基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明:VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.2118MW、1.8900及1.5916MW;相较于传统的GRU、长短时记忆(LSTM)神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题.

基于对抗训练与Transformer的风力发电机故障分类方法

风力发电机故障分类的复杂性和多样性严重影响风能发电效率,传统的人工方法效率低下,准确率较低,已有的深度学习模型在真实环境中易受数据噪声干扰而表现不佳。为提升风力发电机故障分类模型在真实环境下的分类性能与鲁棒性,提出一种基于对抗训练与Transformer的故障分类方法。首先通过引入一维卷积与门控线性单元(GLU)增强注意力机制对局部特征的学习,保留易被忽略的局部信息,提升模型对于局部特征的敏感度。其次结合限制因子约束对抗样本,提高对抗样本产生的准确性。最后在消除错误样本的同时反馈生成过程,使其具备更好的抗干扰能力。实验结果表明,与5种常用的分类模型相比,所提模型分类性能平均提升7.76%,与真实结果之间的误差最小。局部增强的注意力机制和所提的对抗训练方法分别使模型的分类性能平均提升4.51%、4.95%。所提模型在10%~20%噪声环境中仍保持较好性能,增强了其在真实环境中的稳定性。该方法在提高分类准确率的同时使模型具备更强的泛化能力,对于提升风力发电机故障分类性能与鲁棒性具有重要意义。

“四关三风”穴针刺对脑卒中急性期吞咽障碍患者血清BDNF、SP、DA、5-HT及NGF的影响研究

目的:明确“四关三风”针刺治疗脑卒中急性期吞咽障碍的临床疗效,并分析其对患者血清中脑源性神经营养因子(BDNF)、P物质(SP)、多巴胺(DA)、5-羟色胺(5-HT)和神经生长因子(NGF)含量的影响。方法:选取在广州中医药大学第一附属医院神经内科病房进行住院治疗的100例卒中后急性期吞咽障碍患者,通过使用随机数字表法对所有纳入患者进行随机分组,分为对照组和治疗组,每组患者50例。两组均给予脑卒中常规治疗,除常规治疗外,对照组患者进行吞咽功能训练,治疗组在对照组基础上进行“四关三风”针刺治疗,1次/d,6 d为1个疗程,共治疗2个疗程。分别在治疗前及治疗后进行疗效评价,采用标准吞咽功能量表(SSA)、改良吞咽能力评价量表(MMASA)进行吞咽功能评定,并检测血清中BDNF、SP、DA、5-HT及NGF的含量,进行临床疗效分析。在中风两个月时采用SSA量表进行随访。结果:与治疗前比较,两周治疗后两组SSA及MMASA评分均明显改善,差异有统计学意义(P<0.05),治疗组SSA评分低于对照组,差异有统计学意义(P<0.05),MMASA评分高于对照组,差异有统计学意义(P<0.05);对照组总有效率为80.0%(40/50),治疗组总有效率为92.0%(46/50),治疗组高于对照组,差异有统计学意义(P<0.05)。与治疗前比较,治疗后两组患者血清BDNF、SP、DA、5-HT及NGF水平显著升高,差异有统计学意义(P<0.05),且治疗组高于对照组,差异有统计学意义(P<0.05)。与治疗结束时比较,卒中两个月时两组SSA评分比较均未见明显变化,差异无统计学意义(P>0.05),但治疗组SSA评分仍较对照组为低,差异有统计学意义(P<0.05)。结论:“四关三风”针刺对卒中后急性期吞咽障碍疗效确切,可显著改善患者的吞咽功能,且远期疗效较好,其机制可能与改善血清中BDNF、SP、DA、5-HT及NGF的含量有关。

七一灌区新型测控一体闸门的设计与应用

测控一体闸门在灌区的应用对提高灌溉水利用效率和推进信息化建设至关重要。根据七一灌区不同的渠道类别,设计了各种规格的新型测控一体闸门。其中,闸体采用一体式双导轨结构,配备直流电机驱动闸门启闭以控制流量,旋转编码器记录闸门开度,雷达水位计采集闸门上下游水位,应用闸孔出流原理计算渠道流量;闸门测控终端显示电机运行状态和渠道水位流量信息,通过4GTD-LTE宽带无线通信专网远程传输至管理站和各级水务机构;采用风光互补的供电方式为测控一体闸门供能,能够满足至少10 d无风或阴雨天气用电需求。测控一体闸门的应用,改变了灌区以往水位流量曲线测流的方式,提高了测流精度,减少了灌溉用水的浪费。

基于时空特征挖掘的特高压变压器热状态参量预测方法

热状态参量预测是特高压变压器绝缘老化评估及故障预警的重要技术方法。然而,现有预测方法侧重高维时间序列分析以构建数据驱动模型,未计及设备内部温度潜在的空间变化规律,为此,提出一种基于时空特征挖掘的特高压变压器热状态参量预测方法。首先,综合考虑多源数据间的相关度与冗余度,提出组合特征筛选策略寻找最优特征子集;其次,结合热状态参量的最优特征子集及相关系数,构建面向热状态参量预测的时空图数据;最后,建立双重自适应图卷积门控循环单元(dualadaptivegraphconvolutiongate recurrent unit,DA-GCGRU)模型,采用节点自适应模块强化油箱内不同部位温度变化趋势的拟合,以适应特定温升趋势;采用图自适应模块自主学习热状态参量的空间温度分布关联性,以推断空间映射关系。实验结果表明,该方法可深度挖掘特高压变压器内部温度的时空变化特性,准确预测绕组温度和顶层油温的变化趋势,具有较好的鲁棒性和泛化性。

一种基于注意序列到序列门控循环单元的风力发电预测模型

针对现有风力发电预测精度低的问题,提出一种改进的注意序列到序列门控循环单元(attention sequence-to-sequence gated recurrent unit,ASSGRU)的风力发电预测模型。该模型为典型的多输入多输出(multiple input multiple output,MIMO)模型,并基于注意力机制选择重要特征,从而提高风力发电预测的精度和稳定性。通过中国某电力公司发布的风电数据集对提出的预测模型进行验证。与自适应小波神经网络(adaptive wavelet neural network,AWNN)、K均值聚类的前馈神经网络(k-means-feedforward neural network,K-FNN)和长短时记忆(long short-term memory,LSTM)等模型相比,所提模型均方根误差变异系数(coefficient variation of root mean square error,CV-RMSE)、平均绝对百分比误差(mean absolute percent error,MAPE)以及归一化均方根误差(normalized root mean square error,NRMSE)等指标更优,从而验证了所提模型的可行性和有效性。该模型对混合智能电网智能化服务及新能源调度规划具有一定借鉴作用。

基于动态图注意力的风电场组合预测模型

为了实现风电场用能管理的高效调度,充分提取多站点间时空特征的潜在联系,提出一种基于动态图卷积和图注意力的多站点短期风电功率时空组合预测模型。使用图卷积实现多站点间时序特征的邻居聚合,并使用图注意力机制加强其对空间特征的提取能力。同时,针对传统模型无法处理图节点关联性实时变化的问题,先在图卷积过程中依据站点间的相关系数和距离动态构建邻接矩阵,再使用门控循环单元处理动态图卷积输出的上下文信息,最后完成风电功率预测。实验结果表明,所提出的组合模型在预测精度、稳定性和多步预测性能方面均最优。

基于CNN-GRU-Attention的多步超短期风电功率预测

针对当前预测模型在预测过程中信息缺失与准确性不高的问题,提出了一种以GRU网络为基础的预测模型。首先,建立了CNN-GRU-Attention预测模型结构,该模型具有预测精度高的优势,解决了在预测过程中大量序列信息损失的问题;其次,采用擅长处理时间序列数据并且能解决简单神经网络长期依赖问题的GRU模型,提出了利用CNN网络和Attention层分别对输入数据和模型网络中间数据进行深度挖掘和处理;再次,为了提高预测模型在训练时的稳定性与精确性,利用Adam优化器优化模型参数;最后,通过某风电场的历史运行数据进行预测。预测结果表明:基于CNN-GRU-Attention的风电功率预测模型进一步提高了预测精度,验证了此模型的适用性。

基于注意力机制的TCN-BiGRU模型短期风电功率预测

随着新能源的发展,风力发电对电力系统稳定运行发挥着越来越重要的作用。但是风电是属于波动性强的不稳定能源,大规模并网会加剧电力系统的不稳定性,精准地预测短期风电功率可以提高电网运行的稳定性和准确性。提出了一种基于注意力机制的时间卷积网络(temporal convolutional network,TCN)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)短期风电功率预测模型。利用TCN挖掘多维时间序列数据之间的关联,提取高维时序特征,残差模块加快收敛速度,建立BiGRU并在输出端引入注意力机制构建时序注意力模块,增强BiGRU对双向时序关系进行挖掘的能力,提高重要历史时序信息的影响,得到最终风电功率预测值。实验结果表明,文中模型的平均绝对值误差(mean absolute error,MAE)、平均绝对值百分比误差(mean absolute percentage error,MAPE)、决定系数(R-Square)分别为238.62,5.17和0.977,比其他单一模型和组合模型具有更高的精确度,验证了该模型具有更高效的短期风电功率预测能力。

基于改进海洋捕食者算法优化GRU的短期风速预测

为了提高风速预测精度,提出了一种新的短期风速预测模型IMPA-GRU,其中IMPA算法是针对海洋捕食者算法初始化不均匀、收敛速度慢和收敛精度低等弱点引入Tent混沌映射、锦标赛选择策略和自适应阶段转换策略的一种改进算法.将IMPA算法与门控循环单元网络结合,通过算法优化网络参数,构建预测模型IMPA-GRU进行短期风速预测.为了评估模型性能,首先将IMPA算法与6种优化算法分别在8个测试函数上进行性能测试,然后将新提出的预测模型与MPA-GRU,GRU等5种模型进行对比.结果表明:IMPA算法在所有测试函数上都取得了更好的结果,IMPA-GRU模型在风速数据集上的MAPE,RMSE和MAE分别平均减小了0.98%,1.51%和1.58%,R2提高了0.56%,进一步提高了风速预测精度,减小了预测误差.

基于二次分解因果分析和深度学习的短期风电功率预测

为实现精准的风电功率预测,提出了一种基于二次分解因果分析和深度学习的风电功率预测模型。首先,通过完备集成经验模态分解算法对风电功率和风速序列进行一次分解,并采用经验小波变换算法对风电功率和风速序列的高频分量进行二次分解,以降低原始序列的复杂程度。其次,通过Granger因果关系检验方法对各风速分量与风电功率分量进行因果分析,以此实现风电功率各分量的输入变量选择。最后,利用耦合注意力机制的双向门控循环单元对风电功率分量进行预测,并集成得到最终的风电功率预测结果。通过风电厂实际运行数据进行试验,并与多个典型模型进行比较,结果表明所提模型具有较高的预测精度,其决定系数达到了0.98,能够实现较精准的风电功率预测。

一种基于组合深度学习的复杂山地风电场测风数据质量控制方法

山地风受地形影响呈现强烈的间隙性、波动性和非平稳性,观测质量差,常规质量控制方法无法有效地提升其观测质量。针对此,构造一种基于变分模态分解、卷积神经网络、门控循环单元组合深度学习的质量控制方法(VCG),并引入粒子群智能优化策略、风功率重构模型,综合提升观测数据质量。为验证该方法的效果,运用该方法对江西赣州、四川广元、安徽芜湖、湖北黄石、河南平顶山、广西贺州某地共6座复杂山地风电场目标观测塔2016年10 min风速、风向数据进行质量控制,并与单一机器学习方法、空间回归方法(SRT)、反距离加权法(IDW)进行对比。结果表明,该方法适用于山地风电场的观测风数据的质量控制,相较于常规方法具有更高的可疑数据检错率;控制后的数据能更好地还原观测背景场,应用于风电场的发电量评估业务具有更低的误差率;且具有地形适应性强的特点。

基于INGO-SWGMN混合模型的超短期风速预测研究

为提高超短期风速预测的精度,提出一种融合变分模态分解(VMD)、相空间重构、改进的北方苍鹰优化算法(INGO)和共享权重门控记忆网络(SWGMN)的超短期风速混合预测模型。首先,考虑到风速的强波动性会对预测带来不利影响,采用VMD对风速时间序列进行分解,得到一系列相对平稳的子序列。然后对各子序列分量进行相空间重构,得到相应的相空间矩阵。接着针对长短期记忆网络(LSTM)训练时间较长和权重参数较多的问题,提出一种SWGMN对各子序列分量建立预测模型。同时,为提高模型预测性能,提出一种INGO对SWGMN模型的两个超参数进行寻优,得到最优参数组合。最后累加各子序列预测值,得到最终风速预测结果。实验结果表明,在单步预测和多步预测中,所提方法的平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数R2分别为0.1828 m/s、0.2263 m/s、4.5481%、0.987和0.2429 m/s、0.3107 m/s、6.1113%、0.976,相较于传统方法具有更高的预测精度和预测效率。

基于CNN-BiGRU网络的超短期风电功率预测

针对风电数据存在维度多、波动大等特点而加大风电功率预测难度的问题,本文提出一种基于卷积神经网络(convolutional neural networks,CNN)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的风电功率预测模型。该模型通过Pearson相关系数筛选最佳的历史功率和气象因素组合,使用CNN网络提取原始数据的时序特征,然后利用BiGRU网络捕捉这些特征之间的时序依赖关系,最终得到风功率预测值。算例分析表明,本文所提CNN-BiGRU模型比传统的BP和BiGRU神经网络模型具有更高的预测精度。

基于CEEMD-CNN-GRU的风电功率预测

传统风电功率预测中预测模型难以充分提取风电场历史数据中的时空特性和隐藏特征,预测精度较低。针对此问题,提出一种基于CEEMD-CNN-GRU的风电功率预测模型。首先对不同的风电场景使用互补集合经验模态分解(CEEMD)对功率序列进行分解,降低风电功率序列的波动性;然后采用卷积神经网络(CNN)提取空间特征,采用门控循环单元(GRU)提取时间特征;最后完成风电功率预测,并将各个分解序列预测结果叠加得到最终预测结果。结果表明,设计的模型精度高,相比于CNN、GRU、CNN-GRU模型,均方根误差分别降低80.17%、77.07%和71.07%,风机分组且场景划分后相比于未进行风机分组和未进行场景划分,均方根误差分别降低78.63%和66.61%。

基于离散绕组的磁场式时栅位移传感器及误差特性

针对高精度位移传感器难以加工的难题,提出一种基于离散绕组的磁场式时栅位移传感器。通过设计离散激励绕组排布方式与感应绕组的形状控制感应位移信号的变化规律,通过组合测量方式实现精密位移测量。通过理论建模、仿真分析与实验验证揭示了激励信号误差和安装偏差对传感器测量精度的影响规律。实验结果表明:两路激励信号的幅值不等和安装偏差都会在对极内测量精度中直接引入直流分量误差和2次谐波误差,其中2次谐波误差是误差的主要成分。安装偏差越大,2次谐波误差越大,动尺沿Z轴偏摆姿态对测量精度的影响最大,沿Y轴翻转姿态引入的误差次之,沿X轴俯仰姿态引入的误差最小。误差修正后传感器在144 mm的测量范围内,测量误差峰峰值为4.5μm,分辨力为0.15μm。通过毫米级尺寸的激励和感应绕组实现微米级精度测量,可显著降低传感器的制造难度,具有重要的工程应用价值。

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variational mode decomposition,VMD)和门控循环单元(gated recurrent unit,GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy,PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。

基于改进局部自注意力机制的VMD-GRU模型短期风电功率预测

较高的随机波动性使得风电功率的预测十分困难。为改善风电功率预测的效果,建立了一种基于变分模态分解(variational mode decomposition,VMD)、改进局部自注意力机制(Improved Local Self-Attention,ILSA)和门控循环单元网络(gated recurrent unit,GRU)的短期风电功率预测方法。使用VMD分解将原始风电功率序列分解为中心频率不一的子模态;对各子模态的中心频率分别建立具有不同高斯偏置优化窗口大小的ILSA模型,并改进其注意力分数公式以更有效地提取信息;采用GRU模型进行风电功率预测,并对各预测序列进行重组,得到最终的预测结果。实验结果表明,相比于各传统模型,所提改进方法能有效提高风电功率预测精度,且对于低频分量有更高的拟合度。

基于EEMD-GRU-MC的短期风功率组合预测方法

针对风功率间歇性强、随机波动性大而导致的模型预测精度不高的问题,将数据分解技术、基于人工智能的预测模型和误差修正技术结合起来,提出一种集成集合经验模态分解(ensemble empirical mode decomposition,EEMD)、门控循环单元(gated recurrent unit,GRU)和马尔科夫链(Markov chain,MC)的短期风功率组合预测方法(EEMDGRU-MC)。首先,利用EEMD算法将历史风功率序列分解为一组相对平稳的子序列,以减少随机波动分量和无序噪声对预测模型的影响;然后,使用GRU模型分别对各子序列进行预测,并将各子序列的预测值叠加得到初步的预测结果;最后,为了进一步提高预测精度,利用MC预测残差的未来状态,对EEMD-GRU模型的预测结果进行修正。以云南省某风电场的短期功率预测为例对本文方法进行了验证,大量算例结果表明,相比于ARIMA、LSTM、GRU、EEMD-LSTM和EEMD-GRU模型,所提出的组合预测方法具有更强的预测精度和泛化能力,在不同季节的平均绝对预测误差均小于2%,表现出良好的短期风电功率预测前景。

计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。