基于粒计算的模糊神经建模方法在电能输出预测中的应用

准确地预测电厂的电能输出可以节约成本从而获得最大利润,因此建立一个模型来预测电厂的满载电功率输出是非常重要的。粒计算(Granular Computing,GrC)是一种新型的数据挖掘方法,它将具有类似特性的对象组合在一起,通过选择合适的粒度提取核心信息,减少冗余,降低问题求解的复杂度。本文使用GrC方法,从复杂多维数据集中以信息粒的形式建立初始的模糊推理系统,再通过模糊神经网络学习方法对系统参数进行优化。这种基于GrC的模糊神经(Granular Computing based Neuro-Fuzzy,GrC-NF)建模方法,不仅可以降低问题求解的复杂度,而且可以保持模糊逻辑系统的可解释性,将其与模糊神经网络的结合又提高了建模精度。本文将该方法用于建立电功率输出的预测模型,通过其预测精度的比较表明了该方法的优越性。

跟踪控制的输出预测控制算法及其仿真研究

本文介绍了输出预测控制算法及其参数的选择原则,並对其进行了仿真研究。结果表明,输出预测控制是一种十分成功的跟踪控制算法。

基于光伏阵列输出预测模型的故障诊断方法

本文提出了一种基于光伏组件阵列输出预测模型的故障诊断方法用于识别阵列直流侧的四种故障。该方法选择I-V(电流-电压)和P-V(功率-电压)曲线上的关键点作为诊断特征量,并将无故障情况下的特征量作为参考值;通过组件的双二极管模型建立了一个光伏阵列输出预测模型来预测不同工作条件下的参考值,在MATLAB/Simulink平台搭建光伏阵列仿真无故障和不同故障实验并将对应特征量与预测参考值对比。无故障实验中,三种工作条件下预测与仿真测量参考值的误差率低于2%,表明了阵列输出预测模型对参考值预测的准确性,并将预测值作为后续故障实验的参考值;计算几种故障实验的仿真测量特征量与参考值的相对误差,分析特征量的变化,给出了不同故障类型诊断的方法。

基于虚拟传感器的坝区多输出自由场地震时程长序列预测模型研究

坝区自由场地震时程的多维长时序预测对于震害快速分析具有重要意义。虚拟传感器是地震物理传感器的补充感知手段,可实现地震时程的预测,然而现有虚拟传感器难以对多个信号做长时序预测,导致大坝震害分析较为滞后。针对上述问题,提出基于TFA-Seq2Seq虚拟传感器的坝区多输出自由场地震时程长序列预测模型。其中,基于多任务学习将Seq2Seq的虚拟传感器改进为“Encoder-3 Decoder”结构,以建立多个坝体物理传感器信号与自由场三个方向长时序地震时程的映射关系,并添加注意力机制捕获多个输入信号的时序依赖关系,以解决同步多输出预测问题及提升预测精度。进一步,引入可逆的时频变换层和其逆变换层改进编码器和解码器,以缩短地震信号的时域长度,提取频域特征,并提出对应的随机强制学习的模型训练策略,从而克服了现有虚拟传感器难以对长序列进行有效预测的缺陷。案例分析表明,该方法实现了坝区自由场三个方向地震信号的超前10 s虚拟感知,且相较于未添加注意力机制和单输出的模型,预测精度分别提高了6.88%和3.32%,研究为震时地震信息的超前感知提供了新思路和新途径。

基于改进神经网络的光伏电站输出功率预测方法

光伏发电系统的输出功率受多种因素(包括天气、电池板温度和日照时长等)制约,表现出显著的随机、波动和间歇性特点,对电力系统的稳定运行构成了威胁。为此,提出基于改进神经网络的光伏电站输出功率预测方法,对电力系统的调度、优化以及能源管理具有重要意义。首先,进行了光伏电站输出功率影响因素的相关性分析,选择总辐照强度和环境温度这2个与光电转换效率有显著相关的因子,并以此为输入;然后,构建了改进神经网络模型;最后,通过该模型实现了光伏电站输出功率的预测。结果表明,利用改进的神经网络对光伏发电系统的出力进行了精确的预测。改进神经网络模型可以基本反映出输出功率的大体趋势,在处理复杂多变的天气条件和电站运行状态时,能够更精准地预测输出功率。

DFA-ODENets:面向周期多阶段复杂系统的预测仿真框架

部分复杂系统受内外部因素影响在运行时会呈现出周期性的阶段变化,且在不同阶段具有完全不同的动态特性.因此在使用数据驱动方法解决此类系统的预测和仿真问题时,使用单一结构模型难以准确地学习系统在不同阶段的动态特性.本研究提出了基于确定性有限状态机-常微分方程网络的预测仿真框架(DFA-ODENets),以建模周期多阶段系统.该模型由多个ODENet组成,每个ODENet能够从不规则采样的序列数据中学习系统在各个阶段内的动态特性.同时模型集成了基于确定性有限状态自动机思想的阶段转换预测器以实现模型预测时在不同阶段之间自动转换.最后,将DFA-ODENet框架应用于某计算中心制冷系统的预测仿真场景中.模型能够在给定系统运行过程中的服务器负载和环境温度下模拟系统运行过程,并对系统的制冷功率、进气口温度等主要输出变量进行预测.其中,对于制冷系统能耗预测的平均相对误差在5%以内.同时,利用制冷系统仿真模型优化了系统停止制冷时的温度设定值,通过仿真实验表明该优化最高可以节省18%的制冷能耗.

雾霾天气下光伏电站输出功率预测

在维持光伏发电并网安全与电网稳定运行的过程中,保证输出功率的准确预测十分重要,但是受雾霾天气的影响,光伏电站的实际输出功率与理论往往会存在很大差异,如果未能解决这一问题,将会对光伏发电站的电能质量产生负面影响.本文在对空气质量指数(AQI)与光伏电站输出功率相关性、特征进行研究的基础上,证明了雾霾天气对光伏电站输出功率的影响,并对预测方法、模型流程、预测系统结构设计进行了分析,以供相关研究者积极参鉴.

基于特征构造和改进PSO算法的分布式光伏功率预测

分布式光伏由于其历史数据缺乏,光伏出力的预测精度不高,提出改进粒子群优化算法(PSO)+长短时记忆网络(LSTM)与注意力机制结合的神经网络模型。构造基于聚类算法的特征工程扩充数据集;给出局部最优判据改进粒子群算法并应用于模型的超参数优化,提升模型泛化性;采用注意力机制与LSTM相结合的架构进行短期功率预测。在澳大利亚公开数据集上的实验表明,新的特征工程与光伏出力具有相关性,预测精度相比传统LSTM模型精度提高17.4%,且改进PSO算法相比标准算法收敛性更好。

基于深度置信网络的电力市场需求预测算法

文章旨在研究并开发一种基于深度置信网络(Deep Belief Networks,简称DBN)的电力市场需求预测算法。随着电力市场的日益成熟和复杂,对电力需求的准确预测对于电力系统的稳定运行和电力市场的有效管理至关重要。深度置信网络作为一种高效的深度学习模型,其在特征提取和模式识别方面的优势使其成为电力市场需求预测的有力工具。

基于EMD和ABC-SVM的光伏并网系统输出功率预测研究

针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型。首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列。然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理。最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值。通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度。

基于输出误差预测的模糊预测PID控制及应用

针对实际工业过程中普遍存在的非线性特性,采用T-S模糊模型来描述复杂的非线性系统.利用模糊聚类算法在线竞争学习模糊规则的输入区域中心,并按预先规定的规则之间的重叠度在线确定每条规则的输入区域半径,而模糊规则结论中的参数则由递推最小二乘(RLS)算法得到,得到的模糊局部线性化模型作为每个时刻的受控自回归积分滑动平均(CARIMA)模型.结合广义预测控制(GPC)的思想和有限脉冲响应滤波器,提出了一类新型的模糊预测PID控制器的实现方法,解决了一般预测PID控制器设计当中对系统模型阶次的限制问题.仿真算例说明了该方法的有效性和实用性.

基于小波分析和集成学习的光伏输出功率短期预测

针对光伏输出功率的预测精度影响系统安全调度和稳定运行的问题,该文建立了基于小波分析和集成学习的光伏输出功率短期预测模型。考虑到光伏输出功率的波动性与随机性,引入小波分析将数据分解成趋势项和随机项,并分别对其建模。其中,趋势项采用SVM算法,随机项采用BP算法进行预测处理;再考虑到随机项的非平稳性和BP算法的固有缺点,为提高预测精度,将集成学习引入随机项的预测模型。大量测试结果表明,基于小波分析和集成学习的短期预测模型的预测精度优于现有几种模型。

基于输出功率预测的风电机组运行风险度评估

准确评估风电机组运行健康状态对于降低机组故障率、减少运维成本十分有利。输出功率是表征风电机组运行性能的最基本参数之一,输出功率的波动能够直观反映机组运行状态的变化。当实际输出功率明显偏离正常运行状态下的预期值时,则说明机组健康状态可能存在异常,由此文章提出了一种基于输出功率预测的风电机组运行风险度评估方法。首先采用随机森林算法构建了风电机组有功功率短期预测模型,在预测过程中综合考虑了多种气象因素来提高预测精度,进而利用有功功率预测误差对风电机组的风险严重度进行量化;其次,利用模糊C均值算法构建风电机组运行风险严重度离群点模型,实现了对风电机组运行风险等级的明确划分。最后,以江苏南通某风电场实测数据为样本验证了所提方法的合理性与有效性。

基于单步预测输出差值抑制超调的改进预测控制算法

为抑制传统预测控制算法中产生的超调量同时减小计算规模,提出了一种基于单步预测输出差值抑制超调的改进广义预测控制算法.通过在性能指标函数中引入单步预测输出差值项K[y(k+d+2/k)-y(k+d+1/k)]2有效抑制了2次预测输出之间的剧烈波动,从而有效抑制了超调量的产生,同时计算量的增加很小.算法中同时考虑了系统的时滞特性对控制过程的影响,即单步预测输出差值项施加在当前的输入控制量Δu(k)开始在预测输出中起作用之后.通过柔化系统输入Δu(k+j)有效避免了矩阵求逆运算,因此算法的计算量进一步减小.仿真实验证明该算法不仅可以有效抑制超调的产生而且可以加快算法的跟踪速度.

基于改进时间序列方法的HRG输出建模预测

针对半球谐振陀螺仪的输出可能不符合时间序列分析的平稳性要求的问题,提出了一种基于经验模态分解的改进时间序列灰色预测方法,该方法将经验模态分解、时间序列建模和灰色预测结合起来。首先利用经验模态分解对陀螺仪的输出原始信号进行预处理,分解得到原始信号中包含的随机项和趋势项,然后对这些信号进行平稳性检验,根据检验结果选择时间序列分析和灰色预测对这些数据分别进行建模预测,最后将预测结果进行重构得到最终的预测值。仿真实验结果表明,该方法的预测效果比单独使用时间序列分析进行建模预测的效果要好。

基于Leaky-ESN的光伏发电输出功率预测

利用PVSYSTEM系统产生的数据分析了光伏发电系统输出功率的主要影响因素,并且建立了基于泄露积分型回声状态网(Leaky-ESN)对光伏发电系统输出功率的预测模型。Leaky-ESN比起其他的神经网络具有训练方法简单,预测精度高的优点,因此将光伏发电影响因素的历史数据作为输入和训练样本,对模型输出功率进行预测。仿真结果表明,Leaky-ESN具有很高的预测精度。

预测输出的控制系统设计

目的 研究预测输出的控制系统设计技术 .方法 利用系统当前输出信息预测未来输出的控制策略 ,针对系统模型研究了一种设计方法 .结果 对于该校正方法应用于控制对象进行参数整定 ,并进行了系统仿真 .

反激变换器的输出反馈模型预测控制仿真研究

针对反激变换器的输出电压稳定性问题,提出一种输出反馈模型预测控制方法。建立双线性模型,设计状态反馈和输出反馈模型预测控制器,增加Luenberger-type型观测器确保状态估测动态误差是全局指数稳定;外环PI控制旨在消除电压偏移误差。给出系统存在输入电压和存在输入约束条件下的电感电流全局收敛的闭环稳定性分析。仿真结果表明,相比于PID控制,该方法在保证系统全局稳定性的同时,可以实现系统误差在有限时间内收敛,控制精度能达0.22%,提高了系统的鲁棒性和快速性。

基于灰色神经网络的兆瓦级风电机组输出功率预测研究

随着风电装机容量的增加,准确预测风力发电输出功率对电网的调度、风电的运营维护有重要作用。建立灰色神经网络预测模型,将灰色理论和神经网络这两种控制方法结合在一起,实现整个区域的机组输出功率预测。采用西北酒泉风力发电基地的数据作为样本进行模拟实验,建立1.5兆瓦级风电机组的预测模型验证所提方法的有效正确性,并定量分析了预测误差,结果表明灰色神经网络对兆瓦级风电机组输出功率具有较高的预测精度,具有一定的研究意义。