期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到210篇文章
< 1 2 … 11 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于BP神经网络结合ERA5数据的风电功率预测 被引量：1
1
作者 王婷婷 李斯胜 +4 位作者 于伟 能锋田 李星南 杨佳琳 熊亮 《储能科学与技术》 北大核心 2025年第1期183-189,共7页
随着我国风力发电技术的不断发展和完善,风电在电力系统运行和调度的作用越来越突出。为了高效准确地预测风电功率,减少大量风电入网带来的负面影响,本文基于BP神经网络结合ERA5数据对我国北方某风电场进行风电功率预测,并采用粒子群优... 随着我国风力发电技术的不断发展和完善,风电在电力系统运行和调度的作用越来越突出。为了高效准确地预测风电功率,减少大量风电入网带来的负面影响,本文基于BP神经网络结合ERA5数据对我国北方某风电场进行风电功率预测,并采用粒子群优化(particle swarm algorithm,PSO)算法优化模型,结合平均绝对误差、均方根误差和Pearson相关系数分析风电功率预测效果。结果表明,模型训练集中预测与实测风电功率变化趋势基本一致,呈现同增同减的趋势,BP模型的平均绝对误差为702.12 W,均方根误差为1000.18 W,相关系数为0.91,PSO-BP模型的平均绝对误差为700.75 W,均方根误差为995.16 W,相关系数为0.94;测试集中ERA5数据在一定程度上高估了风电功率,但整体趋势基本一致,BP模型的平均绝对误差为861.09 W,均方根误差为1150.86 W,相关系数为0.81;PSO-BP模型的平均绝对误差为829.55 W,均方根误差为1117.39 W,相关系数为0.83,模型的预测效果相对较好,PSO-BP模型相较于BP模型的预测效果均有一定程度的提高,在该区域的风电功率预测方面有较好的适用性。研究结果可为缺乏观测数据或观测数据质量不高的地区预测风电功率提供参考。 展开更多
关键词 风力发电 BP神经网络 ERA5再分析资料 粒子群优化算法 风电功率预测
在线阅读 下载PDF
基于Vague软集的海上风电功率区间预测 被引量：1
2
作者 田书欣 朱峰 +2 位作者 杨喜军 符杨 苏向敬 《中国电机工程学报》 北大核心 2025年第4期1465-1476,I0019,共13页
海上风电输出功率的精准预测是保障海上风电并网系统调度运行的基础。针对海上风电海洋环境高度复杂、随机时空强烈耦合的特征,提出一种基于Vague软集的海上风电输出功率的新型区间预测方法。首先,引入Vague软集概念,提出融合Vague集真... 海上风电输出功率的精准预测是保障海上风电并网系统调度运行的基础。针对海上风电海洋环境高度复杂、随机时空强烈耦合的特征,提出一种基于Vague软集的海上风电输出功率的新型区间预测方法。首先,引入Vague软集概念,提出融合Vague集真隶属度和伪隶属度函数的交错式海上风电功率区间划分方法,实现风电功率数据Vague软区间化。其次,建立基于Vague-卷积神经网络(convolutional neural network,CNN)-长短期记忆神经网络(long short-term memory neural network,LSTM)的海上风电功率组合预测模型。通过类Vague软区间转换方法将双隶属度区间概率向量转化为海上风电功率复杂不确定信息下的区间预测结果。然后,从预测准确性、清晰性和兼顾性角度建立预测区间覆盖精度、预测区间宽度和预测综合水平等Vague软区间预测评估指标。最后,以我国东部某海上风电机组实际数据为算例进行验证。结果表明,所提预测模型预测结果可以兼顾预测区间的覆盖精度和清晰度,能够为海上风电不同工况下运行需求提供支撑。 展开更多
关键词 海上风电 Vague-卷积神经网络(CNN)-长短期记忆神经网络(LSTM)模型 Vague软集 软区间转换 区间预测
在线阅读 下载PDF
融合深度神经网络的电力系统经济-环保随机调度方法
3
作者 陈远扬 谭益 李勇 《电网技术》 北大核心 2025年第5期1993-2003,共11页
通过优化调度改善电网有功潮流分布、减小火电大气污染物与二氧化碳排放,是实现电力系统环保、经济、安全运行的重要途径。针对含碳捕集电厂、风力发电、常规火电等多种电源的电力系统,该文综合考虑二氧化碳与大气污染物排放、风电出力... 通过优化调度改善电网有功潮流分布、减小火电大气污染物与二氧化碳排放,是实现电力系统环保、经济、安全运行的重要途径。针对含碳捕集电厂、风力发电、常规火电等多种电源的电力系统,该文综合考虑二氧化碳与大气污染物排放、风电出力随机性、N-1故障等多类型因素,建立了面向环保、安全、经济运行的电力系统有功随机调度模型。在该模型中,目标函数考虑了火电的环保与燃料成本、风电成本、N-1故障后校正控制成本等因素,约束条件包括正常运行约束、N-1故障后计及校正控制的电网安全约束等。针对所提有功随机调度模型的特点,该文提出了融合全连接型深度神经网络的快速高效求解方法。该方法通过全连接型深度神经网络构建用于优化软件寻优搜索的初始点,进而加速所提模型的求解过程。最后,该文通过3个修改后的IEEE测试系统验证了所提模型与方法的有效性。 展开更多
关键词 环保-经济调度 碳捕集电厂 风电 随机优化 深度神经网络
在线阅读 下载PDF
深度学习方法在风电功率预测中的应用与研究方向概述 被引量：2
4
作者 刘谭 刘娜 +4 位作者 刘贵平 刘坤杰 刘敏 庄旭菲 张中豪 《计算机科学与探索》 北大核心 2025年第3期602-622,共21页
随着全球对可再生能源需求的增加,风电作为清洁可再生能源的重要组成部分,其功率的准确预测对于电力系统的稳定运行和能源的高效利用至关重要。近年来,深度学习方法在风功率预测领域展现出显著的优势,通过构建复杂的非线性模型,深度学... 随着全球对可再生能源需求的增加,风电作为清洁可再生能源的重要组成部分,其功率的准确预测对于电力系统的稳定运行和能源的高效利用至关重要。近年来,深度学习方法在风功率预测领域展现出显著的优势,通过构建复杂的非线性模型,深度学习模型能够有效地捕捉风功率数据的内在规律和变化趋势。从风电功率预测的分类、实现一般思路和评估方法概述了风电功率预测的研究对象和目标。综述了深度学习技术在风功率预测中的应用,在对深度学习技术做出细致的划分的基础上,重点分析了基于空间结构的深度学习模型和基于时间的深度学习模型及其相关变体模型所克服的问题和性能表现,并对所提模型方法存在的局限性及对应解决方法进行总结。从数据处理、参数优化算法和风电功率预测模型优化方法三个方面概述了基于深度学习风电功率预测的研究进展。对未来风电功率预测的发展方向进行了展望。 展开更多
关键词 风电功率预测 神经网络 深度学习
在线阅读 下载PDF
基于嵌套优化的GA-PSO-BP神经网络短期风功率预测方法研究 被引量：1
5
作者 刘翘楚 王杰 +3 位作者 秦文萍 张文博 陈玉梅 刘佳昕 《电网与清洁能源》 北大核心 2025年第2期138-146,共9页
短期风电功率预测对于保障电力系统稳定运行具有重要意义。针对单一BP(back propagation)神经网络预测模型难以满足风电功率的强随机波动特性,结合遗传算法(geneticalgorithm,GA)和粒子群智能算法(particleswarm optimization,PSO),提... 短期风电功率预测对于保障电力系统稳定运行具有重要意义。针对单一BP(back propagation)神经网络预测模型难以满足风电功率的强随机波动特性,结合遗传算法(geneticalgorithm,GA)和粒子群智能算法(particleswarm optimization,PSO),提出嵌套优化的GA-PSO-BP神经网络短期风电功率预测模型。建立内外双层嵌套的优化机制,内层机制中引入GA算法优化PSO算法学习因子,优化后PSO算法作为外层机制实现BP神经网络阈值和权值的优化。模拟风电数据预测结果表明,比起GA-BP、PSO-BP、长短期记忆网络(long short-term memory,LSTM)预测模型,所提嵌套优化模型在平均绝对误差(mean absolute error,MAE)、均方根误差(root mean squared error,RMSE)、决定系数R2 3个评价维度上均取得了最优值;利用山西某风电场不同月份、不同时段、不同波动特征的实际运行数据进行验证,预测结果表明MAE均小于0.02,R2均大于0.99,所提嵌套优化模型具有较高的预测精度和拟合程度。 展开更多
关键词 风电功率预测 BP神经网络 遗传算法 粒子群算法 嵌套优化
在线阅读 下载PDF
基于帝王蝶算法的CNN-GRU-LightGBM模型短期风电功率预测 被引量：1
6
作者 向阳 刘亚娟 +2 位作者 孙志伟 张效宁 卢建谋 《太阳能学报》 北大核心 2025年第1期105-114,共10页
风电集群大规模并网和跨季节使用产生的不确定性对风电功率预测播报的准确度提出更高的要求。为提高风电功率预测的准确度,提出一种基于帝王蝶优化算法(MBO)的卷积神经网络(CNN)-门控循环单元(GRU)-梯度提升学习(LightGBM)复合风电功率... 风电集群大规模并网和跨季节使用产生的不确定性对风电功率预测播报的准确度提出更高的要求。为提高风电功率预测的准确度,提出一种基于帝王蝶优化算法(MBO)的卷积神经网络(CNN)-门控循环单元(GRU)-梯度提升学习(LightGBM)复合风电功率预测模型。首先,分别建立CNN-GRU和LightGBM的风电功率预测模型,利用方差倒数法将两个模型加权组合为CNN-GRU-LightGBM复合模型;为优化模型中的连续参数,使用MBO对模型进行超参数优化。最后,选取珠海某海上风电场的短期风电功率数据对所提方法与已有预测方法进行对比,实验结果表明,该模型结合了CNN-GRU、LightGBM等模型的优点,预测误差更小,预测精度更高,拥有更强的季节普适性。 展开更多
关键词 风电功率预测 卷积神经网络 门控循环单元 梯度提升学习 帝王蝶算法
在线阅读 下载PDF
基于多目标优化和深度学习的短期风功率组合预测 被引量：1
7
作者 胡甲秋 卓毅鑫 +3 位作者 唐健 蒙文川 戚焕兴 刘鲁宁 《太阳能学报》 北大核心 2025年第2期615-623,共9页
针对风功率时间序列的非线性和波动性等特征,提出一种基于多目标优化和深度学习的风功率组合预测的方法。该方法基于完全自适应噪声集合经验模态分解,得到原始风功率序列的子序列集合,分别使用极限学习机、长短期记忆和时间卷积网络建... 针对风功率时间序列的非线性和波动性等特征,提出一种基于多目标优化和深度学习的风功率组合预测的方法。该方法基于完全自适应噪声集合经验模态分解,得到原始风功率序列的子序列集合,分别使用极限学习机、长短期记忆和时间卷积网络建立子序列预测模型并重构。基于此建立组合预测模型,应用多目标哈里斯鹰优化算法和深度确定性梯度策略求解最优组合权值。使用广西某风电场的实测资料进行实验,结果表明:所提出的组合预测模型在4组数据集中均表现最优,与集合平均相比均方根误差分别降低了12.93%、13.91%、12.38%和9.71%,预测精度得到有效提升。 展开更多
关键词 风功率 预测 神经网络 组合预测 多目标优化 深度学习
在线阅读 下载PDF
基于RF-TCN-SA及误差修正的风电功率超短期预测 被引量：1
8
作者 张中丹 李加笑 +3 位作者 冯智慧 赵娟 冯斌 李清霖 《电网与清洁能源》 北大核心 2025年第2期113-119,共7页
为提高风电功率预测精度,提出一种结合随机森林(random forest,RF)、时间卷积神经网络(temporal convolutional network,TCN)以及自注意力机制(self-attention,SA)的预测模型。通过RF算法选择出与风电功率强相关的特征信息作为TCN的输入... 为提高风电功率预测精度,提出一种结合随机森林(random forest,RF)、时间卷积神经网络(temporal convolutional network,TCN)以及自注意力机制(self-attention,SA)的预测模型。通过RF算法选择出与风电功率强相关的特征信息作为TCN的输入,采用Lookahead优化器及PRelu激活函数来提高TCN的学习、收敛性能;通过SA算法为模型不同时刻输入信息分配不同权重,以突出重要时刻信息作用,提高模型预测效果;建立误差修正模型对初步预测值进行修正,进一步提高风电功率预测精度。算例实验结果表明,所提模型相比常见循环神经网络预测模型具有更高的预测精度。 展开更多
关键词 风电功率预测 随机森林 时间卷积神经网络 自注意力机制 误差修正
在线阅读 下载PDF
基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型
9
作者 张光昊 张新燕 王朋凯 《现代电力》 北大核心 2025年第2期201-208,共8页
风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预... 风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型。该模型以数值天气预报数据(numerical weather prediction,NWP)和风电功率历史数据作为输入,首先利用皮尔逊相关性分析筛选特征,然后借助残差连接的图卷积神经网络(graph convolutional neural network,GCN)和图学习层挖掘空间特征关系,接着采用双向门控循环单元(bidirectional gated recurrent unit,BiGRU)挖掘历史数据的时序特征,最后引入注意力机制(attentional mechanisms,AM)分配权重,实现风电功率短期预测。以某风电场实测数据为例进行算例分析,实验结果表明,该文方法在单步及多步预测中相比其他方法有更好的预测精度。 展开更多
关键词 风电功率预测 混合深度神经网络 图卷积神经网络 双向门控循环单元 注意力机制
在线阅读 下载PDF
基于多重相关性学习的风电场SCADA数据修复及其功率预测应用 被引量：1
10
作者 郑李梦千 朱利鹏 +2 位作者 文唯嘉 李佳勇 张聪 《电力自动化设备》 北大核心 2025年第3期78-85,共8页
风电场数据采集与监视控制(SCADA)系统实测数据中的数据缺失、噪声等非理想测量工况给短期风电功率的可靠预测带来严峻挑战。为解决这个问题,提出了一种基于多重相关性学习的SCADA数据修复方案。对于SCADA实测数据中存在的数据缺失问题... 风电场数据采集与监视控制(SCADA)系统实测数据中的数据缺失、噪声等非理想测量工况给短期风电功率的可靠预测带来严峻挑战。为解决这个问题,提出了一种基于多重相关性学习的SCADA数据修复方案。对于SCADA实测数据中存在的数据缺失问题,提出综合挖掘多维时序数据多重相关性的数据修复方法,对缺失数据进行初步修复;设计适用于多种复杂工况的残差神经网络,对初步修复结果进行进一步精细化处理,实现精细的缺失值修复和数据去噪;以修复后的数据为输入,通过基于多头注意力机制的卷积神经-长短期记忆深度学习网络构建高可靠的短期风电功率预测模型。华中地区2座风电场实测SCADA数据的算例分析结果验证了所提方法的有效性及其在提升短期风电功率预测性能方面的应用价值。 展开更多
关键词 SCADA数据修复 多重相关性 短期风电功率预测 深度学习 残差神经网络
在线阅读 下载PDF
基于LSTM-Informer的风电功率预测
11
作者 郭阳 李勇 刘语忱 《绿色科技》 2025年第10期214-221,共8页
针对风电功率预测中因波动性与随机性导致的精度不足问题,本研究提出了一种融合长短期记忆网络(LSTM)与Informer模型的混合预测框架——LSTM-Informer,旨在协同挖掘风电数据中的多尺度时序特征。构建了系统化数据预处理流程,结合箱线图... 针对风电功率预测中因波动性与随机性导致的精度不足问题,本研究提出了一种融合长短期记忆网络(LSTM)与Informer模型的混合预测框架——LSTM-Informer,旨在协同挖掘风电数据中的多尺度时序特征。构建了系统化数据预处理流程,结合箱线图法与3σ准则剔除异常值,采用差异化插值策略填补缺失数据,并通过归一化消除特征量纲差异;设计分层特征提取架构,利用LSTM捕捉短期动态波动,结合Informer的稀疏自注意力机制建模长时全局依赖,通过生成式解码器实现未来时间步的高效预测。通过实证案例,验证了模型在均方根误差、平均绝对误差和决定系数等指标上均优于单一预测模型,显著提升了预测精度与稳定性,为电网调度决策优化和新能源高效消纳提供了技术支撑。 展开更多
关键词 风电功率预测 神经网络 深度学习 Informer模型
在线阅读 下载PDF
针对非平稳信号和高频噪声的自适应噪声完整集成经验模态分解-双向长短期记忆风功率预测模型
12
作者 万思洋 杨苹 +3 位作者 崔嘉雁 李丰能 隗知初 陈文皓 《电网技术》 北大核心 2025年第3期1176-1184,I0085,共10页
提出了一种基于改进的自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的组合预测模型,以提高... 提出了一种基于改进的自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的组合预测模型,以提高风电功率预测的准确性和鲁棒性。当前风电功率预测面临非平稳信号和高频噪声的问题,影响了预测的准确性。针对这一问题,通过CEEMDAN分解,将复杂的非平稳信号分解为多个固有模态函数分量(intrinsic mode function,IMF),在此基础上创新性地通过平均波动幅度(average fluctuation range,AFR)计算IMF的平均波动幅度进行高低频划分,应用经验小波变换(empirical wavelet transform,EWT)对高频分量进行滤波,显著降低信号中的高频噪声,提高数据准确性。随后,分别对高频和低频分量建立Bi-LSTM模型,选取最优参数进行训练和预测,将各分量的预测结果叠加得到最终的风电功率预测值。模型经过不同季节和数据集的验证,展示了其在风电功率预测中的通用性和鲁棒性。研究证明,结合CEEMDAN分解、AFR划分和EWT滤波,通过有效的噪声抑制和数据分解,能够显著提升风电功率预测的准确性和稳定性,弥补了传统方法在处理非平稳信号和高频噪声方面的不足。 展开更多
关键词 风电功率预测 双向长短期记忆神经网络 完全集成经验模态分解 经验小波变换 深度学习
在线阅读 下载PDF
差分进化优化的风电功率混合预测模型
13
作者 陈梦娇 陈为真 张岳 《重庆理工大学学报(自然科学)》 北大核心 2025年第4期217-226,共10页
针对风速波动性大和随机性强导致风电功率预测精度不高的问题,构建一种融合变分模态分解、卷积循环神经网络和注意力机制的混合预测模型。根据数值天气预报和测风塔实测数据采用皮尔逊相关系数筛选出与风电功率强相关性的特征;通过变分... 针对风速波动性大和随机性强导致风电功率预测精度不高的问题,构建一种融合变分模态分解、卷积循环神经网络和注意力机制的混合预测模型。根据数值天气预报和测风塔实测数据采用皮尔逊相关系数筛选出与风电功率强相关性的特征;通过变分模态分解将原始序列分解成不同频率的模态分量,利用差分进化算法进行参数优化,寻找最优模态数;然后将其输入到卷积循环神经网络中。通过引入注意力机制,进一步捕获序列中的潜在关键信息,实现风电功率的精准预测。实验分析及对比结果表明,该模型在风电功率预测中有着更高的预测精度,基本满足实际风电功率的预测要求。 展开更多
关键词 风电功率预测 变分模态分解 卷积循环神经网络 注意力机制 差分进化算法
在线阅读 下载PDF
基于主成分分析-BP神经网络的风电备件需求预测 被引量：12
14
作者 李晓娟 张芳媛 喻玲 《科学技术与工程》 北大核心 2024年第1期281-288,共8页
风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。构建主成分分析-反向传播(principal component analysis-back propagation,PCA-... 风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。构建主成分分析-反向传播(principal component analysis-back propagation,PCA-BP)模型,针对受多因素影响的复杂备件,先利用PCA将影响风电备件的要素进行筛选,再利用BP神经网络算法,得到最为精确的预测结果。比较自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型、BP神经网络预测和PCA-BP神经网络预测的结果。结果表明:PCA能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用于风机备件的需求预测。 展开更多
关键词 主成分分析 神经网络 风电备件 需求预测
在线阅读 下载PDF
基于IWOA-SA-Elman神经网络的短期风电功率预测 被引量：6
15
作者 刘吉成 朱玺瑞 于晶 《太阳能学报》 EI CAS CSCD 北大核心 2024年第1期143-150,共8页
由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算... 由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。 展开更多
关键词 风电 ELMAN神经网络 预测 模拟退火 鲸鱼优化算法
在线阅读 下载PDF
基于DCGCN模型的海上风电场超短期功率预测 被引量：6
16
作者 黄玲玲 石孝华 +2 位作者 符杨 刘阳 应飞祥 《电力系统自动化》 EI CSCD 北大核心 2024年第15期64-72,共9页
图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于... 图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于双通道图卷积网络(DCGCN)的海上风电场超短期功率预测模型。首先,建立以理论功率曲线为基准的机组状态指标模型,定量表征机组状态变化对其发电能力的影响;其次,构建海上风电场图拓扑,建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型;最后,建立基于DCGCN的风电场超短期功率预测方法。算例结果表明,所提模型有助于提高风电场功率预测模型的训练效率和预测精度。 展开更多
关键词 超短期功率预测 图卷积网络 海上风电场 功率曲线 双通道神经网络
在线阅读 下载PDF
AR-MED共振特征增强的风电齿轮箱故障诊断
17
作者 孙抗 史晓玉 +1 位作者 赵来军 杨明 《组合机床与自动化加工技术》 北大核心 2024年第8期163-167,174,共6页
针对风电齿轮箱故障时脉冲成分往往淹没在其他频率分量中,早期故障特征难以有效提取的问题,提出一种自回归最小熵解卷积(AR-MED)共振特征增强的风电齿轮箱故障诊断方法,并结合一维卷积神经网络(1DCNN),实现齿轮箱高精度故障诊断。首先,... 针对风电齿轮箱故障时脉冲成分往往淹没在其他频率分量中,早期故障特征难以有效提取的问题,提出一种自回归最小熵解卷积(AR-MED)共振特征增强的风电齿轮箱故障诊断方法,并结合一维卷积神经网络(1DCNN),实现齿轮箱高精度故障诊断。首先,使用共振稀疏分解算法(RSSD)将振动信号分解成含有噪声和谐波成分的高共振分量和含有故障冲击成分的低共振分量;其次,对低共振分量使用自回归最小熵解卷积运算,增强低共振分量中微弱的周期性冲击成分;最后,构建自回归最小熵解卷积共振特征增强的1DCNN模型,将分解得到的谐波分量和周期性冲击分量进行特征融合以及有针对的训练和分类。实验结果表明,与现有故障诊断模型相比,所提方法在提取风电齿轮箱的故障特征信息以及提高故障诊断精度方面具有有效性和优越性。 展开更多
关键词 共振稀疏分解 自回归最小熵解卷积 特征增强 一维卷积神经网络 风电齿轮箱
在线阅读 下载PDF
风电和光伏发电功率联合预测与预调度框架 被引量：9
18
作者 叶林 裴铭 +3 位作者 李卓 宋旭日 罗雅迪 汤涌 《高电压技术》 EI CAS CSCD 北大核心 2024年第9期3823-3836,共14页
随着多区域互联电力系统的发展,风电、光伏等新能源发电大规模并网,风电-光伏功率的联合预测和协调调度是必然趋势和迫切需求。为此,从风电-光伏发电的时空相关性分析出发,对风电-光伏功率时空耦合、风电光伏联合预测建模、风电光伏联... 随着多区域互联电力系统的发展,风电、光伏等新能源发电大规模并网,风电-光伏功率的联合预测和协调调度是必然趋势和迫切需求。为此,从风电-光伏发电的时空相关性分析出发,对风电-光伏功率时空耦合、风电光伏联合预测建模、风电光伏联合预测模型参数优化、考虑风电-光伏联合预测的电力系统预调度等方面进行了分析讨论。首先,研究揭示风电-光伏功率在时间-空间上的交互影响机理,提出面向多时间尺度的风电-光伏功率时间互补性分析方法,建立风电-光伏发电空间相关性量化模型,构建基于多阶图卷积神经网络风电-光伏发电时空耦合模型;基于此,研究提出了融合异构图神经网络的风电-光伏联合预测方法,建立了风电-光伏联合预测模型参数优化模型,构建了新能源有功功率预测误差矢量评价体系,为风电-光伏联合发电系统的协调调度和控制提供决策支撑;在风电-光伏联合发电预测的基础上,采用风电、光伏发电时间互补、空间互济的思路探讨了风电-光伏联合的电力系统预调度策略和方法,对不同时间尺度风电-光伏的协调调度策略进行了剖析,建立了电网-区域-集群-场站空间递阶的风电-光伏联合发电系统分层调度框架。最后,展望了未来风电-光伏联合预测与预调度方面应研究的方向。 展开更多
关键词 风电-光伏联合预测 时空相关性 异构图神经网络 风电-光伏协调调度 电力系统预调度
在线阅读 下载PDF
考虑局部条件特征的风电功率短期预测 被引量：1
19
作者 张家安 黄晨旭 李志军 《太阳能学报》 CSCD 北大核心 2024年第12期220-227,共8页
提出一种考虑局部条件特征的风电功率短期预测方法。首先,基于斯皮尔曼相关系数对局部条件因素与风力机功率的相关性进行分析,确定风速、风向和对风角度等为影响风电场功率短期预测准确度的关键因素;然后,基于广义极值分布分别对关键因... 提出一种考虑局部条件特征的风电功率短期预测方法。首先,基于斯皮尔曼相关系数对局部条件因素与风力机功率的相关性进行分析,确定风速、风向和对风角度等为影响风电场功率短期预测准确度的关键因素;然后,基于广义极值分布分别对关键因素的分布参数进行估计,并构建平均波动系数指标描述各风力机间的参数差异性,基于K-means++算法对风力机进行聚类;最后,采用主成分分析(PCA)方法提取机群内各风力机功率的关键特征,并基于双向循环神经网络(BiGRU)对机群功率进行预测,进而累加获取风电场的预测功率。以华北某风电场运行数据为算例,验证该方法的有效性。 展开更多
关键词 风电功率 预测 聚类分析 神经网络 特征提取
在线阅读 下载PDF
基于低风速功率修正和损失函数改进的超短期风电功率预测 被引量：5
20
作者 臧海祥 赵勇凯 +3 位作者 张越 程礼临 卫志农 秦雪妮 《电力系统自动化》 EI CSCD 北大核心 2024年第7期248-257,共10页
风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖... 风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。 展开更多
关键词 超短期风电功率预测 功率修正 损失函数改进 神经网络模型
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 11 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部