基于LPF-VMD和KELM的风速多步预测模型

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。

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

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。

基于SCADA数据的风电机组异常识别方法

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。