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。

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。

浅析雾霾的本质与科学防治

作为一名中学生,作者通过实际生活中对雾霾的观察和感受,联系学到的知识,通过查阅资料,对雾霾的特点、形成和特殊的天气变化现象进行了初步的探究。作者认为:雾霾是微颗粒物一种特殊的"胶体"存在状态,拥有"胶体"一些性质,具有"微颗粒无限制态"、连续性、广泛性和难于消散的特点;雾霾的成因复杂,会受到地理、气象和污染排放量等各种因素的影响;就像胶体受到非稳定剂的作用会发生聚沉一样,我们也可以找到一种方法使雾霾中的微颗粒发生聚沉,从而达到治理雾霾的目的。

基于Stacking模型的风力机叶片结冰预测研究

为解决风力机叶片结冰预测问题,本文采用卡方检验结合Pearson相关系数进行特征筛选,该方法筛选出的特征所保留的信息较之于单一的卡方检验更多;采用Pearson相关系数结合主成分分析(PCA)进行特征降维,该方法的降维效果较之于单一的PCA更好;采用单一模型CART、RF和MLP构建的Stacking模型进行风力机叶片结冰预测,该模型的预测效果比单一模型更好。这证明了本文所提出的特征筛选方法、特征降维方法及预测模型的有效性。