一种基于深度学习的FRS-CLSTM风速预测模型

为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。

基于Hadoop平台的风机群落故障预警

针对传统风机故障预警中采用设定单一变量恒定阈值的方法容易造成故障误报、不报以及排查时间不足等问题,提出一种在Hadoop平台采用分布式存储并行式计算的方法对整个风场进行分析。首先对SCADA系统历史数据进行分析,采用聚类方法对工况相似的风机进行群落划分。再依据统计学原理,对每一个风机群落里的风机温度类参数进行箱式分布,从而识别离群风机。最后采用显著性差异分析和滑动窗口的方法对离群风机进行分析判断最终确定异常风机。为进一步预测异常风机的变化特性,采用线性回归方法对异常风机建模并进行预测残差分析。结合一定的现场经验,设置合理的预测残差预警阈值实现异常风机的故障预警功能。通过对某大型风场进行试验验证,该方法在故障预警方面有较高的准确率。

一种稀疏度自适应广义正交匹配追踪算法

针对压缩感知(Compressive Sensing,CS)在信号重构时稀疏度往往未知,导致过估计及重构误差变大、复杂度高等问题,通过分析重构残差与支撑集原子数目之间的变化关系,提出一种稀疏度自适应广义正交匹配追踪算法,该算法无需原始信号稀疏度的先验知识。首先,算法采用分阶段变步长的方式扩充支撑集原子数,然后在迭代后期重构残差变化缓慢时改变原子搜索策略精确估计稀疏度,完成原始信号的重构。仿真实验将完成重构所需迭代的次数作为算法复杂度衡量标准,将重构精度、准确重构率及重构运行时间作为评判算法性能的指标。结果表明,该算法重构概率远高于传统的OMP、gOMP算法,重构图像视觉效果更佳,且运算时间低于同类盲稀疏度算法。