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

水電機(jī)組的振動(dòng)信號(hào)為典型的非平穩(wěn)、非線性信號(hào)。為了通過振動(dòng)信號(hào)正確判斷水電機(jī)組的運(yùn)行狀態(tài)，本文提出運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解處理原始信號(hào)，并對(duì)獲得的基本模式分量計(jì)算其復(fù)雜度特征，最后運(yùn)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(yàn)證確定相關(guān)參數(shù)。結(jié)果表明，經(jīng)驗(yàn)?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(shí)現(xiàn)故障診斷，確定故障類型，為機(jī)組運(yùn)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(cè)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(cè)方法。在考慮尾流等因素影響的基礎(chǔ)上，對(duì)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(cè)模型，對(duì)風(fēng)電輸出功率進(jìn)行預(yù)測(cè)。仿真分析結(jié)果表明，該預(yù)測(cè)方法能有效提高風(fēng)電輸出功率預(yù)測(cè)精度。

目前，我國風(fēng)電已進(jìn)入較為快速的發(fā)展時(shí)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(cè)作為一個(gè)新的研究領(lǐng)域，越來越受人們的重視。風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)的設(shè)計(jì)，不僅提供了風(fēng)電運(yùn)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(jì)劃的制定，大大降低了風(fēng)電運(yùn)行的備用容量及運(yùn)行的成本。與此同時(shí)，能夠確保電力系統(tǒng)的運(yùn)行安全穩(wěn)定，對(duì)整個(gè)電力市場(chǎng)的有效管理具有重大作用。

針對(duì)風(fēng)電場(chǎng)發(fā)電功率短時(shí)間預(yù)測(cè)問題，根據(jù)風(fēng)能的“間歇性”和“隨機(jī)性”的特點(diǎn)，依據(jù)真實(shí)數(shù)據(jù)，以“時(shí)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(shí)間序列分析模型（ar模型）”，“時(shí)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(duì)我國大唐赤峰東山風(fēng)電場(chǎng)風(fēng)電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)。最后，根據(jù)國家能源局頒布的相應(yīng)指標(biāo)對(duì)這三種模型進(jìn)行分析和評(píng)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(dòng)性、間歇性,能使大容量風(fēng)力發(fā)電并網(wǎng)對(duì)電力系統(tǒng)可靠、經(jīng)濟(jì)運(yùn)行產(chǎn)生消極影響。為保證電力系統(tǒng)運(yùn)行的穩(wěn)定性,合理制定調(diào)度計(jì)劃,根據(jù)已有的4臺(tái)風(fēng)電機(jī)組的實(shí)測(cè)功率,提出對(duì)原始數(shù)據(jù)進(jìn)行平滑化處理和基于灰色預(yù)測(cè)模型gm(1,1)的預(yù)測(cè)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(duì)4臺(tái)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(cè),并按國家標(biāo)準(zhǔn)公式計(jì)算預(yù)測(cè)準(zhǔn)確率。根據(jù)仿真結(jié)果確定最佳預(yù)測(cè)用原始數(shù)據(jù),預(yù)測(cè)準(zhǔn)確率達(dá)到國家標(biāo)準(zhǔn),驗(yàn)證了該方法的有效性和可行性。

風(fēng)電功率預(yù)測(cè)系統(tǒng) 操作手冊(cè) 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(shí)時(shí)狀態(tài)監(jiān)測(cè)模塊............................................................................................2 2.1.1地圖

針對(duì)風(fēng)場(chǎng)輸出功率短期預(yù)測(cè)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(dòng)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(duì)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(cè)精度;該模型還引入殘差模型對(duì)外界環(huán)境的變化進(jìn)行預(yù)測(cè),降低了由環(huán)境的不確定性對(duì)預(yù)測(cè)帶來的影響。將此模型運(yùn)用到比利時(shí)風(fēng)場(chǎng)輸出功率的短期預(yù)測(cè)當(dāng)中,實(shí)驗(yàn)結(jié)果證明了該模型對(duì)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(duì)河南三門峽清源風(fēng)電場(chǎng)五臺(tái)機(jī)組的風(fēng)電功率波動(dòng)特性從時(shí)間和空間的角度進(jìn)行分析,對(duì)不同的時(shí)間尺度下以及單個(gè)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(dòng)性。

介紹了風(fēng)電功率預(yù)測(cè)的背景，對(duì)風(fēng)電功率預(yù)測(cè)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(cè)流程和預(yù)測(cè)結(jié)果誤差的評(píng)價(jià)指標(biāo)。以matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱為仿真平臺(tái)，搭建bp神經(jīng)網(wǎng)絡(luò)，進(jìn)行了功率預(yù)測(cè)仿真，預(yù)測(cè)結(jié)果均方根誤差分別為6．97％、200．59％。兩組仿真對(duì)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(cè)在短期預(yù)測(cè)中是可行的．

針對(duì)風(fēng)電功率超短期預(yù)測(cè)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(cè)方法.由于預(yù)測(cè)時(shí)刻的實(shí)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(cè).文章利用各單項(xiàng)預(yù)測(cè)模型的前幾個(gè)時(shí)刻的預(yù)測(cè)精度均值作為預(yù)測(cè)時(shí)刻風(fēng)電功率的誘導(dǎo)值,對(duì)誘導(dǎo)有序加權(quán)算子進(jìn)行了改進(jìn),解決了預(yù)測(cè)時(shí)刻誘導(dǎo)值未知的問題.采用誤差信息矩陣對(duì)單項(xiàng)模型進(jìn)行冗余度分析,得到優(yōu)選單項(xiàng)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(cè)模型.通過分析和實(shí)例驗(yàn)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(cè)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(cè)模型。應(yīng)用fpe(finalprincipleerror)準(zhǔn)則優(yōu)化樣本的維數(shù),采用時(shí)域內(nèi)的振動(dòng)烈度和頻域內(nèi)的特征頻率分量作為預(yù)測(cè)機(jī)械系統(tǒng)狀態(tài)的敏感因子,構(gòu)建了預(yù)測(cè)模型。支持向量機(jī)采用新型的結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化準(zhǔn)則,預(yù)測(cè)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(shí)驗(yàn)臺(tái)和旋轉(zhuǎn)注水機(jī)組的狀態(tài)預(yù)測(cè),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(cè)模型,可以降低設(shè)備維修代價(jià),提高設(shè)備的安全性和可靠性。

從風(fēng)電場(chǎng)的實(shí)際情況出發(fā),針對(duì)現(xiàn)有電力系統(tǒng)實(shí)時(shí)調(diào)度模式下大規(guī)模風(fēng)電場(chǎng)并網(wǎng)調(diào)度難題,提出基于超短期風(fēng)電功率預(yù)測(cè)的風(fēng)電場(chǎng)自動(dòng)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(chǎng)的電力系統(tǒng)發(fā)電出力分配的優(yōu)化模型,使風(fēng)電場(chǎng)作為等效的自動(dòng)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(gè)電力系統(tǒng)的運(yùn)行控制能力。算例結(jié)果驗(yàn)證了所提方法的可行性。

風(fēng)力發(fā)電具有波動(dòng)性、間歇性和隨機(jī)性的特點(diǎn),風(fēng)力發(fā)電的并網(wǎng)給電力系統(tǒng)的安全運(yùn)行帶來了嚴(yán)峻挑戰(zhàn),因此,實(shí)現(xiàn)風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)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(cè)方法,但是由于其輸入特征對(duì)預(yù)測(cè)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(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行預(yù)測(cè),并通過與使用自然特征作為輸入特征的預(yù)測(cè)方法作比較,驗(yàn)證了基于相空間重構(gòu)的支持向量機(jī)的預(yù)測(cè)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(cè)方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過對(duì)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(duì)每個(gè)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(cè);采用最小二乘支持向量機(jī)回歸算法對(duì)不同灰色模型的預(yù)測(cè)結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測(cè)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(yùn)算方便等優(yōu)勢(shì)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(cè)精度。仿真結(jié)果驗(yàn)證了所提出組合方法的有效性和實(shí)用性。

將小波多分辨率分析特點(diǎn)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(cè)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(duì)各分量分別應(yīng)用支持向量機(jī)模型進(jìn)行預(yù)測(cè)，最后將各分量的預(yù)測(cè)結(jié)果經(jīng)小波重構(gòu)得到原始風(fēng)速序列的預(yù)測(cè)值。仿真表明該方法能夠改善預(yù)測(cè)滯后現(xiàn)象以及減小突變點(diǎn)誤差，從而提高模型的泛化性能和預(yù)測(cè)精度。

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

為對(duì)室內(nèi)轟燃進(jìn)行準(zhǔn)確預(yù)測(cè),針對(duì)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(yùn)用svm技術(shù)構(gòu)建室內(nèi)轟燃預(yù)測(cè)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(cè)結(jié)果和人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)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(cè)精確度之間的矛盾,svm模型其預(yù)測(cè)精度及可行性高于神經(jīng)網(wǎng)絡(luò)模型。實(shí)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(cè)方法存在一定的局限性,而svm模型預(yù)測(cè)法預(yù)測(cè)的結(jié)果與試驗(yàn)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(diǎn),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(yùn)行和調(diào)度帶來影響。詳細(xì)分析影響風(fēng)電場(chǎng)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(jì)預(yù)測(cè)方法將歷史實(shí)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(cè)模型。通過對(duì)某實(shí)測(cè)風(fēng)電功率進(jìn)行預(yù)測(cè)驗(yàn)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(cè),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(cè)的穩(wěn)定性和精度；同時(shí),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(shí)間,提高了收斂速度。

基于支持向量機(jī)方法的深基坑變形預(yù)測(cè)——提出了深基坑變形預(yù)測(cè)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(duì)深基坑現(xiàn)場(chǎng)實(shí)例進(jìn)行了預(yù)測(cè)，...

風(fēng)險(xiǎn)預(yù)測(cè)是工程項(xiàng)目風(fēng)險(xiǎn)管理的重要基礎(chǔ),本文在介紹支持向量機(jī)(svm)基本原理的基礎(chǔ)上,探討了基于支持向量機(jī)的項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)算法,根據(jù)以往同類工程項(xiàng)目的數(shù)據(jù)作為學(xué)習(xí)樣本,來識(shí)別待研究項(xiàng)目的風(fēng)險(xiǎn)類別,從而做出項(xiàng)目風(fēng)險(xiǎn)水平的預(yù)測(cè)。本文同時(shí)也說明了libsvm軟件在項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)方面的應(yīng)用。

為了科學(xué)預(yù)測(cè)與評(píng)估煤礦采動(dòng)引起的建筑物采動(dòng)損害程度,在系統(tǒng)分析建筑物采動(dòng)損害影響因素的基礎(chǔ)上,基于支持向量機(jī)理論,利用礦區(qū)典型建筑物采動(dòng)損害案例,首次建立了煤礦開采影響下建筑物采動(dòng)損害程度的支持向量機(jī)預(yù)測(cè)模型,并測(cè)試了該模型的可行性和可靠性.研究成果可為建筑物采動(dòng)損害預(yù)測(cè)提供一條新的技術(shù)途徑.

電功率實(shí)驗(yàn)題 1、一只小燈泡的額定電壓為 2.0v，正常發(fā)光時(shí)的電阻約為8 ω．小明想測(cè)量這個(gè)小燈泡的額 定功率，實(shí)驗(yàn)室中有如下器材： 一個(gè)電壓表、一個(gè)電流表、一個(gè) 開關(guān)，電壓為6v的電源，滑動(dòng)變 阻器有a規(guī)格：“10ω2a”、b規(guī)格：“30ω1a”可選．導(dǎo)線若干． （1）本實(shí)驗(yàn)應(yīng)該選擇（選填“a”或“b”）規(guī)格的滑動(dòng)變阻器． （2）請(qǐng)用筆畫線代替導(dǎo)線，將圖甲所示電路連接完整（要求滑片向左滑動(dòng)時(shí)變阻器阻值變小）． （3）小明在連接好電路的最后一根導(dǎo)線時(shí)，發(fā)現(xiàn)電壓表指針立刻偏到最大刻度處，小燈泡卻不亮， 且電流表也沒有示數(shù)，上述現(xiàn)象反映他在操作中存在的不規(guī)范之處是，出現(xiàn)上述故障的原因可 能是． （4）排除故障后，小明發(fā)現(xiàn)他很幸運(yùn)，電壓表并沒有因此而損壞．小明便開始進(jìn)行測(cè)量，調(diào)節(jié)滑 動(dòng)變阻器滑片位置直到電壓表讀數(shù)為2.0v，小燈泡正常發(fā)光，此時(shí)電流表示數(shù)如圖乙所