基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解( complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

光伏出力的模糊区间预测

针对光伏输出功率的点预测精度不足、传统支持向量机(SVM)在参数优化方面存在的固有缺陷等问题,根据模糊信息粒化理论和纵横交叉算法,提出一种基于CSO-SVM和模糊信息粒化理论的光伏出力模糊区间预测方案。结果表明:该方案可以得到较好的点预测值及其置信区间,某种程度上解决了传统点预测结果的信息局限性。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

光伏发电系统最大功率跟踪控制的仿真研究

针对光伏电池最大功率点随环境条件变化而发生漂移的问题,建立光伏电池的等效模型,采用 PVsyst 软件仿真光伏电池在不同光照及温度条件下的输出特性,利用 Matlab/Simulink软件建立基于电导增量法的最大功率点跟踪(Maximum Power Pint Tracking,MPPT)仿真模型。仿真结果表明:基于电导增量法的 MPPT 控制方法,能使光伏发电系统在环境及负载变化情况下快速实现 MPPT,且稳态精度高。     

基于ASD-KDE算法的超短期风电出力区间预测

为提高含风电场电网经济调度能力并降低电力系统规划决策的保守性,提出了基于原子稀疏分解-核密度( atom sparse decomposition-kernel density estimation, ASD-KDE)算法的超短期风电出力区间预测模型。该模型应用ASD计算出较为精确的点预测值,并采用粒子群优化正交匹配追踪算法提高原子分解过程的预测实时性。同时针对风电序列不同区域所具有的线性及非平稳特性,构建了衰减线性原子库及Gabor原子库,以期达到自适应分解的效果。再通过对原子分量和残余分量分别进行自预测和BP( back propagation) 神经网络预测,获得点预测值。在此基础上,通过对历史风电数据不同区间的划分,构建一维核密度估计模型,逐步滚动获取预测值的置信区间,从而降低了环境变化对预测结果的影响。实际风电场算例验证了所提方法的自适应性、快速性及有效性。     

基于相空间重构和独立分量分析的火灾预测

利用非线性动力学的相空间重构理论和独立分量分析,结合非线性支持向量回归,提出了火灾起数时间序列预测方法。首先用时间延迟法和独立分量分析重构系统的相空间来反映火灾起数时间序列的内在变化规律,然后再用非线性支持向量回归来构建预测模型。仿真结果表明该预测方法具有较高的预测精度。     

基于二层分解技术的短期负荷预测研究

钢铁用户的增多会使地区含有大量的冲击负荷,传统的预测方法难以捕捉该地区的负荷变化规律,预测精度不足。为提高含大量负荷地区的负荷预测的精度和泛化性,提出一种基于可变模式分解与奇异谱分析相结合的二层分解技术(VMD-SSA)和改进鲸鱼算法(IWOA)优化极限学习机(ELM)的短期负荷预测模型。通过实例证明,相比于其它模型,所提混合模型能充分掌握负荷的变化规律,有效提高了含大量负荷地区的负荷预测的精度和泛化能力。     

基于布谷鸟搜索优化的光伏电站辐照强度预测

针对光伏电站日前小时短期辐照强度的预测准确性问题,且考虑到支持向量机的学习参数对预测模型的性能有较大影响,为进一步提高数据的预测精度,利用布谷鸟搜索算法对支持向量机的惩罚因子c和核参数g进行优化,提出了一种基于布谷鸟搜索算法和支持向量回归的组合预测方法。仿真结果表明:该方法大大提高了光伏辐照强度预测的准确性和精度,可行且高效,适用于光伏在线预测。     

基于Hilbert-Huang变换理论的结构损伤检测

详细介绍了一种适合分析非线性非平稳数据的新方法——Hilbert-Huang变换,并将此方法应用于结构损伤检测。仿真实验是某三层剪切型建筑结构受两种不同地震烈度的地震动激励,结构在此过程中出现的损伤由层间刚度衰减的方法近似模拟,用巴特沃斯低通滤波器对得到的每层加速度数据进行滤波,然后对滤波后的数据进行Hilbert-Huang变换分析,得到其Hilbert谱,并对Hilbert谱进行了分析。结果表明,此方法能有效地提取结构的损伤特征,从而对结构的健康状况做出诊断。     

基于GPS的北京市2007-2012年地面沉降变化研究

利用经验模态分解(EMD)方法处理2007-2012年的北京GPS数据,并通过与地下水埋深比较分析近年来的地面沉降。首先通过2007-2012年的年沉降速率,发现北京沉降中心连片,形成了中东部的沉降漏斗。DSQI累积沉降量达到510 mm,DSQI、CHAO、NLSH三站点的年沉降速率分别为85 mm/a,41.7 mm/a和20mm/a。其次采用EMD方法提取DSQI、NLSH的垂向序列的趋势项,分析其沉降趋势。最后,对地下水埋深和GPS站点沉降趋势之间的关系进行了对比分析,地面沉降变化趋势与地下水水位变化具有较好的一致性,地下水水位变化是地面沉降发生发展的主要诱因。