小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

电铁牵引负荷的构成分析及其功率模型

电铁牵引负荷具有较强的随机波动性和冲击性,为了分析其对局部电网的影响,需要建立合适的电铁牵引负荷功率模型。根据电铁牵引负荷的波动特性,基于波形分解与小波变换,将牵引功率的波动分解为阶跃分量、低频缓坡分量与高频随机分量。对阶跃分量用阶跃序列建模,对低频分量和高频分量用ARMA模型建模。进一步通过再合成,建立了一种基于时间序列的功率模型,能够反映牵引负荷的随机波动性和冲击性。最后采用现场数据进行应用,结果表明,该方法能够很好地拟合实际功率波动曲线,验证了该方法的可行性和有效性。     

基于小波变换与BP网络的舰船磁场信号检测

针对水中兵器探测舰船磁场信号时信噪比较低的问题,提出了一种小波变换结合反向传播(backpropagation,BP)神经网络的检测方法.根据舰船磁场信号的时频特征,首先对信号进行小波分解,提取最后一层的低频分量,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取舰船目标特征信号.将此算法应用于船模实测实验,结果...     

基于平稳小波包分解和希尔伯特变换的故障特征自适应提取

提出一种自适应地提取信号特征分量的故障检测方法.采用逐层推进的平稳小波包分解算法,运用希尔伯特变换,在对信号进行小波包分解的同时,对分解结果进行瞬时频率和瞬时幅值分析,根据设定的分量提取和信号分解规则,实现信号分解路径的自主搜索,自适应地构建信号的小波包分解树,对信号进行多分辨率的频谱分析,达到信号消噪和特征分量提取的目的.仿真研究表明该方法的分量提取规则简单、目标明确,信号分析结果简洁,具有运算时间少、数据存储量小的特点和良好的抗噪性能,所提取的故障特征分量的时-频-幅值信息清晰、易于检测.     

基于集合经验模态分解和特征选择极端学习机的风速预测

提出一种集合经验模态分解、随机森林和极端学习机建模的短期风速预测方法。首先,引入集合经验模态分解将原始风速数据分解成代表不同波动特征的分量,剔除不规则的分量;然后,对保留分量逐一建模,构建随机森林特征选择算法,根据重要性来提取模型的特征输入;最后,建立基于特征选择和极端学习机的风速分量预测模型进行预测,综合分量预测结果得出最终预测结果。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于混合模态分解和LSTM-CNN的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行预测,可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTMCNN(long short-term memory network-convolution network)网络的预测方法,实现精准的气体浓度预测。首先,为消除分解中模态混叠和残余白噪声的影响,对气体序列进行ICEEMDAN分解,以削弱序列的非平稳性;然后,使用VMD对聚合重构后的高频分量进行二次分解,降低高频分量的复杂度;最后,为了增强模型对序列时间特征和空间特征的拟合,采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明,所提出的模型相比其他模型具有更强的预测性能,为后续故障预测提供有力支撑。     

基于VMD的去噪算法在套管引线检测中的应用

超声检测套管引线的信号数据中存在大量的噪声干扰,使得回波时间提取精度产生较大误差。针对上述问题提出了一种基于变分模态分解(VMD)与小波阈值的去噪新方法。采用VMD对含噪信号进行分解,通过计算相关系数筛选出固有模态函数(IMF)中的高频分量进行小波阈值降噪,保留高频分量中的回波信息,最后与低频IMF进行信号重构。实测数据的去噪结果表明,去噪效果良好,有效地保留了高频分量中的真实信息,提高了超声回波信号的信噪比,从而增加了超声检测套管引线的测量精度。     

小波－奇异值分解在异步电机转子故障特征提取中的应用

针对电流信号中异步电机的转子故障特征分量经常被电源频率分量淹没而无法准确检测的缺点,提出了一种基于小波-奇异值分解的转子故障特征提取方法。通过连续小波变换将电流信号中的各特征频率分量转换到时频分布空间中,对该时频空间进行奇异值分解将各特征频率分量分解到不同的正交特征子空间中,对特征子空间的选择重构可以有效地滤除电源频率分量而提取出转子故障特征分量。模拟数据和实际故障信号的应用表明,该方法提供了一种可实际应用的异步电机转子故障诊断方法。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。     

基于偏最大信息系数与组合XGBoost的短期风功率预测

作为新能源领域的课题热点之一,短期风功率预测的研究在提高预测精度的同时也应重视模型的工程化应用。据此,提出一种基于偏最大信息系数的组合XGBoost预测模型。首先,设计一种基于偏最大信息系数的特征选择算法,通过引入偏互信息,在挖掘出对风功率影响较大的气象特征的同时,也能消除耦合信息带来的不利影响。在此基础上,为兼顾模型的精度和计算效率,降低单个模型的预测风险,构建以XGBoost为底层算法的组合预测模型,进一步实现风功率预测。采用2个具有较大差异的风电场作为算例进行验证分析,结果表明,基于偏最大信息系数特征选择算法的组合XGBoost预测模型不但能提升短期风功率的预测精度,与相近的组合预测模型相比,也具备更高的计算效率,有利于工程化应用。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

基于经验模式分解和混沌相空间重构的风电功率短期预测

风电场发电功率的短期预测对并网风力发电系统的安全与稳定具有重要意义。根据风电功率时间序列非平稳、非周期的特点,文中运用经验模式分解理论将风电功率时间序列分解为随机分量和趋势分量,对随机分量采用径向基函数神经网络进行混沌预测;趋势分量采用最小二乘支持向量机进行混沌预测,拟合各分量的预测值得到最终的预测结果。以云南某风电场数据对所提出的模型进行验证,证明了该预测模型比传统人工神经网络预测模型具有更高的预测精度,可为风电功率预测提供参考。     

基于EEMD-PSO-ELM的风电功率超短期预测

针对风电场功率不稳定特性引起风电功率预测精度不高的问题,提出1种基于EEMD-PSO-ELM的超短期风电功率预测方法。首先,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将风电功率序列分解为若干个模态,从而避免了模态混叠;其次,利用相空间重构对分解得到的模态计算Hurst指数,并依据Hurst指数得到最优子序列;最后,采用粒子群算法(particle swarm optimization,PSO)-极限学习机(extreme learning machine,ELM)模型对最优子序列风电功率进行预测。以某风电场为例,采用预测模型进行分析,实验结果表明EEMD-PSO-ELM预测模型的风电功率预测精度更高。     

风速概率分布参数预测及应用

利用双参数Weibull分布对历史风速数据按月拟合,通过对每年相同月份的分布参数数据进行分析,提出了一种基于灰色模型的、对未来年份中对应月的风速分布参数进行预测的方法。算例结果表明,该模型可以用较少的历史数据获得较高的精度,而预测所得的参数既可以用来评估风电场的风资源,又可根据概率分布的逆运算得到符合预测参数的风速序列。上述预测结果可以广泛应用于风力发电系统的仿真或风电场并网可靠性分析等方面。     

基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。