检索结果-南通市图书馆

基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2024年第7期45卷 462-473页

作者：姜建国杨效岩毕洪波东北石油大学电气信息工程学院大庆163318

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声... 详细信息

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。

关键词：变分模态分解卷积神经网络特征提取模糊熵光伏发电功率预测双向长短期记忆网络

含电动汽车和光伏的配电网演化动态博弈调度策略

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2024年第5期45卷 316-323页

作者：闫丽梅曾家威徐建军彭程赵书琪贾莹东北石油大学电气工程信息学院大庆163318

针对大规模电动汽车的无序充电行为可能导致电网出现的三相不平衡问题,基于演化动态博弈模型,提出一种考虑三相负荷平衡和光伏消纳的电动汽车充电调度策略。首先,基于电动汽车接入时段的主观性以及光伏出力和负荷的不确定性,引入游牧集... 详细信息

针对大规模电动汽车的无序充电行为可能导致电网出现的三相不平衡问题,基于演化动态博弈模型,提出一种考虑三相负荷平衡和光伏消纳的电动汽车充电调度策略。首先,基于电动汽车接入时段的主观性以及光伏出力和负荷的不确定性,引入游牧集群和定居集群之间的演化动态博弈方程;然后,考虑用户侧和电网侧双方利益关系,设计以最小化电动汽车充电费用、三相负荷不平衡度和无功需求为目标的调度优化模型;最后,通过对某商业区配电网算例进行仿真求解,对比分析三相有功曲线、三相无功曲线以及荷电状态曲线的变化趋势。算例结果表明,该调度策略可有效降低三相不平衡度,满足无功补偿的需求以及改善用户充电成本。

关键词：光伏发电配电网电动汽车功率控制负荷管理无功补偿演化动态博弈

维普期刊数据库博看期刊

基于CNN-BiGRU-Attention的短期电力负荷预测

在线全文

学校读者我要写书评

暂无评论

电气工程学报 2024年第1期19卷 344-350页

作者：任爽杨凯商继财祁继明魏翔宇蔡永根东北石油大学电气信息工程学院大庆163318

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电... 详细信息

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。

关键词：卷积神经网络双向门控循环单元注意力机制短期电力负荷预测混合预测模型

基于亚像素边缘检测和圆心修正补偿的高精度相机标定方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2024年第8期61卷 136-144页

作者：康朝海洪立任伟建霍凤财东北石油大学电气信息工程学院黑龙江大庆163318

基于圆形标定板的相机标定过程中,当镜头畸变较大时图像质量降低、圆形投影边缘模糊,导致标定产生误差。基于此,提出一种基于亚像素边缘检测和圆心修正补偿的高精度相机方法。首先,通过Canny-Zernike矩法提取亚像素级的圆形特征轮廓点,... 详细信息

基于圆形标定板的相机标定过程中,当镜头畸变较大时图像质量降低、圆形投影边缘模糊,导致标定产生误差。基于此,提出一种基于亚像素边缘检测和圆心修正补偿的高精度相机方法。首先,通过Canny-Zernike矩法提取亚像素级的圆形特征轮廓点,使用边缘点链连接独立轮廓点,得到闭环的精确特征轮廓,增强对模糊边缘轮廓的提取能力;其次,对内外轮廓分别采样取点拟合椭圆,将两者中心的均值作为特征点,并通过三点判断排序法得到有序特征点集后进行粗标定;最后,用粗标定参数对轮廓的采样点集进行校正,重新获取中心坐标后反投影回图像上进行相机精标定,实现畸变情况下的圆心修正补偿标定。实验结果表明,所提方法有效提高了镜头畸变较大时相机标定的精度。

关键词：相机标定 Canny-Zernike矩边缘点链圆心修正补偿

基于CNN-GRU-LightGBM模型的单井产量预测方法

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2024年第18期 7606-7614页

作者：杨莉周子希王婷婷王艳铠东北石油大学电气信息工程学院

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂，难以准确预测日产量，建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit, CNN-GRU)提取深层特... 详细信息

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂，难以准确预测日产量，建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit, CNN-GRU)提取深层特征进行时序预测，基于梯度提升框架的集成模型(light gradient boosting machine, LightGBM)从回归预测角度进行预测，两者结果相互融合，进一步提高产量预测精度。同时，提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测，并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明：本文模型与超前参数递归策略配合最好，在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型，可显著提高预测精度。

关键词：单井产量预测超前参数预测 CNN-GRU LightGBM

基于谱聚类的主动配电网多时间尺度无功优化策略

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

浙江电力 2024年第2期43卷 58-68页

作者：闫丽梅丁泽华东北石油大学电气信息工程学院黑龙江大庆163318

高比例分布式光伏接入配电网后,传统优化方案无法有效平抑电压波动,分布式光伏逆变器的无功调控能力难以充分利用。为此,提出一种基于谱聚类的主动配电网多时间尺度无功优化策略,该方法分为日前优化和日内实时优化两个阶段。首先,对离... 详细信息

高比例分布式光伏接入配电网后,传统优化方案无法有效平抑电压波动,分布式光伏逆变器的无功调控能力难以充分利用。为此,提出一种基于谱聚类的主动配电网多时间尺度无功优化策略,该方法分为日前优化和日内实时优化两个阶段。首先,对离散设备的时间耦合性进行解耦,以配电网网损、平均电压偏差、电压波动严重程度为目标函数,建立基于社交网络搜索算法的日前无功优化模型,确定离散设备静态最优档位序列;其次,通过谱聚类的方法进行耦合,确定离散设备动态最优档位序列,结合改进的分布式光伏逆变器就地控制策略,建立日内实时优化模型,从而抑制日前预测数据偏差导致的电压波动;最后,基于改进后的IEEE33节点系统进行仿真实验。仿真结果表明,所提策略可以有效降低运算难度、提高求解效率,验证了该策略的有效性和优越性。

关键词：主动配电网多时间尺度动态无功优化谱聚类解耦方法社交网络搜索算法

在线全文

学校读者我要写书评

暂无评论

融合独立思维与局部逃逸的头脑风暴优化算法

计算机科学与探索 2024年

作者：贾鹤鸣饶洪华吴迪薛博文文昌盛李永超三明学院信息工程学院东北石油大学电气信息工程学院三明学院教育与音乐学院八一农垦大学信息与电气工程学院

头脑风暴优化算法（Brain Storm Optimization Algorithm， BSO）是一种模拟人脑思维活动所提出的群智能优化算法。针对传统头脑风暴优化算法精度较差、寻优能力弱，易陷入局部最优等问题，提出了融合独立思维与局部逃逸的头脑风暴优化... 详细信息

头脑风暴优化算法（Brain Storm Optimization Algorithm， BSO）是一种模拟人脑思维活动所提出的群智能优化算法。针对传统头脑风暴优化算法精度较差、寻优能力弱，易陷入局部最优等问题，提出了融合独立思维与局部逃逸的头脑风暴优化算法（Improved Brain Storm Optimization Algorithm， IBSO）。首先，提出了一种独立思维策略，当算法陷入局部最优解停滞时，加入了一个阈值用于判断是否需要执行独立思维策略。当算法陷入局部最优导致无法获得更优解时，算法会通过独立思维策略寻找一个新的位置，协助算法寻求更优解以跳出局部最优。其次，采用了局部逃逸策略（Local Escaping Operator， LEO），加强了算法全局探索能力，使得算法的搜索效率更强。通过CEC2014基准测试函数和CEC2020基准测试函数来测试IBSO算法的优化性能，并与8种优化算法进行对比实验。结果表明，所改进的算法寻优能力更强，具有更高的稳定性和全局搜索能力。最后，采用最新的工程问题评价指标对三杆桁架设计和拉伸/压缩弹簧设计两种工程问题进行测试实验，进一步验证了IBSO算法在工程问题中的实用性。

关键词：头脑风暴优化算法局部逃逸策略基准测试函数工程问题

基于改进ESKF的植保无人机时延位姿补偿算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

仪器仪表学报 2024年第2期45卷 315-324页

作者：刘慧施志翔沈亚运储金城沈跃江苏大学电气信息工程学院镇江212013

为解决全球导航卫星系统和惯性测量单元融合时间不同步问题,提高植保无人机位姿估计精度,本文根据植保无人机大惯性、强振动的特性提出一种基于改进误差状态卡尔曼的时延位姿补偿算法。首先对名义状态变量线性预测,引入渐消因子提高强... 详细信息

为解决全球导航卫星系统和惯性测量单元融合时间不同步问题,提高植保无人机位姿估计精度,本文根据植保无人机大惯性、强振动的特性提出一种基于改进误差状态卡尔曼的时延位姿补偿算法。首先对名义状态变量线性预测,引入渐消因子提高强振动环境下的系统稳定性;接着采用互补滤波对角速度补偿,对姿态误差状态变量修正;最后结合测量的延迟时间,使用互补滤波外推数据,提高大惯性特性下的速度位置精度。实验结果表明,相较于误差状态卡尔曼算法,横滚角和俯仰角均方根误差减少0.2669°和0.2414°,偏航角均方根误差减少0.0764°;正常航迹植保作业下,东北天方向速度均方根误差减少0.2105、0.1849、0.2388 m/s;东北天方向位置均方根误差分别减少0.21、0.19、0.23 m,有效提高位姿估计精度。

关键词：植保无人机误差状态卡尔曼滤波延时补偿信息融合组合导航

基于动态深度可分离卷积神经网络的管道泄漏孔径识别

在线全文

学校读者我要写书评

暂无评论

中国石油大学学报（自然科学版） 2024年第5期48卷 183-189页

作者：王秀芳刘源李月明东北石油大学电气信息工程学院黑龙江大庆163318

针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通... 详细信息

针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通过动态深度可分离卷积层获得更强的特征表达能力,利用全局平均池化层降低网络模型参数,通过全连接层识别管道泄漏孔径。结果表明:新方法具有较高的识别精度,克服了传统模型资源开销大、功耗高的问题,降低了模型的训练时间,提升了管道泄漏孔径的识别速度,可用于工业中的管道泄漏程度监测。

关键词：泄漏孔径识别动态深度可分离卷积轻量化网络动态卷积