基于OOA优化BP神经网络的光伏发电功率预测

准确预测光伏发电功率是保障电网平稳运行的关键环节,但由于光伏发电系统输入变量较多,造成标准BP神经网络系统对发电功率预测的精度不理想。基于OOA优化BP神经网络的预测模型(OOA-BP),可以提高预测精度。将总辐照度、直射辐射、散射辐射、气温、气压和湿度6种类型数据作为OOA-BP神经网络预测模型的输入量,并将其预测结果与标准BP神经网络进行对比。结果表明:相较于标准BP神经网络模型,OOA-BP神经网络预测模型通过优化阈值和权值,可以有效提升光伏发电功率的预测精度和预测效率。

基于SVD-IACMD的GIS振动信号去噪算法

振动测量对发现气体绝缘开关设备(gas insulated switchgear,GIS)潜在性缺陷具有重要意义,但GIS本体振动信号易受基础振动、测量噪声以及环境噪声的影响,使得现场GIS振动带电检测和机械缺陷诊断的效果较差。针对此问题,提出一种基于奇异值分解(singular value decomposition,SVD)-改进自适应啁啾模态分解(improve adaptive chirp mode decomposition,IACMD)的现场振动信号降噪算法。该方法首先利用SVD对原始振动信号进行预处理,滤除低频基础振动和测量噪声,其次利用鱼鹰优化算法(osprey optimization algorithm,OOA)对处理后的信号进行自适应模态分解,得到分解后的固有模态(intrinsic mode functions,IMF)分量,再利用互相关系数筛选有效分量重构振动信号。模拟信号与现场信号测试结果表明:与OOA-自适应啁啾模态分解(adaptive chirp mode decomposition,ACMD)和SVD-变分模态分解(variational mode decomposition,VMD)相比,所提出的SVD-IACMD算法可以去除基础振动、测量噪声和环境噪声,保留GIS本体振动的基频和谐波分量,为GIS现场抗干扰振动检测和机械缺陷诊断提供技术支持。