基于优化LSTM模型的风力机叶片剩余使用寿命预测

针对传统寿命预测方法计算复杂、耗时且不具普适性等问题,提出一种基于优化长短期记忆网络(LSTM)的风力机叶片剩余使用寿命(RUL)预测模型。首先,将多维传感器监测数据可视化,以观察数据特征并进行初次特征筛选。然后,对筛选后的数据进行归一化处理,并使用主成分分析法(PCA)进行数据融合,以去除冗余信息和降低特征维度。其次,使用自适应矩估计(AME)算法为不同网络参数提供独立的自适应性学习率;使用平滑平均绝对误差(SMAE)损失函数来综合两种传统回归损失函数的特点。最后,经过多次试验选定合适的LSTM层数及神经元数,并以复杂系统的多尺度时序监测数据为算例对模型进行试验验证。试验结果表明,在一种故障模式下,优化LSTM预测模型相较于其他传统机器学习模型在评价指标及预测误差分布情况上占优,表明该文所提模型具有更高的准确性及稳定性。

基于相似日选取和PCA-LSTM的光伏出力组合预测模型研究

构建一套融合主成分分析方法(PCA)、改进的K-均值聚类方法、动态时间规整算法(DTW)和长短期记忆神经网络(LSTM)的光伏出力组合预测模型。在运用PCA法提取气象要素的主成分因子的基础上,创新性地联合使用改进的K-均值聚类方法和DTW算法生成内部关联程度高且与待预测日的天气特征相近的历史日样本集;然后,结合LSTM神经网络,构建基于相似日选取的光伏发电功率预测模型,最终实现了云南某光伏电站发电功率的精准预测。与其他预测模型的对比结果显示,该文构建的组合预测模型具备更好的预测性能和广阔的应用前景。

串行分组深度学习运行状态分析与故障预测

在现代工业生产运行中,如何充分挖掘海量的多源异构生产运行数据,实现异常工况的快速检测和故障预测,有效提高工业生产设备的可靠性,仍然是研究的难点。提出一种基于串行分组深度学习的工业生产运行状态分析与故障预测模型,针对时间序列突变故障设计了串行分组深度学习网络框架,实现目标对象的故障检测与预测,及时发出故障预警。通过对某造纸厂数据以及风力发电频率监测数据进行测试,并与传统神经网络预测模型进行对比分析,表明了所提算法的准确性,为提高生产设备使用寿命、减低工业生产成本,提高安全稳定运行起到重要作用。

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析-K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。

电力系统短期可靠性评估综述

短期可靠性评估是监测、量度、预测电力系统短期运行风险的有效工具。电力市场化改革、大规模风电接入与极端天气变化严重影响了电力系统短期可靠性水平。针对短期可靠性评估元件模型、评估框架与指标体系三个方面内容进行了论述。综述了输电线路、发电机以及净负荷的短期可靠性模型,并在输电线路模型中重点考虑了天气状况影响、可靠性的模糊表征、计及暂态稳定性的影响等。总结了三类可靠性评估特征与短期可靠性分析过程,考虑了短期可靠性安全性分析、连锁反应事故防范以及特殊保护方案制定。从系统状态、影响程度等多个角度对短期可靠性指标体系进行了归纳分析。进一步指出短期可靠性评估未来的研究重点及方向。

紫红色泥岩剪切流变力学特性分析

针对五里堆2#滑坡内的巴东组T2 2b紫红色泥岩,进行室内岩石剪切流变试验,对泥岩在剪切变形过程中的流变特征进行深入研究。选用五元件黏弹性剪切流变模型建立流变方程,用Origin工具函数Exp Assoc拟合泥岩具有黏弹性特征的试验曲线,确定泥岩的黏弹性剪切流变参数。同时,利用流变参数对泥岩的流变曲线进行深入分析。基于泥岩的剪切流变试验,确定泥岩的长期强度参数。与泥岩的瞬时强度参数相比,长期强度参数有所降低。因此,用长期强度参数对滑坡进行设计更能保证工程的安全性。

运行可靠性在线短期评估方案

运行可靠性短期评估基于能量管理系统/广域测量系统(EMS/WAMS),研究电力系统在实时运行状态下的短期可靠性水平。建立了一套运行可靠性在线短期评估方案,给出了指标体系、评估算法和应用框架。进一步介绍了方案实施中所采用的关键技术:通过建立元件实时模型,评估系统在当前运行状态下的可靠性;基于瞬时状态概率评估系统的短期可靠性;采用快速排序技术进行系统状态选择,协调评估精度和速度的矛盾,实现在线评估;基于系统实时运行工况分析系统状态在预测时刻的后果。通过IEEE-RTS系统验证了整套方案的可行性和有效性。

核主成分回归方法在电力负荷中期预测中的应用

在分析核主成分回归原理及其与最小二乘方法关系的基础上,针对电力负荷中期预测的影响变量间存在着的非线性关系信息,提出使用主成分回归方法进行电力负荷中期预测,一定程度上解决了误差传播的问题,系统的预测精度得到了提高。使用核主成分回归进行了模型实验,探讨了模型训练样本选取、数据处理、参数选择和训练方法等方面的问题,并对实验结果进行了分析讨论。实验表明,在模型不很复杂的情况下,可以使用直接搜索的方法有效地设置应提取的非线性主成分个数p的值。

当代儿童传递性推理模型研究的新进展

20世纪90年代中期以来儿童传递性推理研究取得了新的进展,特别对引起人们关注的、解释儿童传递性推理机制的心理模型,即枢纽项模型、最小模型和三成分系统模型进行了初步探讨。传递性推理的三成份系统模型展现了一个新视野。与传统观点不同,该理论从结构而不仅仅是从前提表征和建构顺序表征角度来探讨儿童传递性推理机制。其实质是从心理成分的角度来进行的研究,对成分的研究更有助于弄清楚传递性推理的机制问题。从枢纽项模型和最小模型到三成分系统模型代表了传递性推理机制研究发展的一个新方向。

我国利率期限结构的静态分析和动态特征

利率期限结构反映的是利率和到期期限之间的关系。文章利用指数样条法估计出我国上交所国债的利率期限结构,对其进行静态的分析,得到上交所国债利率期限结构统计特征。同时,应用主成分分析方法研究国债利率期限结构的动态特征,发现水平因素、斜度因素和凸度因素对我国国债即期利率曲线变动的解释能力分别达到51.28%、26.63%和10.86%,累计贡献率达到88.77%,不同因素对各个到期期限即期利率的影响程度也有所不同。

中国粮食价格长期波动特征研究:基于成分GARCH模型

通过应用非对称成分GARCH模型研究中国粮食价格长期波动率的集群性与非对称性特征,结果表明:籼稻、大豆、小麦和玉米价格变化率具有显著的异方差效应,长期波动率随时间变化而变化,但总体呈现逐步下降趋势,除籼稻外的其他三种粮食价格短暂波动具有非对称性,即价格上涨信息引发的波动比价格下跌信息引发的波动大。

基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。

基于周期性成分分析的短期尖峰负荷预测

短期尖峰负荷预测对电力系统的发电计划制定和经济运行至关重要,依据短期负荷具有较强的周期性变化的特征,本文设计了一种基于周期性成分分析的混合预测模型。首先,设立星期周期和月份周期等19周期成分;再利用多元线性回归模型估计出上述各周期成分的影响值,从而为尖峰负荷的内在结构提供可解释性;最后,利用ARIMA模型建立短期尖峰负荷需求与其内在成分的关系模型。2012年江西省某县短期尖峰负荷的数值模拟检验了模型的有效性,研究成果可以为该县电网运行的可持续发展提供一定的参考价值。

基于GPS/BDS桥梁短期变形预警方法研究

针对环境因素对桥面变形的影响,桥梁动态位移的时间序列表现出高度不确定性的问题,提出了基于主成分和多变量时间序列模型耦合的桥梁位移预报模型,将该模型应用于苏通大桥的实测数据。试验结果表明:采用主成分分析的方法,提取3个对桥面变形有影响的主成分,3个主成分的累计贡献值达95.088%。建立主成分-时间序列模型,拟合精度优于多变量时间序列法,监测点dx,dy,dH 3个方向的均方根误差分别为2mm、2mm、8mm,且采用均值控制图可以识别出由于结构损伤所引起的位移10mm的异常变化。因此,该模型具有一定的有效性和适用性。

基于XGBoost的溶解氧预测模型研究

为了提高溶解氧的预测精度,以水产品溯源与安全预警平台的监测数据为基础,提出一种基于XGBoost模型的水质参数预测方法,并与LSTM和PCA-NARX网络预测模型进行48h内的溶解氧预测对比。仿真结果表明:通过XGBoost模型预测的结果均方根误差(RMSE)最小,在24 h和48 h内的泛化能力均高于LSTM和PCA-NARX模型。

基于GM(1,2)的中长期负荷区间预测模型

根据电力负荷预测中重视负荷成因和区间预测的指导思想,结合传统预测方法的优点,以灰色理论为基础,运用灰色GM(1,N)模型,分别将三个产业的GDP与用电量结合进行预测,并修正模型系数。同时结合二产GDP高、中、低三个水平进行区间预测。结果证明结合影响因素的预测效果较好,预测区间范围合理,可作为中长期负荷预测工具之一。

收益率曲线的提取及在Gaussian HJM模型参数估计中的应用

本文对一类远期利率模型:二因子Gaussian HJM模型进行了研究。在进行模型的参数估计的时候,首先通过N-S方法以及息票剥离方法获得多期连续的收益率曲线,并说明了如何通过主成分分析和最小二乘法的方法对市场风险价格为常数的Gaussian HJM模型的波动率和风险市场价格进行估计。

融合气象要素时空特征的深度学习水文模型

针对现有深度学习水文模型未能充分刻画气象要素空间特征的问题,本文基于主成分分析(PCA)方法提取气象要素空间特征,利用长短时记忆神经网络(LSTM)学习长时序过程规律,构建融合气象要素时空特性的深度学习水文模型PCA-LSTM。以黄河源区为研究区域,利用LSTM模型和物理水文模型THREW作为比对模型,基于高斯噪音法系统评估PCA-LSTM模型的适用性和鲁棒性。结果显示:PCA-LSTM模型径流模拟纳什效率系数为0.92,高于比对模型LSTM和THREW,表明模型具有较高的精度。研究结果可为流域高精度水文模拟提供参考。

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器(MLP)的基础子网、简单循环单元(SRU)与主成分分析(PCA)的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。

基于MIV-PCA的超短期风电功率预测模型优化

为解决基于动态神经网络的超短期风电功率预测方法中预测模型输入变量多、模型复杂等问题,文中将平均影响值(MIU)和主元分析(PCA)方法相结合,对预测模型进行了优化。MIU方法表征了输入变量对输出的影响程度,可筛选出对预测输出具有最大影响的输入变量,简化预测模型,但变量的信息利用率不高。PCA法从剩余的输入变量中提取出主元,通过增加少量的主元变量提高信息利用率,弥补MIU方法的不足。数据分析及实验结果表明,通过MIU和PCA法优化的预测模型的输入变量能在获得较高的累计贡献率的同时降低模型复杂度,保留原系统的重要信息,并降低模型引入噪声的风险,使得风电功率预测精度得到显著提高。