基于动力学与混合核函数LS-SVM的厌氧发酵产气量预测模型研究

利用农业生产中产生的牲畜粪便牛粪和秸秆进行厌氧发酵试验,以产气量为参考指标,研究牛粪和秸秆厌氧发酵的产气量预测模型。试验过程中测量发酵物的氧化还原电位(ORP)、p H值、挥发性脂肪酸(VFA)、氨氮含量、化学需氧量(COD)、电导率及产气量,并用灰色关联分析法筛选出与产气量关联较强的参数,将筛选出的参数作为多项式核函数和高斯径向基核函数构建的混合核函数LS-SVM模型的输入量,训练出预测能力较强的混合核函数LS-SVM模型,然后在混合核函数LS-SVM模型中融入微生物动力学构建产气量预测模型,并用验证集验证模型性能。仿真结果表明,筛选得到关联较强的参数为ORP、p H值、VFA、氨氮含量;融入动力学的混合核函数LS-SVM模型与混合核函数LS-SVM模型相比,产气量的预测更准确,误差更小,最小误差减少了近一个数量级,试验证明该模型有效。

EEMD和CNN-XGBoost在风电功率短期预测的应用研究

为解决风电功率序列随机性强、波动性大、预测误差高的问题,提出一种基于集合经验模态分解与卷积神经网络-极端梯度提升相结合的短期风电功率组合预测模型。该模型首先对原始的风电功率序列进行预处理,剔除缺失值和离群值;其次进行EEMD分解得到一系列子序列;再将每组子序列输入到CNN模型中提取特征信息;最后采用XGBoost回归模型对风电功率进行预测,并和XGBoost、CNN-XGBoost两种预测模型进行对比;经甘肃某风电场的实际风电运行数据验证,EEMD-CNN-XGBoost预测模型具有更好的预测效果以及更高的预测精度。

基于时序卷积对抗域适应的风机叶片结冰诊断

风机叶片结冰问题影响风电场的经济与人员安全,利用风机数据采集与监控(Supervi sory Control And Data Acquisition,SCADA)系统中的历史数据训练模型以准确识别叶片状态是有效且成本低廉的辅助方法,为解决单风机训练模型在不同风机上泛化能力差及实际诊断任务中风机运行数据无叶片状态标注的问题,基于域适应思想构建叶片结冰诊断模型,采用长效记忆能力更佳的时序卷积网络从不同编号风机原始数据中进行特征提取,基于对抗学习的域适应框架保证特征的泛化性和可迁移性,在金风科技提供的15号风机和21号风机运行数据上进行实验,实验结果表明本文所构建模型在目标域风机上的诊断准确率达到89.80%,可为不同风机叶片状态诊断问题提供一定参考。

基于卷积神经网络的风机叶片结冰故障检测

发电机叶片结冰是风力发电中的常见问题,准确检测叶片结冰故障能有效提高风电场的安全性与发电效率。为了准确检测叶片结冰故障,提出一种基于卷积神经网络的检测模型。通过改变1×1卷积核数量,改变特征维度并增加卷积网络的非线性,检测真实运行的风力发电机Supervisory Control And Data Acquisition (SCADA)数据。在以上基础上,使用Swish激活函数和Synthetic minority oversampling technique (SMOTE)提高模型的检测效果,获得较高的检测准确率、召回率与F1分数。并且检测另一台风力发电机SCADA数据对比验证模型泛化性。检测结果表明,Swish激活函数和SMOTE均能有效提高泛化性,评价指标表明模型泛化性较强。最终检测结果为99.59%的准确率和96.80的故障样本F1分数,泛化性检测结果为93.42%的准确率和40.15的故障样本F1分数,代表着叶片结冰故障检测模型能准确检测结冰故障,具有较好的应用前景。