应用极点对称模态分解分析径流时空演化规律

研究径流演化规律对水文预报和水资源合理配置具有重要意义。鉴于径流序列具有多时间尺度与非线性趋势混叠的特征,利用自适应、无基的极点对称模态分解(ESMD)将长江上游干支流8站的年、月、日径流序列分解为各模态分量和趋势余项,甄别大尺度循环和非线性趋势;利用周期图、趋势余项、时频分析,同时掌握径流周期、趋势、突变规律,并与现有方法对比分析。结果表明:时间上,主要存在2年、6年、10～11年的年际与6个月、1年、2年、4年、22～23年的年内周期规律。空间上,除朱沱站年内、年际径流呈增加趋势,其余站径流均呈减少趋势;8站的突变规律也不完全相同。ESMD能同时从周期、趋势、突变来挖掘径流水文特性,为径流时空演化规律分析开辟新思路。     

基于极点对称模态分解的配电网单相接地故障区段定位技术

配电网发生单相接地故障后,系统中将产生丰富的暂态电气量。利用故障点上游暂态零序电流幅值远大于故障点下游及正常线路的特征,提出一种基于暂态零序电流极点对称模态分解(ESMD)的配电网故障区段定位方法。基于实际配电网线路参数搭建典型缆-线混联仿真模型,对故障后暂态零序电流进行极点对称模态分解并构造相应的暂态能量函数,将构造所得的暂态能量函数作为评价各测点暂态零序电流幅值强弱的指标进行故障区段定位。仿真结果表明所提方法可有效提取故障特征,对各种故障工况适应性强,且各测点仅需上传1个暂态能量值,可有效降低通信要求、节约硬件投资成本。     

基于极点对称模态分解的混合储能系统容量配置

为给微电网配置合适的储能容量以平抑网内有功功率波动,提出了一种基于极点对称模态分解(extreme-point symmetric mode decomposition,ESM D)的混合储能系统容量配置模型。基于微电网净负荷功率,利用ESM D方法分解为自适应全局均线作为微电网与电网的交换功率,以及低频和高频分量作为蓄电池和超级电容器的平抑目标;为使分解后的各个分量最优,分析了剩余极点个数对全局均线的影响,研究了临界模态的选择原则以得到合适的低频和高频分量;在此基础上,考虑储能设备的运行寿命,建立了包含年投资成本和年运行维护成本的微电网混合储能系统成本模型。仿真实例验证了所述模型的可行性和经济性。     

基于极点对称模态分解和需求响应的风电消纳策略

在全球能源互联网的大背景下,风力发电作为一种清洁能源受到重视。由于风电的波动性对电力系统的经济、稳定运行造成强烈的冲击,弃风情况日益严峻。文章提出一种新的风电消纳策略,采用极点对称模态分解(extremepoint symmetric mode decomposition,ESM D)把原始风电出力分解为光滑的出力曲线和波动分量,使用混合储能吸收其波动分量,同时在系统运行中通过需求响应消纳更多的风电。针对粒子群算法容易陷入局部最优的缺点,将莱维飞行引入粒子群算法以增强粒子跳出"早熟"的能力。算例结果证明了这种风电消纳策略的有效性,即在维持一定的运行费用的同时,利用混合储能和需求响应,提高系统的风电消纳能力。     

基于小波分解的径流预报非线性模型

径流时间序列中包含了大量的信息,从频率域上来看,这些信息包括变化平稳的低频信息和变化相对剧烈的高频信息。本文利用小波分解,将径流时间序列分解为低频项和高频项,低频项采用逐步回归法预报,高频项采用基于自组织法求解的Volterra滤波器预报,两者结果综合,最终实现径流预报。实例计算表明,该模型具有足够高的计算精度。     

神经网络径流预报模型中基于互信息的预报因子选择方法

神经网络在径流预报中得到了广泛应用并取得了良好效果,其关键问题之一是输入变量(预报因子)选择,但这一问题通常没有受到重视.本研究基于互信息的概念探讨了如何选择径流预报输入变量,并结合三峡工程建成前长江干流宜昌水文站的日径流预报进行了研究.结果表明,基于互信息能够有效地判断待选预报因子(输入变量)与预报变量之间的相互关系...     

基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明：所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。     

基于经验模态分解与Elman神经网络的永富直流换相失败故障诊断方法

直流输电系统因自身的优越性能已广泛应用于电力系统。换相失败是直流输电系统中一种常见故障,会导致电流电压发生突变,给直流系统的安全稳定运行带来严重威胁。利用PSCAD/EMTDC平台搭建了永富直流输电系统模型,提出了基于经验模态分解和Elman神经网络相结合(EMD-Elman)的换相失败故障诊断方法。通过大量仿真实验发现使用Elman+样本熵可以有效的进行故障诊断,仅在50组样本的情况下对换相失败故障识别的精确度就可以达到95%以上,证明了该换相失败识别方法的有效性。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

提升经验模态分解检测低频振荡模式精度的改进算法研究

基于实测受扰轨迹分析低频振荡问题已成为现代电力系统稳定性分析的重要手段。针对经验模态分解（EMD）方法分析低频振荡信号时,影响该方法精度的端点效应、频率漂移、模态混叠、阻尼损失等问题,分别提出基于ARMA模型的端点延拓法、B样条插值法、精细化复小波分析法及能量微差因子控制法加以解决。通过这些方法的混成应用,设计出一套改进的应用算法,有效提高了低频振荡信号非平稳特性参数检测精度。最后,通过EPRI-36仿真算例和RTDS实时算例测试,验证了所提算法检测复杂低频振荡信号模式信息具备很高的有效性和精度。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

基于Elman型回馈神经网络的流域降雨-径流动态过程建模的研究

本文将Elman回馈型神经网络与水文系统的特点相结合 ,建立了流域降雨 -径流动态模型。文中用较简单的方法解决了神经网络模型难以直接描述水文系统前期状态的难题 ,并以福建沙县流域的降雨 -径流过程为研究对象 ,通过完整的分析 ,表明Elman型神经网络与水文系统概念相结合的动态过程模型是一种能够保证较高的预报准确性的模型 ,同时又具有良好的适应性、健壮型和外延性 ,显示出良好的应用前景。     

基于经验模态分解与动态神经网络的短期负荷预测

提出了采用经验模态分解(EMD)、动态神经网络与BP型神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于粗糙集理论-主成分分析的Elman神经网络短期风速预测

为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。     

Recurrent modified Elman neural network control of PM synchronous generator system using wind turbine emulator of PM synchronous servo motor drive

The recurrent modified Elman neural network (NN) controlled a permanent magnet (PM) synchronous generator system, which is driven by wind turbine emulator of a PM synchronous motor servo drive, is developed to regulate output voltage of rectifier (or AC to DC power converter) and inverter (or DC to AC power converter) in this study. First, the wind turbine emulator of a closed loop PM synchronous motor servo drive is designed to produce the maximum power for the PM synchronous generator system. Then, the rotor speed of the PM synchronous generator, the output DC bus voltage and current of the rectifier are detected simultaneously to yield maximum power output of the rectifier through DC bus power control. Because the PM synchronous generator system is a nonlinear and time varying dynamic system, the online training recurrent modified Elman NN control system is developed to regulate DC bus voltage of the rectifier and AC line voltage of the inverter in order to improve the control performance. Furthermore, the online training recurrent modified Elman NN control system with the variable learning rate is derived based on Lyapunov stability theorem, so that the stability of the system can be guaranteed. Finally, some experimental results are verified to show the effectiveness of the proposed recurrent modified Elman NN controlled PM synchronous generator system.     

Volterra神经网络水文模型及应用研究

本文在对Volterra泛函模型与ANN模型进行一致性研究的基础上,提出了基于Volterra泛函结构的神经网络水文模型(VNNH)。VNNH模型吸取了Volterra模型和ANN模型的优点,克服了它们的不足之处。VNNH模型设计了一种多项式的激活函数,克服了Volterra模型求解高阶核函数的困难。并利用自组织神经网络算法确定VNNH模型隐含层神经元的数目;根据Volterra模型的结构由流域的单位线确定VNNH模型的初始权值。将VNNH模型应用于两个实际流域的洪水模拟和预测中,取得了较为满意的结果。     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

基于希尔伯特-黄变换与Elman神经网络的气液两相流流型识别方法

气液两相流的流型对其流动和传热特性有很大的影响，所以如何确定流型一直是两相流研究中的重要课题。但是,由于两相流介质之间存在着随机多变的相界面，致使两相流的流型不仅是多种多样，而且其变化也带有随机性，这给流型识别带来了很大困难。而希尔伯特－黄变换(HHT)和神经网络在气液两相流流型识别中还很少见，文中提出了希尔伯特－黄变换与Elman神经网络相结合的气液两相流流型识别的新方法。将压差波动信号经验模态分解(EMD)后的固有模态函数(IMF)进行分析，提取IMF能量特征作为Elman神经网络的输入特征向量，对水平管内的气液两相流流型进行识别。实验结果表明：该方法能很好地识别水平管内的4种流型，为流型识别开辟了一条新的途径；另外，该方法优于BP网络且稳定、识别率高，具有可行性。