信号分解技术在新能源发电功率预测中的应用评述

非平稳性是影响风电功率序列和光伏功率序列精准预测的主要问题。信号分解技术能够将非平稳功率序列分解为若干不同频率的固有模态分量,从而平缓序列的波动程度,提取序列特征,建立具有强适应性的预测模型,实现预测精确度的切实提高。首先将信号分解技术进行归类划分,从时域分解和频域分解两个角度系统评述了国内外研究人员对信号分解技术的应用研究现状;其次,从风电和光伏功率预测两个方面详细评述了信号分解技术的应用研究实例并通过实际分解结果对比了分解技术的优缺点;最后,总结了信号分解技术的应用场景,并对分解技术的应用领域和提高预测精度的研究方向进行了展望。

基于深度学习和信号分解的北方寒区河流开河日期预报

中国北方寒区河流春季开河时易产生冰凌现象,威胁涉河水工建筑物的安全。准确地预测寒区河流开河日期可为防凌指挥、调度决策提供重要参考依据。本文基于中国北方典型寒区-黑龙江省的5个代表水文站近60年的历史开河日期序列,采用完全自适应集合经验模态分解(CEEMDAN)技术和深度学习长短期记忆模型(LSTM)方法构建河流开河日期预报的耦合模型,以期提高河流开河日期预报的精度。结果表明:本研究构建的开河日期预报耦合模型(CEEMDAN-LSTM)预测精度明显优于单一深度学习方法(LSTM)计算结果;与LSTM相比,CEEMDAN-LSTM可将开河日期预报的平均绝对误差从2.51 d降低至1.20 d,合格率从91.59%提高至100%。验证期平均绝对误差从3.85 d降低至1.65 d,合格率从88%提高至96%。因此,所构建的开河日期预报耦合模型具有较高的预报精度,可为我国北方寒区春季防凌指挥和调度提供技术支持。

融合信号分解与排列熵的高铁线路风速区间预测方法

为提升高铁线路风速预测精度以保障强风下高速列车的运营安全,融合信号分解与排列熵提出高铁线路风速区间预测方法。采用信号分解技术与排列熵(PE)筛选分量,对不同复杂度分量分别利用门控循环单元分位数回归(QRGRU)和门控循环单元(GRU)构建高铁线路风速区间预测模型。对我国某高铁线路风速监测数据进行预测,结果表明:预测模型的预测精度较对比方法有显著提升,在区间预测上有良好表现,预测区间覆盖概率(PICP)、预测区间平均带宽(PINAW)及综合覆盖带宽指标(CWC)分别为94%、0.16、1.72,表明该方法能准确描述未来风速趋势,提升预测精度,对解决高铁安全运营问题具有实用价值。

基于多模式分解和麻雀优化残差网络的短期风速预测模型

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型。该模型首先利用小波分解(wavelet transform,WT)、变分模态分解(variational mode decomposition,VMD)和自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)分别分解经过模糊C均值聚类后的风速数据,不同模态分解分量组合为二维矩阵,作为卷积网络的输入数据,实现不同模式分量波动规律的互补;随后,在传统卷积网络结构中增加改进的残差模块,对多模式分解分量进行特征提取,使得深层特征得到显著增强;最后,将特征融合后输入GRU模块,进一步挖掘风速分量在时序上的特征,通过麻雀优化对Res-GRU中的关键参数进行寻优,实现风速预测。实验表明,与传统组合模型相比,所提组合预测模型可以有效提高风速短期预测的准确率。

基于SDAE深度学习与多重集成的风电集群短期功率预测

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法。所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列构造多个堆叠去噪自动编码器(stacked denoising autoencoders,SDAE)进行深度学习;第3步,将第2步的结果随机划分成几个集合,利用支持向量机(support vector machine,SVM)对每个集合进行集成;第4步,将第3步的集成的结果再随机划分成几个集合,利用SVM对每个集合进行集成,重复以上步骤直至得到最终的集成预测结果。结果表明,多重集成学习得到前96 h预测结果的平均归一化均方根误差相比单次集成减少了0.0101,百分比为9.01%;相比SDAE减少了0.0151,百分比为13.54%;相比SVM减少了0.0175,百分比为14.66%。论文研究可为基于深度学习和集成学习的风电集群短期功率预测提供参考。

基于SF6气体状态分析的SF6断路器在线监测和故障诊断

在简单介绍SR断路器各状态量监测原理的基础上，通过测量SF6断路器中气体温度、压力、湿度和气体分解物等参数，应用所设计的DSP和红外光谱技术的硬件系统和软件流程，实现对SF6断路器的综合在线监测和故障诊断，对电网运行中的SR断路器综合在线监测和故障诊断具有一定的参考价值。