基于ACO-BP神经网络的光伏系统发电功率预测

为准确预测光伏发电量,减少并网光伏对大电网的影响,引入相似日概念,对夏季预测日的平均温度、最高温度、最低温度以及天气类型进行分析。在历史数据中选取具有相似天气特征的发电功率数据和天气数据作为神经网络的训练样本,建立ACO-BP神经网络光伏发电功率预测模型,并将预测结果与传统BP神经网络和PSO-BP神经网络预测结果相比较。实验结果表明,该模型具有较高的预测精度。     

基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

一种适用于单峰光伏曲线的MPPT方法

针对传统单峰光伏曲线MPPT方法跟踪速度慢,寻优精度不高的问题,提出了一种基于抛物线预测的功率闭环最大功率跟踪(MPPT)方法。该方法通过用光伏特性曲线上的3个点来拟合一个二次函数,用函数驻点的实际功率值来迭代地预测和修正最大功率点(MPP)的位置,最终使得光伏系统工作在最大功率点。此外,针对光伏系统采用合理的初始点选取策略,提升了MPPT的速度。给出了光伏系统的MPPT控制框图,搭建了基于Buck-Boost电路的直流光伏系统硬件平台。使用抛物线预测法进行了光伏电池组件的最大功率跟踪,与变步长扰动观察法MPPT结果进行了比较,验证了该方法的可行性和实用性。研究结果表明:这种基于抛物线预测的单峰值MPPT方法具有跟踪速度快,稳态无振荡的优良性能。     

基于ARMA模型的风功率数据缺失值估计方法

随着风电急速发展,风电功率预测准确性更加重要。而这些技术严重依赖于风电出力,测风等基础数据,然而,在数据采集到存储过程中存在各种各样的原因会导致数据缺失或异常。由于风功率数据具有时间序列的平稳特性,而ARMA模型具有良好的对时间序列进行建模的能力,本文将利用ARMA模型对风功率数据进行建模,并用来对序列中缺失的数据进行估计预测。实验结果验证了该数据估计方法的有效性。     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。     

卡尔曼滤波及其在时间序列预测中的应用

根据时间序列预测的特点和要求,分析了传统时间序列预测方法的不足,提出了将卡尔曼滤波应用于时间序列预测。推导了基于卡尔曼滤波的ARMA模型参数实时更新算法,并采用功率谱密度分析方法确定预测模型的形式与阶数。最后,通过对光纤陀螺随机漂移建模进行了实证研究。     

飞机机电系统关键部件性能趋势分析方法

飞机发电机作为飞机机电系统的关键部件之一,为飞机提供主要的电力来源,其运行状态在飞机的使用过程中至关重要。为改善和提升飞机发电机的性能变化趋势的预测精度,更好实现对飞机发电机性能变化的趋势分析,以某型真实飞机发电机为研究对象,提出一种由多项式趋势预测模型和ARMA模型相结合的组合预测方法来对该型飞机发电机进行性能趋势分析。首先,在专业试验平台上对该型飞机发电机进行了长期大量试验,获取了大量性能表征信息。在此基础上,将多项式趋势预测模型和ARMA模型进行组合,综合运用多项式趋势预测模型良好的趋势拟合能力和ARMA的时间序列分析功能,对该型飞机发电机进行性能趋势分析。试验验证结果表明,这种组合预测方法优于传统单一模型的预测方法,具有很高的预测精度,能够更好地实现对飞机发电机的性能趋势分析效能,具有较高的工程应用价值。     

基于区域配电网的0.4 kV分布式光伏实时发电功率预测

光伏并网发电对电网的稳定性有较大影响,特别是配电网0.4kV分布式光伏,其发电电量与实时发电功率对台区以及线路的稳定性将产生极大挑战。现对影响光伏发电的关键因素以及光伏实时发电功率预测方法进行了全面分析,并提出基于区域配电网的0.4kV分布式光伏实时发电功率预测算法,以实时预测区域0.4kV光伏发电功率,为管控0.4kV分布式光伏提供宝贵经验。     

基于非线性SRUKF的光伏发电功率预测研究

光伏发电输出功率具有间歇性和波动性的典型特性,现从统计分布与物理学方法相结合的角度,建立了光伏发电预测功率物理模型,提出了适用于动态非线性系统预测的SRUKF算法。仿真结果表明,该方法用于光伏功率预测时均方误差较小,对光伏发电短期功率预测的实时性较好,准确性较高。     

基于光伏功率预测的多能源互补系统的设计研究

太阳能具有清洁环保的特点,且与火电在发电形式上具有互补性。在二者构成的互补能源系统中,由于受太阳辐照等因素影响,光伏发电输出功率具有较强的波动性,可由变负荷响应速度快的火电跟踪补偿。核电具有稳定高效的特点,可以用来提供基本负荷。在多种能源互补调节过程中,若光伏发电输出功率得到较为准确的预测,可降低系统对火电随负荷跟踪响应的速度要求,也能提高系统的安全稳定性。光伏功率预测采用时间序列法和相似日法相结合的方法,先通过时间序列法获取预测目标日的关键气象信息,再通过相似日方法确定历史数据库中与预测目标日气象条件最接近的几天。通过两种权重确定方法,由相似日的光伏功率确定预测目标日的光伏功率,达到预测的目的。     

基于遗传算法优化的RBF-BP神经网络在光伏阵列MPPT的研究

为了高效地追踪光伏电池的发电输出功率,结合光伏电池输出非线性的特点,提出了一种基于遗传算法优化的RBF-BP组合神经网络,用于对光伏阵列最大功率点追踪(MPPT)。首先研究了光伏电池的输出特性,在此基础上提出了RBF-BP双隐层组合神经网络。为了更加准确地预测光伏电池最大功率点,进一步运用遗传算法对组合神经网络进行优化。将影响光伏电池输出的主要因素光照强度和温度作为神经网络的输入建立预测模型,通过MATLAB对该模型进行仿真。仿真结果表明,该系统具有追踪精度高、速率快、迭代次数少等优点,有效地提高了对光伏电池输出最大功率点追踪的精度和效率。     

应力迭代法重构电弧增材AA7075铝合金薄壁件残余应力场研究

残余应力是影响电弧增材制造构件疲劳寿命的关键因素,传统的测量与仿真难以完整高效地分析增材构件的残余应力分布。为此基于本征应变相容原理,提出一种通过应力迭代重构电弧增材AA7075铝合金薄壁件残余应力场的新方法。该方法使用有限的残余应力实测数据与基函数构造应力分量,并使用APDL语言对ANSYS进行二次开发,将应力分量映射至有限元模型迭代重构残余应力场。结果表明,重构的残余应力场与X射线衍射法实测值、热弹塑性模型仿真值误差较小,证明了该方法用于电弧增材薄壁件的全局残余应力场重构的有效性。     

基于小波包一混沌支持向量机的液压泵压力信号预测

针对液压泵压力信号呈现的非线性、非平稳的特性,提出一种将小波包分析、相空间重构理论与支持向量机(SVM)相结合的预测方法,实现液压泵压力信号监测数据的建模及预测。首先将采集到的压力信号通过小波包进行分解,将分解得到的各个分量进行重构,其次对重构后的每一个分量通过混沌支持向量机预测模型进行预测,最后对各预测值进行合成。试验数据表明,该方法能够有效地预测液压泵压力信号的变化趋势,具有较高的预测精度,可有效地应用于系统的状态监测和故障预测。     

光伏电池最大功率点的分析与研究

通过对光伏电池的数学模型和电流电压曲线的分析,提出了光伏电池最大功率线的跟踪方法。采用与光伏电池性能相同的光伏传感器,控制逆变器工作电流的大小,当光强或工作温度发生变化时,对跟踪系统都无影响,从而实现最大功率点的可靠跟踪。该方法不需复杂的分析与控制,原理较简单,具有一定的市场前景。     

基于EEMD分解的ARMA-SVR钢铁企业焦炉煤气受入量的预测模型

针对钢铁企业生产过程中产出的焦炉煤气基于受入量机理模型难以对受入量进行预测的问题,建立一种基于集合经验模态分解(EEMD)的支持向量回归机(SVR)和自回归滑动平均模型(ARMA)组合的焦炉煤气受入量的预测模型。首先,采用EEMD分解法将焦炉煤气受入量的原始数据分解成一系列相对平稳的固有模态分量,然后按照各模态自相关函数的特点采用SVR和ARMA分别建立预测模型,最后将各个预测结果求和。仿真结果表明,组合预测模型对焦炉煤气受入量的预测精度较高,也为钢铁企业能源优化调度提供数据支持。     

最小二乘AR模型的惯性器件故障预测

以随机信号时间序列AR模型为基础,将激励噪声信号构造为准则函数,采用最小二乘法对AR模型参数进行辨识,得到惯性器件漂移误差系数最小二乘AR预测模型,泛化用于故障预测.仿真结果表明与功率谱估计的参数化AR、ARMA模型相比,最小二乘AR预测模型在高、低阶次时辨识精度较高、泛化能力较强,这一特点在低阶时尤为明显,其预测结果可为发现故障隐患、辅助决策提供依据.     

基于T-S模糊神经网络的光伏发电机组自动控制

光照情况变化会使光伏发电机组功率呈现不稳定性,加大光伏发电机组控制难度,为此,设计了基于T-S模糊神经网络的光伏发电机组自动控制方法。构建光伏阵列数学模型,分析在均匀和不均匀2种光照情况下光伏发电机组特性曲线。以分析结果为依据,采用T-S模糊神经网络构建光伏发电机组自动控制模型。为保证良好的控制效果,引入定比因子优化隶属度函数,输出最佳跟踪结果,结合最佳跟踪结果和自动控制模型实现光伏发电机组自动控制。测试结果显示,该方法能够完成光伏阵列特性分析,控制效果好。     

时间序列分析在风机状态参数预测中的研究与应用

研究了时间序列的建模与预测方法,并应用于生产实际.以某测点的振动日均值作为建模数据,建立了ARMA(3,1)时间序列模型,经检验,该模型具有较高的预测精度,能够用于该风机的运行状态预测.     

基于相关向量EMD和GMDH重构的故障率预测方法

针对故障率数据的非线性非平稳特性及现有预测方法精度不足的问题,提出了一种基于相关向量经验模态分解(relevance vector empirical mode decomposition,简称RVEMD)和数据处理组合法(grouped method of data handling,简称GMDH)重构的预测方法。首先,通过RVEMD分离故障率时间序列的波动项和趋势项,分解产生序列的固有模态函数(intrinsic mode function,简称IMF)和残余函数(residual function,简称RF),通过相关向量机(relevance vector machine,简称RVM)预测端点局部极值的方法抑制传统经验模态分解(empirical mode decomposition,简称EMD)存在的端点效应,进一步利用RVM回归生成序列的上下包络,替代了常规三次样条插值法;其次,建立各IMF分量的RVM预测模型和RF分量的灰色预测模型,其中对标准RVM回归模型进行了改进,通过构建一种方差高斯核函数(variance Gauss kernel function,简称VGKF)来提高核函数的全局性能和泛化能力,利用H-Q准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,同时构建了一种基于背景值优化的灰色预测模型;最后,通过GMDH算法产生的最优智能组合模型得到最终的预测结果。仿真实例结果表明,相比常规EMD分解后叠加预测法和其他单一模型预测法,该方法具有更加优异的预测性能,能够对故障率的变化趋势进行准确预测。     

基于功率预测的变步长扰动观测法在光伏MPPT中的应用

在分析研究常用的扰动观测法实现光伏系统最大功率点跟踪(MPPT)技术的基础上,提出了一种新型的MPPT算法。该算法先利用功率预测法判断扰动的方向,避免误判;然后再通过变步长扰动观测法进行最大功率点的跟踪。该方法具有跟踪速度快、精度高、有效避免了跟踪过程中可能发生的误判问题等优点,可保证系统快速并准确跟踪至最大功率点。利用MATlAB搭建光伏系统MPPT模型,并与传统的变步长扰动观测法相比较。实验结果表明:提出的新方法在跟踪光伏电池最大功率点过程中,保证了跟踪的快速性和控制的精度,且有效改善了振荡和误判问题,进一步降低了功率的损耗,提高了光伏电池的利用率。