基于改进CFD与小波混合神经网络组合的风电场功率预测方法

风的间歇性和时变性制约电力系统能量平衡,准确的风电功率预测有助于电网减小旋转备用、合理制定检修计划。为减小预测误差,提出一种基于多计算流体力学(computational fluid dynamics,CFD)模型的新型风电场组合功率预测方法。首先,利用小波混合神经网络对数值天气预报降尺度;其次,提出了考虑多重尾流的风电场物理CFD模型,并建立了根据测风塔风速外推各台风电机组风速的加速比相关系数;最后,提出了仅考虑自由流场和带有激盘模型的变权重组合流场模型。实际算例仿真证明,所提出的预测方法更准确地反映了风电场实际运行状态,有效提高了预测准确性。

Maxwell方程反问题的小波-微分正则化算法

构造了一种求解Maxwell方程反问题的小波-微分正则化混合反演算法。利用小波将反问题分解到不同尺度上,在最大尺度上采用微分正则化方法求得次级尺度的初始解,在其它尺度上进行迭代修正以获得全局最小点。算法结合了小波多尺度反演和微分正则化方法的优点,数值模拟说明了其较强的全局搜索能力。

基于最优Morlet小波和自项窗的混合时频分析方法研究

提出一种基于最优Morlet小波和自项窗的混合时频分析方法。对和机械冲击信号波形相似度较高的Morlet小波进行改进,采用交叉验证法和Shannon熵方法设计了改进Morlet小波参数和小波变换尺度,对信号进行连续小波变换(CWT)以实现滤波消噪;然后,设计了自适应自项窗函数,对Wigner-Ville分布(WVD)交叉项进行移除,消除WVD交叉项的干扰。仿真和实验验证了所提出的方法可以有效地对含噪信号进行滤波消噪、并去除WVD中干扰项的影响,提高时频分析的分辨率和能量聚集性。

平抑风电波动的混合储能系统的容量配置

风电功率波动对电网造成不容忽视影响。用滑动平均法平滑风电功率,降低风电并网对电网的影响。滑动窗口的选取具有随机性,直接影响平滑效果。该研究提出滑动平均和标准校正的组合方法,分离出并网分量和储能分量。混合储能系统采用小波分解算法,可以有效地解耦出电池及超级电容器分量。对各储能分量统计分析,证明它们均服从t location-scale分布。在不同置信水平和容量下,以波动量的均值、方差、波动范围及波动点数为指标,分析混合储能系统的平抑效果。

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。

小波方向子树的分形量化与零树量化相结合

本文通过对标准图像内在相关性的统计分析得出了自然图像具有方向自仿射性的结论,并首次提出了小波方向子树量化的概念。对分别属于水平、垂直和对角方向的尺度压缩因子是相互独立的情况采用小波方向子树量化进行了编/解码分析,同时深入研究了零树小波量化与小波方向子树量化之间的相互关系。实验证明,采用小波方向子树量化与零树量化的混合编码算法可使编码质量有较大的改善。

一种识别位场场源的混合小波方法

连续小波变换已经成功用于位场场源识别问题,该方法可以选择多种母小波,但不同的母小波对场源识别结果影响很大。为避免人为选择母小波的主观影响,在介绍连续小波变换识别位场场源基本原理的基础上提出了一种识别位场场源的混合小波方法:首先采用多种母小波进行场源识别,然后计算出场源识别结果的均值和方差,以均值作为最终场源识别结果,以方差描述最终场源识别结果的可信度。试验结果表明,该混合小波方法能避免人为选择母小波的主观影响,提高场源识别的准确性,且具有很强的抗噪声能力。

基于小波和粒子群算法的HEV行驶状况辨识方法研究

针对混合动力汽车(HEV)行驶状况(道路坡度和整车载荷)变化难以有效识别,导致驱动系统控制策略不能有效满足驾驶员意图问题,以混联式HEV为研究对象,提出了基于小波滤波和粒子群算法的HEV行驶状况辨识方法。首先建立了汽车行驶状况辨识模型,采用最小二乘法确立了优化目标函数,其次研究了基于小波滤波和粒子群算法的HEV行驶状况辨识原理,最后进行了行驶状况粒子群智能算法辨识试验。在采集实车数据的基础上,对实车数据进行小波滤波,并运用行驶状况辨识方法对道路坡度和整车载荷进行了辨识,并对辨识结果进行小波滤波,结果表明,试验工况下整车载荷辨识的相对误差绝对平均值为2.71%,道路坡度辨识的相对误差绝对平均值为3.85%,验证了所提出方法的有效性。

混杂复合材料等效热传导性能预测的小波-机器学习混合方法

混杂复合材料是一种新型复合材料,其复杂的细观结构导致预测其等效热传导性能极富挑战性.本文结合渐近均匀化方法、小波变换方法和机器学习方法发展了一种新的可以有效预测混杂复合材料等效热传导性能的小波-机器学习混合方法.该方法主要包括离线多尺度建模和在线机器学习两部分.首先借助渐近均匀化方法通过离线多尺度建模建立了混杂复合材料的热传导性能材料数据库,然后利用小波变换方法对离线的材料数据库进行预处理,接下来分别运用人工神经网络和支持向量回归方法建立混杂复合材料等效热传导性能预测的在线机器学习模型.最后通过对周期和随机混杂复合材料进行数值实验,验证了小波-机器学习混合方法的有效性,数值实验结果表明小波-神经网络混合方法具有最优的预测效果和抗噪能力.此外,需要强调的是对于具有高维大规模数据特征的随机混杂复合材料,小波-机器学习混合方法不仅可以提取离线材料数据库的重要特征,还可以显著减少在线监督学习的输入数据规模并提高机器学习模型的训练效率及抗噪性能.本文建立的小波-机器学习混合方法不仅适用于混杂复合材料等效热传导性能的预测,还可进一步推广应用于复合材料等效物理、力学性能的预测.

基于离散小波的多测点行波法故障测距在混合线路中的研究

架空-电缆混合输电线路由于存在波阻抗不连续点,导致行波波速产生突变,从而使故障测距误差增大。针对这一问题,提出了一种基于离散小波的多测点混合输电线路故障测距方法。首先利用离散小波对线路故障信号进行处理,确定故障行波波头到达测量点的时间;然后利用多测点测距方程得到故障测距的结果。仿真结果表明:所提方法解决了行波波速突变对测距精度的影响,与传统双端测距方法相比较,其测距距离更为准确,满足工程实践定位误差在200 m以内的要求。

基于小波包-神经网络混合算法的瞬变电磁信号降噪研究

针对瞬变电磁信号容易受到电磁干扰的影响,使得数据信噪比降低,衰减曲线失真,而单一的滤波方法存在易丢失地质信息、圆滑过度等缺点,因而较难获得高精度成像结果的问题。提出基于小波包变换-BP神经网络的混合算法,利用小波包变换对信号的能量特征提取能力、分解重构能力和BP神经网络的学习和反馈能力,对瞬变电磁信号进行滤波处理。利用傅里叶变换获得瞬变电磁信号的频域特征,将受干扰信号和未受干扰信号对比,得到两者差异;利用3层小波包分解获得第3层节点能量占比,提取重构信号特征,对瞬变电磁信号进行初步的分解重构;调用训练好的神经网络模型对重构信号进行特征训练,获得最终的瞬变电磁信号。经小保当矿业有限公司二号煤矿实测数据研究表明:混合算法相比常用的S-G滤波、均值滤波等,实用性更强、准确率更高,滤波时保留了真实的地质信息,增强了资料解释的精度,应用效果较好,为资料处理过程提供了强有力的技术支持。

居住环境宽带电磁辐射的分析与预测

针对居住环境内电磁辐射在周期性规律中混有较多高频分量,导致传统时序建模方法和神经网络方法预测性能受限的问题,提出了一种小波分解与季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型相结合的混合预测方法.该方法根据辐射数据的时频特性,利用SARIMA模型对小波分解得到的主要周期分量和细节分量进行分层预测,以适应居住环境内多种发射源形成的复杂电磁辐射状况.实验结果表明,该方法不仅比单一时序建模方法以及神经网络方法具有更高的预测准确度,而且具有更强的异常值适应性与稳定性.

基于混合方法的智能终端故障检测

提出了一种基于混合方法的智能终端故障检测方法。首先介绍了所设计的智能终端故障检测方法,然后提出了一种基于连续小波变换(CWT)和BP神经网络的混合方案,该方案通过连续小波变换得到故障特征值,通过BP神经网络的学习机制对故障特征值进行自动识别和分类,最后将其应用于山火监测装置和微气象装置。结果表明,该方法的智能终端故障检测的准确性虽然会随着天气环境的恶劣情况有所降低,但仍能够始终保持在98%以上,有较高的准确性。