电气设备在线监测系统动态误差来源分析方法

运用动态测试误差建模理论,对电气设备在线监测系统的误差特性以及误差来源进行分析。针对傅里叶变换、小波变换等方法在分解动态测量误差时存在的不足,提出经验模态分解法与Fisher距离判别算法相结合的方法。首先,利用经验模态分解法对测量误差信号进行自适应分解;其次,提取每条分解子曲线的时域自相关、互相关以及频域特征信息,构建特征空间;最后,引入Fisher距离判据对构建的特征空间进行分类,最终确定每条误差分解子曲线的来源。为验证所提方法的有效性,对超高频局部放电监测系统开展附加误差实验,并用所提方法对系统的总误差信号进行分解与溯源。结果表明,该方法能够有效地追溯到误差产生的源头,具有较强的适用性和可靠性。     

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EEMD和BP神经网络的短期光伏功率预测模型

为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于BA-BP的汽车同步器齿毂误差溯源

同步器齿毂是汽车变速器装置的重要零件,其加工质量对变速器的性能、可靠性有直接影响。针对人工经验判断齿毂误差源范围效率较低的问题,本文提出一种基于蝙蝠算法优化BP神经网络的误差溯源方法,分析齿毂加工过程中的误差来源,利用蝙蝠算法对权值和阈值进行优化,获取最优值后构造BA-BP误差溯源模型,并采集数据样本对模型进行验证并与未优化之前的BP神经网络的误差溯源方法进行对比。与未优化之前BP神经网络溯源模型准确率83.56%相比,优化后的准确率为96.34%,该方法使溯源准确率明显提高,支持生产人员对后续的超差工件进行误差原因追溯,对生产过程中存在的问题直接进行处理排除,提高生产效率。     

公路超载车辆动态预检系统的研究

针对传统高速公路称重预检系统精度难以满足实际要求的情况,提出一种改进的BP神经网络建模方法用于动态称重系统。由车速和动态重量2个输入量的传统神经网络建模,改进成以车速,每个轴重和动态车重作为输入,通过BP神经网络逼近得到系统的数学函数。最后通过现场测试,误差精度提高,并满足ASTM E1318-94标准的精度要求。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

利用改进数位演算法和经验模态分解的电力系统低频振荡信号瞬时参数的提取

为分析电力系统低频振荡的动态特性,需要提取低频振荡信号的瞬时参数,而电力系统低频振荡信号为非线性时变复合信号,因此参数提取前需要对其进行振荡模态分解。首先结合最小平方误差法提出了改进数位演算方法,以提高信号参数的提取精度;其次应用经验模态分解法对低频振荡信号进行模态分解,确定有效振荡模态;最后根据提取参数可分析电力系统低频振荡的动态特性。算例结果验证了该方法的有效性。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。