据补录,提高数据完整性;通过逐年数据核对,保障数据准确性;通过规范各应用系统数据,定期编制月度数据通报,规范了数据源的准确性、及时性和完整性,有效保证数据的可控,数据质量的可持续提升。 相似文献
8.
针对基于数据驱动的柴油机故障诊断方法在训练数据匮乏时易过拟合、准确率低的问题,提出一种基于人工数据融合的数据增强方法,实现训练数据的增广。该方法将Wasserstein距离与梯度惩罚法引入辅助分类生成对抗网络(auxiliary classifier generative adversarial network,ACGAN),解决原始ACGAN训练不稳定的问题;将优化前后的ACGAN生成的两种人工数据按比例引入原始训练集中,从强化原有数据和优化诊断网络判定范围两个角度对训练集进行数据增强。经柴油机故障诊断试验验证,采用该方法对训练集进行数据增强后,在不同故障类型下的诊断准确率均有明显提高,且效果优于其他对比方法。 相似文献
9.
10.
浅谈海量数据处理技术研究 总被引:1,自引:0,他引:1
随着科学技术飞速的发展,经济和社会都取得了极大的进步,与此同时,计算机应用系统的不断发展和完善,在各个领域产生了大量的历史数据,这些历史数据可能已经不被应用系统引用,但它们却有着非常大的查询和分析价值。对海量的信息加以利用都离不开底层对数据的操作。然而,数据不断膨胀往往给应用系统带来一些难以忍受的后果,最典型的是系统在运行过程中资源消耗需求量越来越大,运行效率明显降低,随着时间的推移,达到难以忍受的程度。提出对于海量数据查询效率问题的一种解决方案,主要探讨海量数据在关系数据库中的应用。 相似文献
11.
12.
风力发电过程具有较强的随机性,导致风力发电功率的预测准确度不高。针对上述问题,提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,验证了上述方法在风力发电功率预测中的可行性和有效性,提升了风力发电功率预测的准确性。 相似文献
13.
针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。 相似文献
14.
在风气候分析中,风速观测历史数据一般来源于各气象站的归档测量,但不同气象站采用的平均时距并不统一,这导致基于风速观测历史数据的极值风速预测过程存在平均时距的转换问题。该文对美国11座处于良态风气候地区城市气象站记录的风速连续观测数据,进行处理得到不同时距下平均风速序列,并将改进独立风暴法与极值I型分布模型相结合分析得到各重现期的风速极值,分析了平均时距对极值风速预测结果的影响。研究结果表明:在良态风气候地区,一定重现期的极值风速随平均时距的增大而减小,近似呈指数律衰减;平均时距对极值风速的影响规律基本不受极值风速重现期的影响; 1 min平均时距下的极值风速比10 min平均时距极值风速大19%左右。基于这些结果,拟合给出了良态风气候地区不同平均时距极值风速的转换关系式。 相似文献
15.
针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择(Lasso)算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数(RBF)神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。 经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。 相似文献
16.
17.
Jiang Y.-C.Yang X.-Q.Chen L.-F.He F. 《工程设计学报》2017,(2):187-195
Due to the randomness, volatility and relativity of the wind power, it brings great challenges to wind power integration. To improve the ultra short-term prediction accuracy of the wind power, a kind of method for predicting super-short-term wind power based on empirical mode decomposition (EMD) and spectral clustering (SC) and ameliorated gravitational search algorithm (AGSA) that could optimize the learning parameters of support vector machine (SVM) was put forward. Firstly, the raw data of the wind power was denoised by EMD to eliminate the irregular data; then the cluster analysis of the subsequences from EMD was carried out by SC, and SVM's model was optimized by applying AGSA to predict each subsequence respectively; finally the results of the subsequences were added together to get the ultimate predicted value. Taking one wind farm's actual data as an example, the simulation indicates that the proposed model can improve the accuracy and veracity when predicting wind power. Meanwhile, it also suggests the reasonability of this method. The method can forecast wind power accurately. 相似文献