基于改进降噪自编码器和多元时序聚类的海上风电功率预测

针对海上数值天气预报(NWP)精度低、气象因素复杂等特点,提出一种基于改进的双向降噪自编码器(BDAE)和多元时序聚类的短期海上风电功率预测方法。首先,利用Toeplitz矩阵逆协方差聚类(TICC)进行风况相似性分类,即根据30、70、100 m海上NWP风速进行多元序列实时分割与聚类;然后,针对不同风况类型分别建立可提取过去、未来双向有效信息的改进BDAE修正模型,以修正轮毂高度风速的预测误差;最后,基于修正后的轮毂高度风速以及其余NWP数据,利用TICC算法划分气象相似类型,并在此基础上建立对应的海上风电功率预测模型。采用国内某海上风电场数据进行实验验证,结果表明所提方法能提高海上风电功率预测精度,具有一定工程实用价值。

基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断

轴承是电机的重要组成部分,其故障振动信号存在噪声干扰,导致特征提取困难,堆叠降噪自动编码器(SDAE)通过将输入数据随机置零训练网络可以有效抑制噪声干扰。此外,不理想的超参数组合易引起SDAE诊断性能不佳。因此,提出一种基于改进正余弦算法(ISCA)优化SDAE的电机轴承故障诊断方法。首先,在改进正余弦算法(SCA)粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化构造ISCA,利用ISCA对SDAE超参数自适应选取;其次,利用具有最优网络结构的SDAE模型的无监督自学习特征提取方法提取振动信号特征参数,从而实现更好的故障诊断效果。仿真及现场实验结果表明,该方法收敛速度快、诊断准确率高,而且具有较强的鲁棒性,在电机轴承故障诊断方面具有较好的应用前景。

基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究

可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

基于改进堆叠去噪自动编码器的电能质量扰动分类方法

针对当前电能质量扰动分类时因数据量大和特征量提取不足而造成分类精度低的问题,文章将压缩感知和深度学习结合,提出一种基于改进堆叠降噪自动编码器(Improved Stacked Denoising Autoencoders,ISDAE)的电能质量扰动分类方法。首先,将原始数据经过压缩感知后得到的稀疏向量作为数据集;然后构建堆叠去噪自动编码器模型,引入Inverted Dropout技术提升网络的泛化能力,避免过拟合现象的产生,并在微调阶段引入自适应矩估计(Adaptive moment estimation,Adam)优化方法,以降低陷入局部最优的概率。最后对10种常见的电能质量扰动信号进行仿真分析,可以发现所提方法降低了需要分析的数据量,解决了传统分类算法对特征选取不充分从而造成分类效率低的问题,并在一定程度上提升模型的鲁棒性。

基于CEEMDAN-SBiGRU-OMHA的短期电力负荷预测

为了提高短期电力负荷预测的精准度,充分挖掘电力负荷数据的复杂相关性,提出了一种优化多头注意力机制的CEEMDAN-SBiGRU组合预测模型,改进了特征提取和特征融合两个模块.首先,采用自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将电力负荷数据分解成多个内在模态函数(IMF)和一个残差信号(RES);同时引入降噪自编码器DAE挖掘数据中受气象因素、工作日类型和温度变化的潜在特征.其次,将提取到的复杂特征输入至堆叠双向门控循环单元(stacked bidirectional gated recurrent unit,SBiGRU)模块中继续学习,以获取隐藏状态.最后,将获取的隐藏状态输入至加入残差机制和层归一化优化的多头注意力(optimized multi-head attention,OMHA)机制模块,可以准确地给重要特征分配更高的权重,解决噪声干扰问题.实验结果表明,CEEMDAN-SBiGRU-OMHA组合模型具有更高的精确性.

基于CDAE和TCN/BLSTM模型的电能质量扰动分类方法

随着新型电力系统中电能质量扰动(PQDs)愈加复杂,为提升PQDs分类准确率并增强算法的噪声鲁棒性,将卷积降噪自编码器(CDAE)、时域卷积网络(TCN)与双向长短期记忆(BLSTM)相结合,提出一种基于CDAE和TCN/BLSTM模型的电能质量扰动分类方法。首先,通过CDAE以原始信号为目标重构含噪信号;然后,利用TCN和BLSTM并行挖掘扰动的抽象和时序特征;最后,特征合并层融合两种特征并完成分类。仿真结果表明,该方法可有效分类强噪声下的20类PQDs信号且平均准确率达99.23%,相比于其他主流的分类方法,所提方法具有更好的分类效果和抗噪性能。

基于AMSDAE-BLSTM的工业过程质量预测

针对具有噪声干扰及延迟等特性的工业过程质量预测,本文提出了一种嵌入注意力机制的堆叠降噪自编码器与双向长短期记忆网络的方法。首先以无监督方式构建自编码器模型,利用高斯噪声对工业数据进行一次重构以实现去噪及去冗余作用;再次嵌入注意力机制对过程变量权重分配进行二次重构以实现深度特征提取;最后采用双向长短期记忆网络学习重构数据的时间序列趋势特征,克服数据间的延迟性,充分挖掘过程变量与质量变量间的潜在关系,实现精准预测。通过脱丁烷过程的单质量变量预测和硫磺回收过程的多变量质量预测仿真实验,验证了本文方法比BP、LSTM、BLSTM和DAE-BLSTM方法具有更精确的预测效果。

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks,CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders,SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明:利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。

基于DAE-IPSO-SVM的电缆早期故障识别方法

电缆早期故障是发生在中压配电系统中的一种间歇性的电弧故障,持续时间短且自清除,通常不能被继电保护装置识别,最终发展成为永久性故障。因此,为识别并及时清除电缆早期故障,提出一种基于降噪自编码器-改进粒子群算法-支持向量机(DAE-IPSO-SVM)的电缆早期故障识别方法。首先,使用DAE对馈线首端的电流信号进行数据维度压缩和数据特征提取,采用IPSO对SVM进行优化,优化参数的SVM被用于电缆早期故障分类识别。利用PSCAD/EMTDC仿真软件搭建中压配电网模型,在不同的故障位置和场景以及多种过电流扰动条件下进行了仿真测试,结果表明该方法能够有效识别电缆早期故障信号,检测精确度高,对噪声具有较强的鲁棒性,具有较高的工程应用价值。