基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

基于频响曲线稀疏表示的变压器绕组变形模式识别方法

为了提高电力变压器绕组状态监测水平,提出了一种基于频响曲线稀疏表示的变压器绕组变形模式识别方法。文章在构建了Gabor原子的过完备原子库和通过有限元模型仿真得到了正常及变形绕组频响曲线的基础上,将正常情况及变形情况下的绕组频响曲线在过完备原子库上进行稀疏表示,并对所有匹配的Gabor原子分别进行短频傅里叶变换、叠加,得到正常曲线及变形曲线的等效时频分布,然后将两条曲线的等效时频分布值相减,得到可以反映绕组频响曲线变形程度的特征向量。最后,利用支持向量机模型实现了不同绕组变形故障的识别。试验结果表明,提出的方法具有较高的可靠性,适用于绕组变形模式识别。     

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。     

基于密度峰值层次聚类的短期光伏功率预测模型EI北大核心CSCD

针对传统聚类算法不易选取初始聚类中心、对噪声值较敏感、收敛速度慢及易陷入局部最优等问题,提出一种基于密度峰值的层次聚类算法对天气类型进行聚类。首先确定气象数据的密度峰值参数,采用分层聚类算法将气象数据划分为不同类别,然后利用支持向量机(SVM)对未知天气类型进行识别,最终采用径向基(RBF)神经网络建立光伏发电短期功率预测模型。仿真结果表明,该方法能有效提高气象类型的分类精度、加快寻优速度,提高离群样本点分离的鲁棒性,证明了其在小样本的情况下具有较高的精度,且在天气波动较大时仍能较好地实现功率值的预测。     

一种基于径向基神经网络和频谱分析的电路元件故障诊断方法

针对一类模型不确定的非线性系统,提出了具有强鲁棒性和高灵敏度的在线故障检测与诊断方法.其中,系统只有输入、输出可检测,故障是关于输入和状态的非线性函数.将RBF神经网络和频谱分析相结合,由RBF神经网络来学习及存储电子电路的故障频谱和故障类型之间的映射关系,介绍了该算法的实现过程.并以某船舶电气设备放大电路为例建立仿真系统.仿真结果和实验实例表明,该算法可以快速有效地对故障元件进行定位,识别率较高.     

基于支持向量机回归的光伏发电出力预测

建立总峰瓦值为30MW的光伏电站数学模型,并且基于保定地区气象资料以及美国国家航空和宇航局(NASA)提供的保定地区太阳辐射数据,模拟得到该光伏发电系统出力数据.分析光伏系统出力特性以及影响光伏出力因素.根据影响光伏出力的诸多因子的复杂性和非线性,决定预报因子与预报对象间的非线性关系,建立光伏系统出力的支持向量机(SVM)回归模型,并进行相应的预测.预测结果表明,支持向量机回归(SVR)方法为解决光伏系统出力的预测提供了一种可行路径.