基于CEEMD和机器学习算法的短期风速组合预测

风速的准确预测对电网的稳定和电力系统的安全运行非常重要。针对风速的非线性和非平稳性特征,提出基于完备总体经验模态分解(CEEMD)结合神经网络和最小二乘支持向量机(LSSVM)的短期风速组合预测模型。利用CEEMD将原始风速时间序列分解成有限个特征互异的模态分量;高频分量利用组合神经网络进行模拟预测,中低频分量使用LSSVM构建预测模型;对每一子序列预测结果进行重构,使用灰狼优化算法对权重矩阵实时调整,确定组合模型的最优权系数,得到最终预测值。经对国内某风电场进行实验,结果表明:组合风速预测模型具有较好的预测能力,在短期风速预测方面的可行性与有效性。

基于MEEMD-FN-LSTM的冷热电联供系统负荷预测

针对当前冷热电联供(Combined Cooling, Heating and Power, CCHP)系统优化调度研究缺少冷热电负荷预测的问题,提出了基于改进集成经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)、模糊熵(Fuzzy Entropy, FN)和长短期记忆神经网络(Long Short Term Memory, LSTM)的CCHP系统负荷预测方法。使用MEEMD算法将原始数据分解为若干IMF分量,计算IMF分量的模糊熵并将模糊熵相近的分量相加,使用LSTM对相加后新的分量进行预测,最后将分量预测结果重构得到最终预测值。通过仿真并对比分析其他方法的负荷预测精度,证明所提预测方法具有良好的预测效果。

用于IWPT系统的双层交叠线圈抗偏移特性研究

针对无线电能传输(WPT)线圈发生横向偏移导致效率降低的问题,提出了一种双层交叠线圈结构,该结构可以实现多负载充电,且具有较强的抗偏移性能。首先,建立双层交叠线圈系统电路模型,分析影响系统效率的因素;其次,通过COMSOL软件仿真建立了双层交叠线圈模型,研究了多组充电区域的效率和横向偏移的关系;最后,为验证理论和仿真的真实性,设计了试验装置,结果表明,接收线圈磁通量变化会影响线圈效率,当发生横向偏移时,所提双层交叠线圈结构能维持高且平稳的磁场强度,使系统有效地保持高效率能量传输。