基于Bootstrap误差修正的电力负荷短期预测深度学习模型

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题,构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络(TCN)提取时序特征并通过注意力机制(Attention机制)对特征突出重要信息贡献度,通过鲸鱼优化算法(WOA)寻找双向长短时记忆(Bi LSTM)神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测;基于Bootstrap分析预测区间误差分布,通过覆盖率(PICP)是否低于对应置信度判断对预测结果进行修正的必要性,并选取合理修正范围。仿真结果表明,基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题,对比将误差序列全部修正的方法更具有科学性,能最大程度提高模型预测精度。

高速铁路动静态轨检数据里程对齐与误差修正

轨道几何动、静检测数据间的精确匹配对探明高速铁路线路服役状态和制定准确可靠的养护维修策略具有关键作用。针对动静里程匹配算法研究较少的现状,提出利用动、静态实测数据波形匹配,建立基于互相关函数与动态时间规划相结合的两阶段修正算法,并以距离误差作为评价指标。结合某高铁线路轨道几何检测数据的案例分析,以静态检测数据作为参考基准,对动态检测数据进行里程误差评估与修正。结果表明,两阶段算法修正效果显著,累积距离误差降幅超过93%,修正后的动、静态检测数据严格对齐保证了动态检测数据的可靠性与有效性。

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

压差式流量计误差自动化修正算法研究

针对在多干扰源扰动下压差式流量计测量结果面临输出不稳、误差较大的问题,提出多源扰动下的压差式流量计误差自动化修正算法。考虑全补偿气体可膨胀性系数、压缩系数、密度系数和流出系数等因素,研究压差式流量计误差自动化修正算法。利用均值滤波滤除信号中的高斯噪声,结合一阶滞后滤波优化卡尔曼滤波算法,修正多源扰动误差。引入自组织算法和Volterra神经网络进一步改进卡尔曼滤波算法,并优化卡尔曼滤波算法的先验模型参数,以实现多源扰动误差的自动化修正。试验结果表明,经该算法控制后:当参考流量为900 m^(3)/h时,示值误差绝对值为0.203%;当参考流量为700 m^(3)/h时,流量计重复性为0.06%。该研究可以有效识别并修正由于多源扰动造成的流量异常值,且流量测量精度较高。

融合自注意力与残差神经网络的3D打印激光在机测量误差修正方法

激光测量能够实现高效地非接触实时测量,被广泛应用于3D打印领域,但激光测量容易受测量条件、外部环境等多种因素的干扰,这些因素错综复杂,难以量化分析。为此,结合直射式激光三角测量原理,在分析测量精度影响因素的基础上,提出了一种基于融合自注意力和残差神经网络的3D打印在机测量误差修正方法。首先,将影响测量精度的因素作为输入变量,采集激光测量值,得到样本数据集;然后利用残差网络提取出样本数据的深层次特征,并引入自注意力机制建立影响因素之间的联系,得到带权重的提取特征;再通过全连接网络对带权重特征进行学习,得到测量误差的预测值,基于该预测值完成对测量误差的修正。自主搭建了一套激光在机测量系统,采用红、绿、紫3种同材质彩色卡纸进行实验验证。结果表明,所提的方法与卷积神经网络和自注意力神经网络相比,均方误差、均方根误差和平均绝对误差均最小,稳定性最好,修正结果最接近真实值;对激光测量结果进行校正后,使其误差由原来的±28μm减小到±9μm以下,显著提高了3D打印激光在机测量的精度和稳定性。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于误差修正的光面塞规直径高精度自动检定

针对航空制造企业光面塞规大批量检定中存在的检定精度及效率低、人工操作烦琐等不足,提出一种基于机器视觉和激光测径相结合的光面塞规直径测量方法。由激光测径仪测量塞规直径,机器视觉模块同步检测塞规在测径仪光幕当中的姿态,并对测径仪测量值进行修正。同时,利用专用工装配合气浮运动机构实现多个塞规的自动切换及单个塞规的多位置自动测量。试验结果表明,该系统的重复测量标准差为0.16μm,与立光计测量值相比的绝对测量误差≤0.5μm,塞规单端测量时间≤45 s,能够满足生产中的常用光面塞规快速高精度检定要求。

无转速同步下叶片同步振动参数辨识误差修正

叶片振动非接触在线测量是保障大型旋转机械健康高效运行的重要环节,振动参数的精确辨识是叶片振动高精度测量的关键。无转速同步下,传统基于叶尖定时的叶片同步振动参数辨识方法忽略了叶片振动带来的时间误差,直接影响了参数辨识精度。为修正无转速同步下的叶片同步振动周向傅里叶拟合误差,提出了一种改进的叶片同步振动参数高精度辨识方法。利用叶片振动角位移,修正叶片到达时刻,优化传感器之间的振动位移差测量模型,提高了叶片振动幅值及振动倍频的辨识精度。开展了仿真和实验验证,二者结果一致性良好,在振动倍频值10、6、5处,改进方法与传统方法相比,信号恢复精度分别提高11.79μm、5.21μm、3.26μm,所提方法具有良好的误差修正效果。

基于误差修正模型的机翼风洞试验弯扭变形测量方法

风洞试验中,机翼在高速气流下产生弯曲、扭转变形,本文提出一种基于误差修正模型的机翼弯扭变形测量方法。首先,利用基于摄影测量的相机标定方法求得相机畸变参数,采用数字图像相关法定位与追踪荧光点的无畸变像素坐标。然后根据摄影测量技术建立气流坐标轴系标定板,并利用气流坐标轴系标定板标定相机外参及求取机翼上荧光标记点的Y坐标。最后,根据标记点已知的Y轴向约束,建立单双目测量系统各自的三维重建模型及弯扭变形的误差修正模型,并以模型迎角为0°水平时为基准状态计算吹风状态下机翼弯扭变形。经试验验证,本文提出的机翼扭转变形测量误差小于0.01°,机翼弯曲变形测量误差小于0.15 mm/m。该方法可为飞行器设计提供可靠及鲁棒的实验数据。

ZC1蜗杆齿廓测量测头对准误差修正

测头对准误差对齿轮测量中心ZC蜗杆齿廓偏差测量结果的影响较大,需要建立测头对准误差修正方法。基于ZC1蜗杆齿面方程,建立了蜗杆轴向齿廓测量误差模型,修正得到轴截面上齿廓测量点的轴向坐标,再依据精度标准评定得到蜗杆齿廓偏差,并分析了蜗杆的不同头数、模数和分度圆直径对蜗杆轴向齿廓测量误差的影响规律。在齿轮测量中心上开展了蜗杆轴截面齿廓测量实验,测头对准误差对齿廓形状偏差的影响较小;测头对准误差修正前后齿廓测量总偏差的最大差异由1.2μm降为0.2μm;齿廓形状测量偏差的最大差异由0.5μm降为0.3μm;齿廓倾斜测量偏差的最大差异由2.5μm降为0.4μm。该方法可有效减小齿轮测量中心测头对准误差对蜗杆轴截面齿廓偏差测量的影响。

基于误差修正的激光扫描复杂零件加工系统

针对降低复杂零件加工过程中的零件误差问题,设计基于误差修正的激光扫描复杂零件加工系统。以激光扫描为基础设计复杂零件加工系统的整体架构。基于系统整体架构利用激光扫描模块获取材料信息,并采用网格修正法修正扫描单元中的振镜误差;将激光扫描结果传输至DSP控制模块内,通过直线、圆弧插补运算确定加工模块内不同加工单元的刀具加工路径,同时利用不同伺服单元的位置等反馈信号对比,实现机械手模块运动控制。实验结果显示该系统激光扫描误差控制在0.5 mm以下,符合风机应用标准,加工时间最高为37 min,有效提升了零件可应用率。

基于模糊场景聚类的新能源风电消纳误差修正系统

电网容易受到场景约束的影响,新能源风电场无法送出大量风电,为了修正风电消纳数据,设计了基于模糊场景聚类的新能源风电消纳误差修正系统。分析系统运行场景,使用S5PV210微处理器,为系统提供丰富接口。设计误差修正控制器,避免系统修正过程出现误差。在多目标求解原则支持下,搭建模糊场景。根据风电场历史运行数据,计算基准调度方案对新能源风电消纳的结果,获取新能源风电消纳误差序列。确定最佳聚类数,结合历史异常数据修正误差。由实验结果可知,该系统风电功率序列统计结果与理想数据存在最大为1 MW的误差,弃风功率序列统计结果与理想数据一致,所设计系统误差修正结果较好。

公路匝道速度误差修正方法研究

匝道车辆测速是匝道控速系统的核心问题。针对现有雷达测速仅能够对直行平坦道路上行驶车辆速度进行准确测量,无法对具有不同坡度、曲率影响的匝道车辆进行有效测速的难题,该文研究了一种基于二元多项式拟合的公路匝道测速误差补偿方法,通过数据拟合和标定的方式,对匝道道路环境特征进行捕捉,实现雷达测速仪匝道车辆速度测量的自适应误差补偿和测量值修正,并基于该方法开发匝道车辆测速系统,实现匝道车速值可视化标定,克服现有雷达测速仪无法对匝道车辆有效测速的技术缺陷。

地基空间目标监视雷达大气折射误差修正方法研究

大气介质垂向非均匀分布会使穿行其中的电磁波发生折射现象,尤其是其中的对流层和电离层,可造成电磁波传播延迟及路径弯曲,进而导致地基空间目标监视雷达测距和测角误差。本文基于射线追踪法实现了大气折射误差建模,推导了雷达测距和测角误差关于大气折射指数垂向分布的精确表达式,并详细阐述了地基空间目标监视雷达大气折射误差修正原理及流程,相比于传统的误差近似模型及修正方法,本文所提出的误差模型更准确、修正方法更有效。基于对流层和电离层模型获取大气折射指数垂向分布特性曲线,进行大气折射误差数值仿真,结果表明,本文方法在大气分层不同间隔取值下的误差补偿精度更高、性能更稳健,特别是在低仰角情况下,其性能优势更加明显。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

基于向量误差修正模型的电池簇不一致检测方法及智能运维方案

针对储能电站实际运行数据中存在电池数据不完整、数据片段化导致检测不准确的问题,提出基于向量误差修正模型的电池簇不一致检测方法。该方法根据随机电压片段数据构建电池簇与电池单体的向量误差修正模型,计算脉冲响应函数,分析电池单体对电池簇的动态作用机制,判断电池簇不一致程度,再通过方差分解分析确定异常电池单体及后续运维。最后,根据储能电站实际运行数据进行分析,验证了电池簇不一致检测方法及运维方案的可行性和有效性,并在100kW/200kW·h储能平台进行实际工程测试。

基于混合特征双重衍生和误差修正的风电功率超短期预测

随着风电渗透率的不断提高,对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题,提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先,在原始功率特征中施加混沌噪声,构造出多条混沌扰动特征,改善原始功率特征分布过于单一的状况。其次,提出基于免疫算法的特征衍生算法,挖掘风电功率数据的潜在信息,增加优质特征数量,进而构建误差预测模型,通过预测风电功率预测误差修正风电功率预测结果,进一步提升预测准确率。最后,基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好,且相较其他传统预测模型精确度更高,验证了所提模型的有效性。

基于改进Cao算法的SSA与误差修正的超短期风电功率预测

针对风电历史信息运用不充分和未充分挖掘机器学习模型潜力的问题,提出一种特征奇异谱分析和模型误差修正的超短期功率预测。首先,利用随机森林分析不同特征对输出功率的影响程度,并利用累积贡献率进行特征提取。其次,通过改进的Cao算法确定奇异谱分析最佳嵌入维数,对提取的特征实现降噪处理,从而构建风电功率预测模型。最后,利用预测值与真实值的误差构建误差预测模型,通过预测的误差来修正功率预测的结果。以国内某小型风电场算例结果表明,所提方法较卷积神经网络-长短期记忆(CNN-LSTM)预测模型均方根误差(RSME)和均方误差(MSE)分别降低45%和53%,验证了所提模型的有效性。

基于双重注意力机制CNN-BiLSTM与LightGBM误差修正的超短期风电功率预测

为了响应国家“双碳”目标,针对风电功率预测误差影响电网安全稳定运行的问题,提出一种基于双重注意力机制改进的CNN-BiLSTM初步预测和LightGBM误差修正的组合预测模型。该模型首先利用卷积神经网络(Convolutional neural network,CNN)与注意力机制结合构成特征注意力模块自适应提取风电功率重要特征,然后利用双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)与注意力机制结合构成时间注意力模块对风电功率进行初步预测,最后利用LightGBM构造误差修正模型,对初步预测结果进行修正。使用平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean square error,RMSE)和确定系数(R^(2))作为试验评价指标,结果表明,该组合模型预测效果明显优于BiLSTM、CNN-BiLSTM等模型。

微波信号谐波失真的准确测量与误差修正

本文针对选用不同频谱分析仪测量同一未知信号谐波失真时,测量结果不一致的问题,以信号发生器二次谐波测试为例,介绍测试方法、误差修正原理,利用实验验证频谱分析仪(谐波抑制度和频率响应)和测试链路对谐波失真测量结果的影响,通过误差修正,实现提高测量信号谐波失真测量准确度、降低测量不确定度的目的。