模態(tài)分解和支持向量機(jī)的風(fēng)電功率組合預(yù)測

水電機(jī)組的振動信號為典型的非平穩(wěn)、非線性信號。為了通過振動信號正確判斷水電機(jī)組的運行狀態(tài)，本文提出運用經(jīng)驗?zāi)B(tài)分解處理原始信號，并對獲得的基本模式分量計算其復(fù)雜度特征，最后運用最小二乘支持向量機(jī)進(jìn)行故障診斷。選取徑向基函數(shù)作為核函數(shù)，并通過網(wǎng)格搜索和交叉驗證確定相關(guān)參數(shù)。結(jié)果表明，經(jīng)驗?zāi)B(tài)分解復(fù)雜度特征和支持向量機(jī)結(jié)合，能夠準(zhǔn)確地實現(xiàn)故障診斷，確定故障類型，為機(jī)組運行維護(hù)人員提供參考依據(jù)。

為提高風(fēng)電輸出功率預(yù)測精度，提出一種基于rbf—bp組合神經(jīng)網(wǎng)絡(luò)模型的短期風(fēng)電功率預(yù)測方法。在考慮尾流等因素影響的基礎(chǔ)上，對風(fēng)速進(jìn)行預(yù)處理。根據(jù)相關(guān)歷史數(shù)據(jù)，建立rbf—bp組合神經(jīng)網(wǎng)絡(luò)短期風(fēng)電功率預(yù)測模型，對風(fēng)電輸出功率進(jìn)行預(yù)測。仿真分析結(jié)果表明，該預(yù)測方法能有效提高風(fēng)電輸出功率預(yù)測精度。

目前，我國風(fēng)電已進(jìn)入較為快速的發(fā)展時期。而伴隨著風(fēng)電領(lǐng)域的發(fā)展，風(fēng)電輸出功率預(yù)測作為一個新的研究領(lǐng)域，越來越受人們的重視。風(fēng)電功率預(yù)測預(yù)報系統(tǒng)的設(shè)計，不僅提供了風(fēng)電運行的調(diào)度技術(shù)，也有利于風(fēng)電調(diào)度安排系統(tǒng)進(jìn)行發(fā)電計劃的制定，大大降低了風(fēng)電運行的備用容量及運行的成本。與此同時，能夠確保電力系統(tǒng)的運行安全穩(wěn)定，對整個電力市場的有效管理具有重大作用。

針對風(fēng)電場發(fā)電功率短時間預(yù)測問題，根據(jù)風(fēng)能的“間歇性”和“隨機(jī)性”的特點，依據(jù)真實數(shù)據(jù)，以“時間序列分析”，“神經(jīng)網(wǎng)絡(luò)系統(tǒng)”，“小渡分析”等數(shù)學(xué)模型思想為基礎(chǔ)，分別建立了“時間序列分析模型（ar模型）”，“時間序列分析模型（arm模型）＋小波分析模型”與“神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型”對我國大唐赤峰東山風(fēng)電場風(fēng)電功率進(jìn)行實時預(yù)測。最后，根據(jù)國家能源局頒布的相應(yīng)指標(biāo)對這三種模型進(jìn)行分析和評估。

風(fēng)能是一種清潔的可再生能源,由于風(fēng)力發(fā)電的波動性、間歇性,能使大容量風(fēng)力發(fā)電并網(wǎng)對電力系統(tǒng)可靠、經(jīng)濟(jì)運行產(chǎn)生消極影響。為保證電力系統(tǒng)運行的穩(wěn)定性,合理制定調(diào)度計劃,根據(jù)已有的4臺風(fēng)電機(jī)組的實測功率,提出對原始數(shù)據(jù)進(jìn)行平滑化處理和基于灰色預(yù)測模型gm(1,1)的預(yù)測方法。即以風(fēng)電機(jī)組第23d前若干天的功率數(shù)據(jù)為原始數(shù)據(jù),對4臺風(fēng)電機(jī)組分別進(jìn)行未來24h(第23d)的功率進(jìn)行預(yù)測,并按國家標(biāo)準(zhǔn)公式計算預(yù)測準(zhǔn)確率。根據(jù)仿真結(jié)果確定最佳預(yù)測用原始數(shù)據(jù),預(yù)測準(zhǔn)確率達(dá)到國家標(biāo)準(zhǔn),驗證了該方法的有效性和可行性。

風(fēng)電功率預(yù)測系統(tǒng) 操作手冊 2011-09 中國電力科學(xué)研究院 i 目錄 1.登錄操作..................................................................................................................1 2.模塊應(yīng)用操作..........................................................................................................2 2.1實時狀態(tài)監(jiān)測模塊............................................................................................2 2.1.1地圖

針對風(fēng)場輸出功率短期預(yù)測所遇到的信息貧乏、精度低和不確定性高的問題,提出一種粒子群動態(tài)灰色模型。該模型利用粒子群算法改變背景值參數(shù),通過迭代搜尋和線性化處理對齊次或非齊次的指數(shù)參數(shù)進(jìn)行連續(xù)優(yōu)化,提升了預(yù)測精度;該模型還引入殘差模型對外界環(huán)境的變化進(jìn)行預(yù)測,降低了由環(huán)境的不確定性對預(yù)測帶來的影響。將此模型運用到比利時風(fēng)場輸出功率的短期預(yù)測當(dāng)中,實驗結(jié)果證明了該模型對求解所提問題是有效的。

本文應(yīng)用概率分布函數(shù)的方法對河南三門峽清源風(fēng)電場五臺機(jī)組的風(fēng)電功率波動特性從時間和空間的角度進(jìn)行分析,對不同的時間尺度下以及單個和總體的數(shù)據(jù)進(jìn)行擬合,得出最佳的概率分布函數(shù),從其數(shù)值特征上來描述風(fēng)電功率的波動性。

介紹了風(fēng)電功率預(yù)測的背景，對風(fēng)電功率預(yù)測進(jìn)行了理論分析，分析了bp神經(jīng)網(wǎng)絡(luò)的原理及基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測流程和預(yù)測結(jié)果誤差的評價指標(biāo)。以matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱為仿真平臺，搭建bp神經(jīng)網(wǎng)絡(luò)，進(jìn)行了功率預(yù)測仿真，預(yù)測結(jié)果均方根誤差分別為6．97％、200．59％。兩組仿真對比結(jié)果表明，基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測在短期預(yù)測中是可行的．

針對風(fēng)電功率超短期預(yù)測精度不高的問題,提出了一種結(jié)合theil不等系數(shù)與改進(jìn)誘導(dǎo)有序加權(quán)算子的組合預(yù)測方法.由于預(yù)測時刻的實際風(fēng)電功率值未知,因此無法直接利用該方法進(jìn)行預(yù)測.文章利用各單項預(yù)測模型的前幾個時刻的預(yù)測精度均值作為預(yù)測時刻風(fēng)電功率的誘導(dǎo)值,對誘導(dǎo)有序加權(quán)算子進(jìn)行了改進(jìn),解決了預(yù)測時刻誘導(dǎo)值未知的問題.采用誤差信息矩陣對單項模型進(jìn)行冗余度分析,得到優(yōu)選單項模型,然后建立基于theil不等系數(shù)和3種改進(jìn)誘導(dǎo)有序加權(quán)算子的組合預(yù)測模型.通過分析和實例驗證表明,結(jié)合theil不等系數(shù)和誘導(dǎo)有序加權(quán)算數(shù)平均算子(iowa)的組合模型能有效地提高風(fēng)電功率預(yù)測精度.

提出了一種新的支持向量機(jī)(supportvectormachines,svm)機(jī)械系統(tǒng)狀態(tài)組合預(yù)測模型。應(yīng)用fpe(finalprincipleerror)準(zhǔn)則優(yōu)化樣本的維數(shù),采用時域內(nèi)的振動烈度和頻域內(nèi)的特征頻率分量作為預(yù)測機(jī)械系統(tǒng)狀態(tài)的敏感因子,構(gòu)建了預(yù)測模型。支持向量機(jī)采用新型的結(jié)構(gòu)風(fēng)險最優(yōu)化準(zhǔn)則,預(yù)測能力強(qiáng)、魯棒性好。采用徑向基函數(shù)和ε損失函數(shù),將該模型應(yīng)用于實驗臺和旋轉(zhuǎn)注水機(jī)組的狀態(tài)預(yù)測,取得了較好的效果。這表明利用支持向量機(jī)的組合預(yù)測模型,可以降低設(shè)備維修代價,提高設(shè)備的安全性和可靠性。

從風(fēng)電場的實際情況出發(fā),針對現(xiàn)有電力系統(tǒng)實時調(diào)度模式下大規(guī)模風(fēng)電場并網(wǎng)調(diào)度難題,提出基于超短期風(fēng)電功率預(yù)測的風(fēng)電場自動發(fā)電控制(agc)方法。引入等耗量微增率理論,建立了含風(fēng)電場的電力系統(tǒng)發(fā)電出力分配的優(yōu)化模型,使風(fēng)電場作為等效的自動發(fā)電控制機(jī)組融入現(xiàn)有電力系統(tǒng)調(diào)度控制框架,增強(qiáng)整個電力系統(tǒng)的運行控制能力。算例結(jié)果驗證了所提方法的可行性。

風(fēng)力發(fā)電具有波動性、間歇性和隨機(jī)性的特點,風(fēng)力發(fā)電的并網(wǎng)給電力系統(tǒng)的安全運行帶來了嚴(yán)峻挑戰(zhàn),因此,實現(xiàn)風(fēng)電場風(fēng)速的預(yù)測具有重要意義。支持向量機(jī)是發(fā)展比較好的一種常用的風(fēng)速預(yù)測方法,但是由于其輸入特征對預(yù)測的精度影響比較大,所以特征的選擇一直是人們所關(guān)注的問題。文章提出采用相空間重構(gòu)理論對風(fēng)電場風(fēng)速進(jìn)行預(yù)測,并通過與使用自然特征作為輸入特征的預(yù)測方法作比較,驗證了基于相空間重構(gòu)的支持向量機(jī)的預(yù)測方法的優(yōu)越性。

提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過對歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對每個歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進(jìn)行負(fù)荷預(yù)測;采用最小二乘支持向量機(jī)回歸算法對不同灰色模型的預(yù)測結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運算方便等優(yōu)勢的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測精度。仿真結(jié)果驗證了所提出組合方法的有效性和實用性。

將小波多分辨率分析特點和回歸支持向量機(jī)算法良好的泛化性能相結(jié)合，建立小波-回歸支持向量機(jī)風(fēng)速預(yù)測模型。先將原始風(fēng)速序列經(jīng)小波分解成輪廓分量和細(xì)節(jié)分量，再對各分量分別應(yīng)用支持向量機(jī)模型進(jìn)行預(yù)測，最后將各分量的預(yù)測結(jié)果經(jīng)小波重構(gòu)得到原始風(fēng)速序列的預(yù)測值。仿真表明該方法能夠改善預(yù)測滯后現(xiàn)象以及減小突變點誤差，從而提高模型的泛化性能和預(yù)測精度。

建立基于支持向量機(jī)的建筑物沉降預(yù)測模型,并將其應(yīng)用于建筑物的沉降預(yù)測。與采用bp神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果相比,支持向量機(jī)取得較好的預(yù)測結(jié)果。實例表明支持向量機(jī)在小樣本數(shù)據(jù)的預(yù)測上具有精度高、泛化能力強(qiáng)的特點,為建筑物的沉降預(yù)測提供一種新的方法。

為對室內(nèi)轟燃進(jìn)行準(zhǔn)確預(yù)測,針對室內(nèi)轟燃樣本的不足在一定程度上制約了其應(yīng)用,為此運用svm技術(shù)構(gòu)建室內(nèi)轟燃預(yù)測的數(shù)學(xué)模型。在小樣本條件下,應(yīng)用工具軟件libsvm進(jìn)行仿真,并將svm模型預(yù)測結(jié)果和人工神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)行對比。結(jié)果顯示,svm技術(shù)能較好地解決小樣本和模型預(yù)測精確度之間的矛盾,svm模型其預(yù)測精度及可行性高于神經(jīng)網(wǎng)絡(luò)模型。實例表明,由于室內(nèi)火災(zāi)受多種因素影響,傳統(tǒng)的預(yù)測方法存在一定的局限性,而svm模型預(yù)測法預(yù)測的結(jié)果與試驗結(jié)果比較一致。

由于風(fēng)能具有隨機(jī)性和間歇性的特點,造成了其功率輸出的不穩(wěn)定,而大規(guī)模的風(fēng)電接入給電力系統(tǒng)的正常穩(wěn)定運行和調(diào)度帶來影響。詳細(xì)分析影響風(fēng)電場輸出的因素,確定風(fēng)速、風(fēng)向正弦和余弦為影響風(fēng)電輸出最主要的關(guān)聯(lián)因素,采用統(tǒng)計預(yù)測方法將歷史實際輸出功率、風(fēng)速、風(fēng)向正弦和余弦作為bp神經(jīng)網(wǎng)絡(luò)的輸入矢量,并采用人工蜂群算法優(yōu)化得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建abc-bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測模型。通過對某實測風(fēng)電功率進(jìn)行預(yù)測驗證,結(jié)果表明:基于蜂群算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測,可以克服bp神經(jīng)網(wǎng)絡(luò)易于陷入局部極小的缺陷和不足,極大地提高了全局搜索能力以及預(yù)測的穩(wěn)定性和精度；同時,將自適應(yīng)的選擇策略引入到蜂群算法優(yōu)化適應(yīng)度的選擇中,減少了網(wǎng)絡(luò)層參數(shù)的訓(xùn)練時間,提高了收斂速度。

采用小波分析的方法對地鐵原始監(jiān)測數(shù)據(jù)進(jìn)行去噪處理,將得到的平穩(wěn)可靠的監(jiān)測數(shù)據(jù)用于建立支持向量機(jī)訓(xùn)練集,進(jìn)行沉降預(yù)測.實際沉降數(shù)據(jù)處理和預(yù)測結(jié)果顯示,小波分析方法能夠準(zhǔn)確提取監(jiān)測數(shù)據(jù)中的沉降趨勢性信息,w-svm組合算法能夠顯著提高沉降預(yù)測的精度.

基于支持向量機(jī)方法的深基坑變形預(yù)測——提出了深基坑變形預(yù)測的一種新方法，即支持向量機(jī)方法．該方法根據(jù)有限的學(xué)習(xí)樣本，建立了各種影響因素和深基坑變形之問的一種非線性映射．基于已有的深基坑變形資料，采用支持向量機(jī)模型，對深基坑現(xiàn)場實例進(jìn)行了預(yù)測，...

根據(jù)齒輪箱故障時振動信號特點,提出了一種基于小波分解和最小二乘支持向量機(jī)(ls-svm)相結(jié)合的齒輪箱故障診斷方法。通過對齒輪箱振動信號進(jìn)行小波分解,得到各分解節(jié)點對應(yīng)頻率段的重構(gòu)信號和節(jié)點的能量,并將各節(jié)點能量組成的特征向量作為診斷模型的特征向量,輸入到ls-svm多類分類器中進(jìn)行故障識別。診斷結(jié)果表明:該方法能夠準(zhǔn)確地識別風(fēng)力發(fā)電機(jī)組齒輪箱的常見故障。

基于支持向量機(jī)的空調(diào)控溫過程實時預(yù)測——文章分析了空調(diào)工作過程中溫度控制的重要性與傳統(tǒng)方法的不足，將基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)方法用于控溫過程中，對溫度進(jìn)行實時預(yù)測。采用數(shù)字實驗對所提方法的可行性進(jìn)行驗證，結(jié)果表明該方法可以獲得比傳統(tǒng)方法更...