期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于LPF-VMD和KELM的风速多步预测模型
被引量:
28
1
作者
向玲
邓泽奇
赵玥
《电网技术》
EI
CSCD
北大核心
2019年第12期4461-4467,共7页
提出了一种基于低通滤波-变分模态分解的风速信号预处理方法。该方法首先从能量的角度直接通过低通滤波筛选出信号的趋势成分,再利用VMD将剩余信号分解成一系列相对平稳的限带内禀模态函数。将该信号预处理方法与核极限学习机结合,建立...
提出了一种基于低通滤波-变分模态分解的风速信号预处理方法。该方法首先从能量的角度直接通过低通滤波筛选出信号的趋势成分,再利用VMD将剩余信号分解成一系列相对平稳的限带内禀模态函数。将该信号预处理方法与核极限学习机结合,建立了风速多步预测模型。为了提高模型的预测性能,采用鸟群算法优化KELM预测模型的4个参数,以最优参数组合建立预测模型。最后以浙江某风电场采集的实际风速数据为例进行预测验证,结果表明所提出的多步预测方法具有较高的预测精度和运行效率。
展开更多
关键词
风速预测
变分模态分解
相空间重构
核极限学习机
鸟群算法
下载PDF
职称材料
基于改进经验小波变换和最小二乘支持向量机的短期风速预测
被引量:
19
2
作者
向玲
邓泽奇
《太阳能学报》
EI
CAS
CSCD
北大核心
2021年第2期97-103,共7页
针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘...
针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。
展开更多
关键词
风速预测
相空间重构
最小二乘支持向量机
模拟退火粒子群算法
经验小波变换
下载PDF
职称材料
基于SCADA数据的风电机组异常识别方法
被引量:
11
3
作者
向玲
邓泽奇
赵玥
《太阳能学报》
EI
CAS
CSCD
北大核心
2020年第11期278-284,共7页
提出一种基于组合预测模型和样本熵的风电机组异常识别方法。该方法首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,筛选出合适的SCADA数据,同时利用斯皮尔曼(Spearman)等级相关系数分析风电机组状态参数之间的相关性,确...
提出一种基于组合预测模型和样本熵的风电机组异常识别方法。该方法首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,筛选出合适的SCADA数据,同时利用斯皮尔曼(Spearman)等级相关系数分析风电机组状态参数之间的相关性,确定预测模型的输入参数;其次利用径向基神经网络(RBFNN)和最小二乘支持向量机(LS-SVM)建立以预测误差平方和最小为准则的组合预测模型;最后以华北某风电场的SCADA数据为算例进行验证,结果表明基于组合模型和样本熵的风电机组异常识别方法能准确识别出齿轮箱状态参数的异常变化,及时发现早期故障,为风电场安排检修计划提供参考依据,具有重要的工程意义。
展开更多
关键词
风电机组
数据采集与监视控制系统
相关系数
组合预测模型
样本熵
异常识别
下载PDF
职称材料
题名
基于LPF-VMD和KELM的风速多步预测模型
被引量:
28
1
作者
向玲
邓泽奇
赵玥
机构
华北电力大学能源动力与机械工程学院
出处
《电网技术》
EI
CSCD
北大核心
2019年第12期4461-4467,共7页
基金
国家自然科学基金项目(51675178)~~
文摘
提出了一种基于低通滤波-变分模态分解的风速信号预处理方法。该方法首先从能量的角度直接通过低通滤波筛选出信号的趋势成分,再利用VMD将剩余信号分解成一系列相对平稳的限带内禀模态函数。将该信号预处理方法与核极限学习机结合,建立了风速多步预测模型。为了提高模型的预测性能,采用鸟群算法优化KELM预测模型的4个参数,以最优参数组合建立预测模型。最后以浙江某风电场采集的实际风速数据为例进行预测验证,结果表明所提出的多步预测方法具有较高的预测精度和运行效率。
关键词
风速预测
变分模态分解
相空间重构
核极限学习机
鸟群算法
Keywords
wind speed prediction
variational mode decomposition
phase space reconstruction
kernel extreme learning machine
bird swarm algorithm
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于改进经验小波变换和最小二乘支持向量机的短期风速预测
被引量:
19
2
作者
向玲
邓泽奇
机构
华北电力大学机械工程系
出处
《太阳能学报》
EI
CAS
CSCD
北大核心
2021年第2期97-103,共7页
基金
国家自然科学基金(51675178)。
文摘
针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。
关键词
风速预测
相空间重构
最小二乘支持向量机
模拟退火粒子群算法
经验小波变换
Keywords
wind speed forecasting
phase space reconstruction
least squares support vector machine
simulated annealing particle swarm optimization
improved empirical wavelet transform
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于SCADA数据的风电机组异常识别方法
被引量:
11
3
作者
向玲
邓泽奇
赵玥
机构
华北电力大学能源动力与机械工程学院
出处
《太阳能学报》
EI
CAS
CSCD
北大核心
2020年第11期278-284,共7页
基金
国家自然科学基金(51675178)。
文摘
提出一种基于组合预测模型和样本熵的风电机组异常识别方法。该方法首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,筛选出合适的SCADA数据,同时利用斯皮尔曼(Spearman)等级相关系数分析风电机组状态参数之间的相关性,确定预测模型的输入参数;其次利用径向基神经网络(RBFNN)和最小二乘支持向量机(LS-SVM)建立以预测误差平方和最小为准则的组合预测模型;最后以华北某风电场的SCADA数据为算例进行验证,结果表明基于组合模型和样本熵的风电机组异常识别方法能准确识别出齿轮箱状态参数的异常变化,及时发现早期故障,为风电场安排检修计划提供参考依据,具有重要的工程意义。
关键词
风电机组
数据采集与监视控制系统
相关系数
组合预测模型
样本熵
异常识别
Keywords
wind turbines
SCADA systems
correlation coefficients
combined prediction model
sample entropy
anomaly recognition
分类号
TK83 [动力工程及工程热物理—流体机械及工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于LPF-VMD和KELM的风速多步预测模型
向玲
邓泽奇
赵玥
《电网技术》
EI
CSCD
北大核心
2019
28
下载PDF
职称材料
2
基于改进经验小波变换和最小二乘支持向量机的短期风速预测
向玲
邓泽奇
《太阳能学报》
EI
CAS
CSCD
北大核心
2021
19
下载PDF
职称材料
3
基于SCADA数据的风电机组异常识别方法
向玲
邓泽奇
赵玥
《太阳能学报》
EI
CAS
CSCD
北大核心
2020
11
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部