风力发电机叶片结冰检测算法研究

位于寒冷湿润气候区的风力涡轮机普遍存在的叶片结冰问题,但结冰过程时间关联性强、结冰过程缓慢,导致难以直接精确建模,数据驱动间接检测方法显示出了强大潜力。然而,结冰检测的时间窗口长度、时序特征的提取能力和数据信息冗余等问题,限制了数据驱动模型的性能。为解决这些问题,提出了一种基于斯皮尔曼相关系数的降维算法,对数据特征进行降维,减少数据输入冗余并保证时序特征信息的完整。将降维后的数据划分为15min,30min和60min的时间窗口,研究叶片结冰检测的最佳时间长度;最后将特征数据类型分为三类:温度、电流、其他,分别输入Attention-LSTM网络,利用注意力机制施加不同权重,增强模型对影响叶片结冰特征的提取能力。实验结果表明,与其他数据驱动模型对比,所构建的模型具有更优的性能。

基于XGBoost模型的上市公司财务风险预警应用

为了提高财务风险预警模型的有效性,解决样本数据不平衡问题、优化预警指标降维程序,文章提出了一种用于财务风险预警的SMOTE-双层XGBoost模型,利用2007—2019年我国A股市场的非金融业上市公司数据进行分析。结果表明,利用SMOTE算法能够有效解决样本数据不平衡的问题;通过XGBoost的特征重要性分析优化预警指标体系,可以提高模型的准确率;对比机器学习中的逻辑回归、KNN、决策树、随机森林模型,SMOTE-双层XGBoost模型具有更好的预测效果,且预警表现更加稳定,扩展了XGBoost模型的实用性,为上市公司财务风险预警研究提供了新视角。

基于MLP-BiLSTM-TCN组合的超短期风电功率预测

风电功率受气象等因素影响具有很强的随机性和波动性,传统单一神经网络模型预测精度较低,难以满足需求。基于此,提出了多层感知机(multi-layer perceptron,MLP)-双向长短期记忆(bidirectional long short-term memory,BiLSTM)-时间卷积网络(temporal convolutional network,TCN)组合的超短期风电功率预测模型。首先使用皮尔逊相关系数处理数据,将相关性高的特征和每个预测点前6个真实值作为输入,然后生成3种基础神经网络模型MLP、BiLSTM、TCN,并根据隐藏单元设置不同参数,每个模型选取4个参数结果即组成12种基础模型。最后采用线性规划(linear programming,LP)法求出不同权值,以达到结果的最优化。以新疆某风电场为例对所提组合模型进行验证,绝对平均绝对误差(mean absolute error,MAE)为2.975 MW,均方根误差(root mean square error,RMSE)为5.474 MW,相较于其他模型,所提组合模型具有更高的预测精度。该研究能在风电功率预测中进行实时调度,解决电网调频问题,对组合模型预测研究有促进作用。

基于双层XGBoost的风力发电机瞬时发电量预测

为解决风力发电预测不准确的问题,进一步提高风力发电场发电量的预测精度,提出了一种双层XGBoost的风电场发电量预测模型.该模型第一层为数据分析层,利用XGBoost的特征重要性排序分析SCADA数据,通过特征重要性分析排序选择特征变量作为输入;第二层为预测层,利用XGBoost回归算法建立风力发电量预测模型.为表现模型优越性,设置对比实验,将降维后的数据输入随机森林和决策树.结果表明,对比随机森林和决策树,XGBoost模型均方根误差和平均绝对误差较小,准确率可达到96.1%,具有更高的拟合度,可以有效解决非线性变量难以选择的问题,减少输入特征维度,加快预测速度.

基于Informer的长序列时间序列电力负荷预测

针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neural network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30%,有效提高了负荷预测精度.

基于Vision Transformer的光伏组件红外图像故障检测

太阳能光伏板受制造、运输、安装以及环境因素的影响,易发生故障和损坏,造成能量损失。通过对电池板进行红外图像检测,可以估计电力生产的损失,降低运行和维护的成本。基于此,设计了一种基于Vision Transformer的光伏异常红外图像检测的方法,通过对异常红外图像的检测,达到对不同的故障类型进行分类的目的。Vision Transformer首先将输入进来的图片,每隔一定的区域大小划分图片块,然后将划分后的图片块组合成序列,并将组合后的结果传入Transformer特有的Multi-head Self-attention进行特征提取,最后利用Cls Token进行分类。实验结果表明基于本文方法的红外图像检测准确率可达到95.787%,高于Xception模型11.9%、高于VGG16模型17.74%。

基于GAF-CNN的配电网局部放电检测

针对传统配电网局部放电诊断中提取的特征面临自适应能力不足、难以匹配特定故障等问题,提出了一种基于格拉姆角场(Gramian Angular Field,GAF)和卷积神经网络(Convolutional Neural Networks,CNN)的绝缘架空导线局部放电诊断方法。该方法将局部放电数据使用格拉姆角场构造二维图像,并将其图片输入构建的卷积神经网络来对正常信号和局部放电信号进行分类。实验表明,使用GAF-CNN模型对局部放电的识别精度可以达到99.77%。

具有隐私保护功能的半监督小样本齿轮箱故障诊断

齿轮箱作为机械传动系统的关键组成部分,面对有限标记数据和数据隐私保护的需求,传统故障诊断方法存在数据泄露和模型精度不高等问题.因此,本研究提出了一种基于联邦学习的隐私保护框架,采用半监督原型网络与对比学习相结合的小样本齿轮箱故障诊断方法.首先,构建了DeceFL联邦学习框架,在每个客户端上使用有限数量的标记样本构建正负样本对.同时,采用对比学习的预训练方法,为自动编码器提供了初始化参数.随后,将自动编码器作为原型网络的特征映射函数,使用有限数量的标记样本计算类别原型.最后,通过原型细化方法对原型进行微调,减少异常数据的干扰,获得更加稳定和准确的原型.经过实际齿轮箱数据的验证,结果表明,本研究提出的隐私保护框架下的半监督小样本故障诊断方法能够仅使用极少数量的样本即实现更为出色的故障识别精度.这一研究为应对现实工业应用中的数据挑战提供了创新性的方法,推动齿轮箱故障诊断领域的进一步研究.