弹性网络正则化移动荷载识别试验研究

针对移动荷载稀疏正则化识别方法存在的不足,提出了弹性网络正则化识别法,构建了弹性网络正则化识别理论和求解方法,分析了单移动荷载工况下3种参数对识别结果的影响。利用MATLAB软件建立了数值模型并进行验证。研究结果表明:该方法在车辆移动速度、测量噪声水平、测点位置组合的相应工况中,识别结果的相对误差分别为6.5%、10%和6.5%,稀疏性较好,能反映移动荷载的特征。试验识别结果与真实荷载吻合度高,且该方法在不同工况中适应性较强,可供工程应用参考。

基于数据分析与深度神经网络相结合的研究与应用

正则化弹性网络是一种强大的深度学习模型,结合线性回归和逻辑回归的特点,可以同时进行特征选择和参数控制,避免了传统正则化的部分局限性。离散傅里叶变换特征提取是一种常用的信号处理方法,可以提取信号中的特定频率的特征,在众多领域都有广泛的应用。通过弹性网络正则化和加窗离散傅里叶变换的信号分析技术结合,进行了相应的研究和应用。以凯斯西储大学故障轴承振动数据为例,进行信号分析处理,再经过神经网络模型的学习和预测,从而得到了一个准确率较高的弹性网络模型。其方法对于众多复杂的问题都有着重要的研究价值。

基于稀疏编码的短期风电功率时间序列预测

针对短期风电功率时间序列,提出一类基于字典的稀疏编码预测方法。为构建预测模型,将历史风电功率时间序列数据组成具有时延的输入-输出数据对,其输入与输出数据向量以原子形式分别构成两个字典,无需模型的训练阶段。针对待预测的时延输入数据向量,使用1l范数或弹性网络正则化的稀疏分解凸优化算法计算稀疏编码的权值,进一步借助历史输出数据所构成的字典,以得到相应的预测输出。与此同时,还分析了将测试数据实时加入字典,并维持字典容量不变的三种自适应更新策略,以进一步提升模型的预测精度。为了验证该方法的有效性,将不同的稀疏编码方法首先应用于Santa Fe混沌时间序列预测中,其次,将其分别应用于短期风电功率间接预测中,在同等条件下,与SVM方法进行了比较。结果表明,不同的稀疏编码方法均取得了很好的预测效果,其中基于弹性网络正则化的稀疏编码方法具有较高的预测精度,显示出其有效性。

风力发电系统短期功率在线预测仿真研究

在风电功率短期预测研究中,实时给出精确的预测数据是增强电网接纳风电能力及改善电力可靠性与经济性的最有效手段之一。现有的基于统计方法的预测模型往往不可避免数据的预处理和模型的训练阶段,自适应能力有待提高。考虑到稀疏编码方法无需模型训练,且具有求解效率高、自适应性强的特点,提出了采用稀疏编码的短期风电在线预测模型。首先将历史风电功率时间序列数据组成具有时延的输入-输出对,分别以原子形式构成字典,再针对待预测的时延输入数据向量计算稀疏权值,进一步借用字典以得到相应的预测输出。与此同时,使用了三种自适应字典更新策略,以实现在线预测,进一步提高精度。以加拿大阿尔伯塔省的实际风电功率数据为样本,在matlab中进行了仿真。仿真结果表明,上述模型能够准确地预测短期风电功率,提高了预测的有效性和实用性。