基于多方面特征提取和迁移学习的风速预测

为满足风电场远程集控中心高效、低成本预测不同地理位置风电场风速的要求,结合“离线训练,在线预测”的思想,提出一种基于多方面特征提取和迁移学习的多变量风速预测模型。离线模型融合双通道卷积神经网络和双向长短时记忆神经网络捕捉风速信息,学习各典型位置风电场的风速特性,然后迁移至任意风电场实现快速在线预测,通过改进的多目标蝗虫优化算法集成各典型风电场预测结果,进一步提高预测精度。最后通过河北一集控中心验证表明,该文所提模型的适应性与准确性均优于其他基线模型。

基于ARMA误差修正的LM-BP模型的风功率预测

风的间歇性和波动性导致训练样本的多样性,为提高短期风电功率预测精度,保证电网正常运行以及电能质量,对风功率进行建模预测尤为紧迫。针对上述问题,首先对原始数据进行预处理将非正常数据剔除。其次,运用Levenberg-Marquardt(LM)改进的牛顿算法优化反向传播(BP)神经网络(LM-BP)构建预测模型,并与传统的前馈BP神经网络进行比较,仿真结果表明,提出的基于LM-BP的预测模型相比单一的BP模型更加接近实际功率值,性能更优。最后,针对LM-BP模型的预测误差建立自回归滑动平均(ARMA)模型来修正负荷预测结果,结果表明误差修正后预测精度明显提高。

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法(SHO)对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明:提出的方法可以有效提取出轴承的故障和速度信息。