基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

基于经验模式分解和自适应神经模糊推理的风速短期智能预测混合方法

为实现风速的超前多步高精度预测,提出一种基于经验模式分解与自适应神经模糊推理的混合方法。该方法利用经验模式分解法对铁路风速进行多层分解计算以降低风速的强随机性,对分解后的各层风速数据分别建立自适应神经模糊推理预测模型并完成预测计算,最终加权各层预测值获得原实测数据的对应步数的预测结果。运用所提出的方法对青藏铁路某监控点的风速进行预测。研究结果表明:所提出的混合方法有效融合了经验模式分解法的信号细分性能和自适应神经模糊推理法的非线性追踪能力,混合模型的超前1步、2步、3步预测的平均相对误差分别为6.24%,11.11%和14.30%,体现出良好的非平稳信号预测性能。     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

基于混沌不稳定周期方法的风速时间序列预测

结合相空间重构理论,针对具有混沌特性的风速时间序列提出一种基于不稳定周期的预测方法.采用互信息法计算给定时间序列的延迟时间参数,根据时间序列运行轨迹的重合度,构造不稳定周期优化函数.通过对该函数的优化计算,得到嵌入维数参数及最佳不稳定周期值.根据所得延迟时间和嵌入维数等参数对风速时间序列进行相空间重构.利用前一不稳定周期轨迹附近的数值实现对未来风速时间序列的预测分析.仿真实验结果表明,该方法能够有效提高风速时间序列的预测性能,并可实现风速序列的多步预测分析.与持续法等传统预测方法相比,当预测步长增加时,该方法具有更稳定的预测性能.     

基于时间序列法的短期风速建模

短期风速预测是风电场监控系统中的重要一环。因风速序列本身已经具有时序性和自相关性,基于时间序列分析法建立了风电场风速短期预测模型,并结合实例阐述了时间序列法在这一领域的适用性,分析结果表明,所建模型具有一定的实用价值。     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

软件可靠性预测的小波分析方法

软件可靠性预测对于软件可靠性评估以及软件工程项目的过程控制具有重要作用。本文提出的软件可靠性预测模型,通过小波分解将非平稳的软件可靠性随机序列分解成趋势项、周期项和一系列时间调制平稳随机序列,对趋势项和周期项按常规的预测方法进行预测,而时间调制平稳随机序列再用小波方法预测,最后合成得到软件可靠性预测。实例分析表明,本方法是可行的。     

小波分析在管理数据处理中的应用

提出了一种基于小波变换的管理数据处理方法，把公司管理上的数据看成一个非平稳的时间序列，利用小渡函数将该时间序列分解到不同的频率通道上，然后将分解后的信号当作近似的平稳时间序列，用一些传统的统计方法进行预测，同时对中国足球彩票若干期的销售量数据进行了处理和预测，并将结果与实际销量以及用传统的AR模型的预测值进行了比较。     

脉动风的计算机模拟

采用线性滤波器法中的自回归模型，模拟节点随机脉动风速时程，运用Matlab编程有效地模拟具有时间相关性、空间相关性的脉动风速时程。通过对模拟所得的双坡屋面节点风速时程的统计分析．显示了该算法具有较好的模拟精度和计算速度，可满足工程应用的要求。     

基于风速预测的双馈风力发电机组变桨距协调控制

在分析风能的特性、风速区域划分以及大型风力发电机组常用控制方法的基础上,指出当前控制中存在的滞后、大惯性等问题.针对这些问题,提出基于风速预测的新型变桨距协调控制方法,在高于额定风速的情况下,加入风速预测环节,从而克服风速测量滞后、桨距角调节惯性大等问题.这种控制方法将小波变换嵌入时间序列法中,用于建立ARMA模型进行风速预测,然后将预测的风速送入控制环节,具有较好的动态控制性能.最后,通过实例仿真验证了该设计方法的有效性.     

高层建筑风场的脉动风速时程模拟

采用经过FFT算法改进的谐波叠加法(WAWS)及自回归(AR)模型的线性滤波法对实际工程进行脉动风速时程模拟.对2种算法所模拟的风速时程进行分析,结果显示了风速功率谱及相关函数的特性,分析结果说明AR模型中模型阶次及时间步长对风速时程产生较大影响.根据结构的有限元动力分析,采用能量相等的原则,即使结构固有频率段内的目标谱和模拟谱能量相等,对风速时程进行修正,使模拟风速时程更趋合理.     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。     

变风速条件下风力发电机输入载荷及其影响因素分析

建立了基于自回归(AR)方法的风场风速模型,求解得到了风速的变化时程;用Glauert方法求得了变风速下风力发电机的输入载荷——推力和扭矩随风速的变化时程;通过对载荷的统计分析得到了风力发电机的设计载荷谱和载荷雨流计数直方图;分析了变风速下风轮叶片主要参数对风力发电机输入载荷的影响规律:推力和扭矩载荷的均值随桨距角变化的响应明显,并随桨距角的增大而变小;推力的波动幅值随桨距角的增大先是增大然后减小,而扭矩的波动幅值则随桨距角的增大而单调减小;推力随叶片扭转角和攻角的变化响应明显而扭矩随扭转角和攻角变化的响应不明显。     

近地边界层脉动风数值模拟

在研究以往脉动风时程模拟方法的基础上,采用非均匀圆频率间隔的方法,改进以往谐波合成法模拟的周期性缺点.改进前后2种方法的对比表明,在时程曲线方面,原有方法显示的明显周期在改进方法中已经较难发现;在自功率谱方面,改进方法以较小的波动更加贴合目标曲线,提高了模拟精度.对改进方法与实测数据在功率谱、方差和湍流强度等相关参数方面进行了比较,相差均较小.这说明了该改进数值模拟方法的可行性和有效性.     

典型塔式起重机塔架结构风致动力响应与疲劳分析

将谐波叠加法与自回归法相结合,构建了新型风时程混合模拟方法,数值模拟三维风速时程,并转为风荷载时程;针对典型塔式起重机塔式结构,建立参数化力学模型.基于Newmark-β方法进行结构风致动力响应分析.基于结构关键点的应力-时间历程并引入S-N曲线法,分析塔架结构的疲劳损伤效应.研究发现,塔架结构节点的风致位移响应、速度响应和加速度响应均较稳定且风致位移响应具有周期性特征,塔臂两端部和塔顶的风致位移和疲劳损伤较大.研究成果可为此类塔架结构的抗风设计提供技术支撑.     

变桨距风电机组最佳叶尖速比的拟合求取

根据风力机数学模型,分析最大风能捕获的运行点条件,推导最佳叶尖速比的计算表达式.运用曲线拟合方法拟合得到误差数据条件下的最佳叶尖速比的参数,间接计算得到最佳叶尖速比.算例显示拟合值准确度较高.研究工作为计算风电机组最佳叶尖速比提供新的曲线拟合方法.