检索结果-南通市图书馆

同方期刊数据库

基于SDAE深度学习与多重集成的风电集群短期功率预测

在线全文

学校读者我要写书评

暂无评论

高电压技术 2022年第2期48卷 504-512页

作者：李聪彭小圣王皓怀车建峰王勃刘纯华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室武汉430074 中国南方电网电力调度控制中心广州510623 中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室北京100192

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法。所提方法包含4步:第1步,利用变分模式分解、经验... 详细信息

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法。所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列构造多个堆叠去噪自动编码器(stacked denoising autoencoders,SDAE)进行深度学习;第3步,将第2步的结果随机划分成几个集合,利用支持向量机(support vector machine,SVM)对每个集合进行集成;第4步,将第3步的集成的结果再随机划分成几个集合,利用SVM对每个集合进行集成,重复以上步骤直至得到最终的集成预测结果。结果表明,多重集成学习得到前96 h预测结果的平均归一化均方根误差相比单次集成减少了0.0101,百分比为9.01%;相比SDAE减少了0.0151,百分比为13.54%;相比SVM减少了0.0175,百分比为14.66%。论文研究可为基于深度学习和集成学习的风电集群短期功率预测提供参考。

关键词：信号分解技术深度学习集成学习风电短期预测风电集群功率预测

基于深度学习和信号分解的北方寒区河流开河日期预报

在线全文

学校读者我要写书评

暂无评论

水利学报 2024年第5期55卷 577-585页

作者：丁红王伟泽杨泽凡刘欢胡鹏中国水利水电科学研究院流域水循环模拟与调控国家重点实验室北京100038 西安理工大学土木建筑工程学院陕西西安710048

中国北方寒区河流春季开河时易产生冰凌现象,威胁涉河水工建筑物的安全。准确地预测寒区河流开河日期可为防凌指挥、调度决策提供重要参考依据。本文基于中国北方典型寒区-黑龙江省的5个代表水文站近60年的历史开河日期序列,采用完全自... 详细信息

中国北方寒区河流春季开河时易产生冰凌现象,威胁涉河水工建筑物的安全。准确地预测寒区河流开河日期可为防凌指挥、调度决策提供重要参考依据。本文基于中国北方典型寒区-黑龙江省的5个代表水文站近60年的历史开河日期序列,采用完全自适应集合经验模态分解(CEEMDAN)技术和深度学习长短期记忆模型(LSTM)方法构建河流开河日期预报的耦合模型,以期提高河流开河日期预报的精度。结果表明:本研究构建的开河日期预报耦合模型(CEEMDAN-LSTM)预测精度明显优于单一深度学习方法(LSTM)计算结果;与LSTM相比,CEEMDAN-LSTM可将开河日期预报的平均绝对误差从2.51 d降低至1.20 d,合格率从91.59%提高至100%。验证期平均绝对误差从3.85 d降低至1.65 d,合格率从88%提高至96%。因此,所构建的开河日期预报耦合模型具有较高的预报精度,可为我国北方寒区春季防凌指挥和调度提供技术支持。

关键词：河流开河日期信号分解技术深度学习预报方法北方寒区

维普期刊数据库博看期刊

基于多模式分解和麻雀优化残差网络的短期风速预测模型

在线全文

学校读者我要写书评

暂无评论

电网技术 2022年第8期46卷 2975-2985页

作者：陈臣鹏赵鑫毕贵红谢旭高敬业骆钊昆明理工大学电力工程学院云南省昆明市650500

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型。该模型首先利用小波分解(... 详细信息

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型。该模型首先利用小波分解(wavelet transform,WT)、变分模态分解(variational mode decomposition,VMD)和自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)分别分解经过模糊C均值聚类后的风速数据,不同模态分解分量组合为二维矩阵,作为卷积网络的输入数据,实现不同模式分量波动规律的互补;随后,在传统卷积网络结构中增加改进的残差模块,对多模式分解分量进行特征提取,使得深层特征得到显著增强;最后,将特征融合后输入GRU模块,进一步挖掘风速分量在时序上的特征,通过麻雀优化对Res-GRU中的关键参数进行寻优,实现风速预测。实验表明,与传统组合模型相比,所提组合预测模型可以有效提高风速短期预测的准确率。

关键词：风速短期预测信号分解技术残差网络 GRU神经网络麻雀优化

基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断

在线全文

学校读者我要写书评

暂无评论

电力自动化设备 2024年第10期44卷 140-147,178页

作者：陈仕龙李国辉毕贵红鲍童语张梓睿罗灵琳昆明理工大学电力工程学院云南昆明650500

特高压三端混合直流输电线路发生接地故障时,故障电气量变化存在很强的随机性和非线性,在噪声干扰下其规律性更弱,很难快速、准确地提取故障特征以诊断故障区域。鉴于此,提出一种集电流波形特征提取和故障区域诊断为一体的诊断模型。分... 详细信息

特高压三端混合直流输电线路发生接地故障时,故障电气量变化存在很强的随机性和非线性,在噪声干扰下其规律性更弱,很难快速、准确地提取故障特征以诊断故障区域。鉴于此,提出一种集电流波形特征提取和故障区域诊断为一体的诊断模型。分析不同区域故障时的电流波形特点,利用数学机理不同的3种算法同时分解故障电流,避免一些容易混叠的模态子序列在单一分解方法中逃逸。利用多支路并行残差网络迅速地挖掘分解分量的多尺度空间耦合交互特征,并结合门控循环单元网络模块,进一步提取故障电流的时间耦合特征,使得特征得到显著增强。利用麻雀搜索算法优化该模型的关键参数,构建充分适应电网故障诊断的网络结构,实现故障区域的快速诊断。仿真结果表明,该方案有着较高的灵敏性、较强的抗干扰能力,满足直流保护的可靠性和速动性要求。

关键词：特高压三端混合直流波形特征故障区域诊断信号分解技术深度学习

基于双模态分解和RES-SA模型的VSC-STATCOM逆变器故障识别

在线全文

学校读者我要写书评

暂无评论

云南大学学报(自然科学版) 2024年

作者：毕贵红陈冬静赵四洪孔凡文张靖超陈仕龙昆明理工大学电力工程学院

电压源型静止同步补偿器（VSC-STATCOM）可以减少电压峰谷波动、有效控制谐波和补偿无功功率，从而改善电能质量.其中VSC-STATCOM正常工作是逆变器稳定运行的前提，并网情况下逆变器绝缘栅双极型晶体管（insulated gate bipolar transis... 详细信息

电压源型静止同步补偿器（VSC-STATCOM）可以减少电压峰谷波动、有效控制谐波和补偿无功功率，从而改善电能质量.其中VSC-STATCOM正常工作是逆变器稳定运行的前提，并网情况下逆变器绝缘栅双极型晶体管（insulated gate bipolar transistor,IGBT）开路故障诊断需要考虑负载动态变化所导致故障信号复杂程度高、复杂系统各元件间相互作用以及高背景噪声的影响等因素，对故障信号特征提取和识别提出了更高的要求.论文以并网逆变器VSC-STATCOM不同类型开路故障为对象，提出一种融合双模态分解信号处理方法与残差注意力网络RES-SA模型的组合故障诊断方法.针对单模态多尺度信号分解方法对高背景噪声和复杂信号特征提取不充分的问题，提出利用CEEMDAN和SSD两种分解方法对同一故障信号进行双模态多尺度分解，并将三相电流双模态多尺度分量整合为输入特征矩阵，为RES-SA深度学习组合模型提取隐藏特征提供基础.不同方案的仿真结果表明提出的方法特征提取能力强，且抗噪性能好，对并网型逆变器IGBT开路故障识别率高.

关键词：电压源型静止同步补偿器信号分解技术残差网络自注意力机制故障诊断

基于深度学习的特高压多端混合直流输电线路故障区域诊断

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的特高压多端混合直流输电线路故障区域诊断

作者：陈臣鹏昆明理工大学

学位级别：硕士

跨区输送清洁能源的力度正随着我国“碳达峰-碳中和”战略进一步加大,多端混合直流输电也逐渐成为未来电网的一个重要发展方向。由于LCC-MMC型多端混合直流输电分别兼顾了LCC-HVDC、MMC-HVDC中换流技术成熟、投资费用低、不存在换相失... 详细信息

跨区输送清洁能源的力度正随着我国“碳达峰-碳中和”战略进一步加大,多端混合直流输电也逐渐成为未来电网的一个重要发展方向。由于LCC-MMC型多端混合直流输电分别兼顾了LCC-HVDC、MMC-HVDC中换流技术成熟、投资费用低、不存在换相失败和无功控制灵活等特点,因而成为了解决我国功率消纳和新能源并网的有效途径之一。实际工程中的多端混合直流输电系统,使用了大规模的直流输电线路,其跨地区输电距离远,运行环境恶劣,故障概率较高。此外,并联型多端混合直流输电系统存在T区汇流母线,但T区位置边界条件较弱,容易导致T区两侧线路难以依靠暂态行波直接判别,其故障特性与传统直流电力系统、柔性直流电力系统存在显著差异。因此,为了保证多端混合直流电力系统的安全、稳定、可靠运行,需要深入研究多端混合直流输电系统故障区域识别的方法,并为多端混合直流输电系统的保护方法提供理论支持,主要研究内容如下:搭建了两种不同的识别方案—保护测量点分别置于T区左右和整流侧线路首端,构建三种不同的算法对其故障区域进行识别,为现有保护方案提供参考与补充。(1)提出一种基于PCNN-LSTM的特高压三端混合直流输电线路故障区域诊断方法。针对方案一,首先,分析昆北侧、龙门侧线路和柳北T区电压传递函数的幅频特性,指出特高压多端混合直流输电线路不同区域故障的特征差异。其次,利用柳北T区左右四个测量点采集暂态故障电压数据,作为深度学习的训练样本,构建了具有双支路CNN空间特征提取能力和LSTM时序特征提取能力的PCNN-LSTM诊断模型,通过参数对比实验确定模型的结构参数。采用“离线训练,在线诊断”的方法实现端到端的区域诊断。经仿真实验表明,该故障区域识别方法能够对不同线路的区内外故障进行准确识别,且具备一定的耐过渡电阻和抗干扰能力。(2)提出一种基于Res-GRU网络的特高压三端混合直流输电线路故障区域诊断方法。针对方案一首先对昆北侧、龙门侧线路和柳北T区电流传递函数的幅频特性进行分析,推断出特高压多端混合直流输电线路不同区域故障的特征差异,其次,通过小波分解对故障暂态电流进行分解,获得电流子分量集合,将其作为深度学习模型的输入样本,随后,搭建Res-GRU模型,该模型结合了残差网络和GRU网络,通过残差连接可以有效地减少训练过程中的梯度消失和爆炸问题,而GRU网络能够有效地捕捉暂态电流序列中的动态变化,二者结合,使得模型更加稳定。经过仿真测试,验证了基于多模式分解和Res-GRU网络的特高压三端混合直流输电线路故障区域诊断方法能够正确诊断线路区内外故障和T区汇流母线故障。通过搭建不同机器学习、深度学习模型对比分析得知,所提方法在高阻接地和噪声背景下仍然适用。(3)提出一种基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断方法,针对方案二,首先,分析昆北侧、龙门侧线路和柳北T区不同故障区域的故障电流波形差异,利用多模式分解算法挖掘故障电流的初步特征,避免一些容易混叠的模态子序列在单一分解方法中逃逸,实现了不同分解算法的优势互补,通过特征可视化的方法发现了不同分解算法的互补性规律。随后,搭建SSA-MRes-GRU模型,将分解所得的电流分量特征矩阵作为该模型的输入,利用多支路残差网络不同支路的不同尺寸感受野同时提取故障电流分量的多尺度空间耦合交互特征,利用GRU模块进一步挖掘其时间维度上的时序性特征,使得特征得到显著增强,引入麻雀算法对该模型中的关键参数进行寻优,免去了人工设定模型参数的环节,增强了模型的适应性和可扩展性。通过不同模型对比模型实验、多模式分解实验和抗噪声干扰实验,验证了基于多模式分解和SSA-MRes-GRU故障区域诊断模型具有很高的诊断精度,基本不受故障距离、过渡电阻的影响。

关键词：特高压多端混合直流频率特性信号分解技术深度学习故障区域识别

基于组合深度学习模型的短期风光功率预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于组合深度学习模型的短期风光功率预测研究

作者：徐若思河北科技大学

学位级别：硕士

现阶段,风光发电量占全社会用电量的比重逐步提高,但是,风光发电的不确定性与波动性为电力系统的调峰和调度带来了挑战。研究短期风光功率的准确预测对电网的安全稳定运行和经济调度起着重要作用。针对当前风电和光伏的短期发电功率预... 详细信息

现阶段,风光发电量占全社会用电量的比重逐步提高,但是,风光发电的不确定性与波动性为电力系统的调峰和调度带来了挑战。研究短期风光功率的准确预测对电网的安全稳定运行和经济调度起着重要作用。针对当前风电和光伏的短期发电功率预测难题,本文从风光异常数据处理、风光时间序列分解、短期光伏功率预测和短期风电功率预测四个方面进行研究,具体内容包括:针对风电和光伏在运行过程中存在数据缺失、数据异常的问题,对数据的特征分析与预处理技术进行了研究。提出了基于Z值(Z-score)的异常数据检测方法和基于三次样条插值法的缺失数据填补方法,并利用皮尔逊相关系数对环境因素进行了相关性分析,改善了数据质量,提高了预测模型的准确性。利用信号分解技术可以将风电与光伏的时间序列分解为若干个具有不同频率的子序列,有效缓解序列波动性对预测结果造成的影响。提出一种基于自适应噪声的完全集合经验模态分解方法,可以将时间序列分解为多个曲线平滑的子分量。为了减少子分量个数,提高模型预测速度和精准度,利用样本熵计算子序列能量,依据能量大小重构序列并作为预测模型的输入。对于短期光伏功率预测,提出一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)和长短期记忆网络(Long Short-Term Memory,LSTM)的预测模型。该模型选择辐照强度和历史功率作为系统的输入,利用SSA算法优化LSTM模型的隐含层神经元数量、学习率、最大训练次数,从而提高LSTM的预测精度。分析了晴天、云天、雨天天气条件下,SSA-LSTM结合数据处理、信号分解技术的预测精度,验证了本文提出的模型的有效性。对于短期风电功率预测,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆网络(Bidirectional Long Short-Term Memory,Bi LSTM)的预测模型。该模型选择风电功率作为系统的输入,改进CNN结构,对输入信号进行特征提取。通过Bi LSTM进一步提取数据变化特征,得到预测结果。对比CNN-Bi LSTM、CNN-LSTM与Bi LSTM等模型的预测精度。结果表明,本文提出的模型具有良好的预测性能。

关键词：风力发电光伏发电短期功率预测数据预处理信号分解技术深度学习组合预测模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

风电场短期风电功率组合预测方法研究

风电场短期风电功率组合预测方法研究

作者：狄飞超湖北工业大学

学位级别：硕士

随着经济的快速发展,能源的需求越来越大,同时对环境的要求也越来越高。风能作为一种清洁能源,可以有效缓解当前能源短缺、环境污染和温室效应等突出问题;同时,作为一种可再生能源,在化石能源日渐枯竭的背景下,风能具有广阔的发展前景... 详细信息

随着经济的快速发展,能源的需求越来越大,同时对环境的要求也越来越高。风能作为一种清洁能源,可以有效缓解当前能源短缺、环境污染和温室效应等突出问题;同时,作为一种可再生能源,在化石能源日渐枯竭的背景下,风能具有广阔的发展前景。但是,由于风力的不确定性、波动性和间歇性,风力发电并网时,会对电网的安全稳定运行带来严峻考验。减少风力发电对电力系统的影响,实现对风电场风电功率的准确预测具有重大意义。除此之外,准确的风电功率预测结果还是实现电网调度优化,以及合理安排风电场运行和减少风力发电损失的重要基础。本文分别针对有影响因素数据和无影响因素数据的两种情况,提出了基于浅层模型与深度网络集成的短期风电功率预测方法、基于CEEMD-CNN-Bi GRU-RF模型的短期风电功率预测方法以及基于二次分解的集成模型与深层网络融合的短期风电功率预测方法,达到了在不同数据前提条件下对风电场短期风电功率进行精确预测的目标,并显著提高了预测精度。针对有影响因素数据的风电场,本文提出了一种基于浅层方法和深度网络集成的短期风电功率预测方法（GRA-GWO-SVR-Ada Boost-GRU）,集成了灰色关联度分析（GRA）、支持向量回归机（SVR）、自适应提升集成（Ada Boost）和门控循环单元（GRU）等多种模型/方法。首先采用GRA计算变量之间的相关程度,选择相关性高的3个特征作为模型的输入,其次利用GWO算法对SVR的惩罚参数和核函数参数进行优化,建立GWO-SVR预测模型,然后采用Ada Boost集成模型,构建强回归器进行预测,最后采用GRU模型对预测误差进行修正,将修正后的误差与预测结果进行叠加,得到最终预测值。仿真结果表明,该模型在各个季节的预测效果都能保持较高的精度。针对无影响因素数据的风电场,在只有历史风电功率数据的情况下,本文提出了两种预测方法,分别为:（1）基于CEEMD-CNN-Bi GRU-RF模型的短期风电功率预测方法。首先,利用完全集成经验模态分解（CEEMD）对风电功率时间序列进行模态分解;其次,对分解的各个风电功率时间序列利用卷积神经网络（CNN）进行特征提取;然后,建立双向门控循环单元（Bi GRU）模型对各个风电功率时间序列进行预测,叠加各个分量的预测值;最后,对误差进行进一步分析与预测,利用随机森林（RF）进行误差修正,得到最终的风电功率预测值。实验仿真表明,该模型的平均绝对百分比误差（MAPE）降低为2.09%,具有较高的预测精度。（2）基于二次分解的集成模型与深层网络融合的短期风电功率预测方法。通过融合完全集成经验模态分解（CEEMD）、样本熵（SE）、stacking集成、线性回归（LR）、变分模态分解（VMD）、长短期记忆（LSTM）和多层感知机（MLP）等实现。首先利用CEEMD将风电功率时间序列分解成不同的模态并利用SE进行重构;然后对于不同的重构分量分别采用不同的模型进行预测,最终选择最优模型;接着,对于分解不完全的重构分量采用VMD进行二次分解,建立stacking集成和LSTM的组合预测模型;最后,为进一步提高预测精度,采用MLP对误差进行修正,将修正后的误差与预测结果以及其他重构分量的预测结果进行叠加,得到最终预测值。仿真结果表明,该方法的预测精度明显优于传统方法,有效提高了短期风电功率时间序列的预测精度。本文所提的多种预测模型和方法,不仅适用于风电场短期风电功率预测研究,还为其他科学和工程领域中类似的预测问题提供了有益的借鉴思路。

关键词：风电功率预测组合预测集成学习信号分解技术深度学习

融合信号分解与排列熵的高铁线路风速区间预测方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

交通科技与经济 2023年第4期25卷 74-80页

作者：过加锦李磊任俞霏马祯浙江师范大学浙江省城市轨道交通智能运维技术与装备重点实验室浙江金华321004 浙江师范大学数学与计算机科学学院浙江金华321004 浙江师范大学工学院浙江金华321004 中国铁道科学研究院集团有限公司电子计算技术研究所北京100081

为提升高铁线路风速预测精度以保障强风下高速列车的运营安全,融合信号分解与排列熵提出高铁线路风速区间预测方法。采用信号分解技术与排列熵(PE)筛选分量,对不同复杂度分量分别利用门控循环单元分位数回归(QRGRU)和门控循环单元(GRU)... 详细信息

为提升高铁线路风速预测精度以保障强风下高速列车的运营安全,融合信号分解与排列熵提出高铁线路风速区间预测方法。采用信号分解技术与排列熵(PE)筛选分量,对不同复杂度分量分别利用门控循环单元分位数回归(QRGRU)和门控循环单元(GRU)构建高铁线路风速区间预测模型。对我国某高铁线路风速监测数据进行预测,结果表明:预测模型的预测精度较对比方法有显著提升,在区间预测上有良好表现,预测区间覆盖概率(PICP)、预测区间平均带宽(PINAW)及综合覆盖带宽指标(CWC)分别为94%、0.16、1.72,表明该方法能准确描述未来风速趋势,提升预测精度,对解决高铁安全运营问题具有实用价值。

关键词：交通安全风速区间预测信号分解技术排列熵分位数回归

维普期刊数据库博看期刊