课程文献中心 更多>>

关键词： 短期风电功率预测   改进灰狼算法   分解技术   样本熵   双向长短期记忆神经网络  

摘要： 为了提高双向长短期记忆神经网络(BiLSTM)进行风电功率预测的精度，针对BiLSTM存在的参数优化问题，通过引入透镜成像反向学习进行种群初始化、改进收敛方式、并结合柯西变异算法，改进了传统的灰狼算法(GWO)来优化BiLSTM超参数，并基于ICEEMDAN-VMD组合模态分解和改进后的GWO算法提出了一种ICEEMDAN-VMD-IGWO-BiLSTM组合预测模型；在我国西北地区某风场公开数据集上做了验证，实验结果表明：ICEEMDAN-VMD-IGWO-BiLSTM组合模型的MAE、MSE、RMSE分别为4.9189MW、32.3683MW、5.6893MW；相较于CNN-LSTM、CNN-BiLSTM神经网络模型以及其他组合模型在预测精度上都有明显的提升，能很好的解决风电预测精度不高的问题。

关键词： 光伏发电系统   变分模态分解   白鲸优化算法   预测准确度   算法模型  

摘要： 由于气温、方位角、太阳辐照度、气压、风速和云层不透明度等直接和间接因素干扰光伏发电预测，提出了一种结合变分模态分解、改进鲸鱼优化算法和双向长短期记忆神经网络模型（VMD-EBWO-BiLSTM）的多维时序光伏预测模型。首先，对光伏发电的原始数据进行预处理，并利用变分模态分解技术将光伏出力序列分解成不同的本征模态分量；再利用改进白鲸优化算法来优化双向长短期神经网络的迭代次数、中间神经元个数、学习率等参数，使预测模型的误差趋于极小值；最后，根据甘肃省某市真实数据，用VMD-EBWO-BiLSTM模型进行预测。模型仿真结果显示，在不同的气象因素下，相对于原有的算法模型和其他算法模型，VMD-EBWO-BiLSTM模型具有更高的预测准确度。

关键词： 资源分配   功率控制   信息年龄   极端事件  

摘要： 在差异化服务共存的车联网场景中，针对基于平均信息年龄(AoI)优化无法降低极端事件发生概率的问题，该文提出一种信息新鲜度保障的用户功率控制和资源分配策略。首先，根据系统模型刻画出车辆到车辆(V2V)用户状态更新信息新鲜度约束下最大化车辆到基站(V2I)用户体验质量(QoE)的问题。然后，结合与AoI中断约束等价的队列积压约束，并引入极值理论以优化AoI尾部分布。接着，基于李雅普诺夫优化方法将原问题转化最小化李雅普诺夫漂移加惩罚函数的问题，在此基础上求解最优的用户发射功率。最后，在构建超图的基础上，提出了一种基于遗传算法改进粒子群算法(GA-PSO)的资源分配策略确定最优的用户信道复用方式。仿真结果表明，相比于基准方案，所提方案能够在降低V2V链路AoI中断的极端事件发生概率的同时，提高约7.03%的V2I链路信道容量，实现V2I用户平均QoE提升。

关键词： 故障诊断   变压器   过采样   领域粗糙集   XGBoost   灰狼优化算法  

摘要： 为提高变压器故障诊断的准确性及降低样本不平衡对模型识别准确率的影响，提出了基于SMOTE和GWO-XGBoost的变压器故障诊断方法；该方法利用SMOTE技术扩大少数派样本，采用非编码比例法构建多维特征参数，并引入邻域粗糙集优化策略以及灰狼优化算法对XGBoost参数进行优化；实验验证显示，该方法显著减少了少数派样本的误判，并展示出高精度、低误判率及稳定性，适用于实际变压器故障诊断应用。

关键词： 光伏发电   时间序列分解   周期分量   共形预测   分位数回归   区间预测  

摘要： 光伏功率区间预测是准确刻画光伏出力不确定性，保证电力系统安全运行的重要基础。传统光伏功率区间预测依赖特定概率分布假设，而实际光伏功率分布存在异方差性，导致预设概率分布与实际往往并不一致，影响区间预测的准确性及置信度。对此，提出了一种基于时序分解与共形分位数回归的超短期光伏功率区间预测方法。首先，基于NeuralProphet时序分解框架将光伏功率序列建模为趋势分量、周期分量、自回归分量3类线性可加子序列之和。然后，采用分段线性模型、傅里叶级数分解模型、AR-Net模型分别对3类子序列进行拟合建模，通过傅里叶级数分解模型强化对光伏日周期性与季节周期性的拟合能力。最后，通过计算共形分数量化模型预测结果的不确定性，进一步基于共形分数确定预测值的分位数区间，整个过程无须预设概率分布，并可实现对预测区间宽度的动态调整。算例表明，在确定性光伏功率预测任务上，所提方法优于TimesNet、Informer等基于Transformer的先进算法，且日周期与季节周期成分的引入进一步降低了11.65%的预测误差；在区间预测任务上，所提方法在预测区间覆盖率、标准化区间宽度、区间覆盖宽度等指标上均优于传统分位数回归算法。

关键词： 储能型柔性多状态开关   功率协调   馈线离网   电压跌落   功率偏差  

摘要： 柔性互联配电网可以在不同馈线之间实现功率互济和离网馈线负荷转供，但馈线离网瞬间和离网后发生负荷波动时储能型柔性多状态开关(Energy storage Flexible Multi-State Switch,E-FMSS)控制不当会产生电压与功率偏差，影响负荷转供效果。提出储能型柔性多状态开关的电压与功率偏差补偿策略，实现离网馈线负荷转供的同时，保证负荷电压稳定且无功率偏差。首先，分析柔性互联配电网多状态运行下的功率流向，研究E-FMSS功率协调控制，实现配电网变压器重载功率调控和离网馈线负荷转供。其次，分析馈线离网和负荷波动引起馈线电压跌落并出现功率偏差的原因，提出一种以功率偏差值作为无功控制环补偿参考量的策略，实现离网馈线电压稳定和无功率偏差。最后，通过MATLAB/Simulink仿真及StarSim硬件在环实验，验证本文所提策略的正确性与有效性。

关键词： 叶端间隙   微波测量   RD-S校正   整剖面间隙   相位差   频谱校正  

摘要： 对复杂形貌叶端的整剖面间隙进行非接触、高精度的测量是保障航空发动机安全高效运行的关键。在利用120GHz微波传感器进行叶端整剖面间隙测量中，静态回波信号受幅值调制干扰导致传统方法难以有效估计回波信号的不平衡参数，端面动态回波信号反映的间隙信息易出现临界相位突变现象，为叶端整剖面间隙的静动态测量带来极大挑战。为此，本文首先针对幅值调制下不平衡参数估计问题，提出了比值差分-频谱（Ratio Differention-Spectrum, RD-S）校正方法，利用I/Q信号的衰减一致性，通过比值差分过程消除静态回波信号中幅值调制项的干扰，随后通过主频和镜频分量实现了不平衡参数估计。其次针对临界相位突变现象，利用棣莫弗定理并结合幅-相信息，克服了临界相位突变的干扰并实现任意半波长内剖面间隙的测量。实验结果表明，在静态测量中所提RD-S校正方法较传统校正方法的解调位移误差平均降低79.2%，平均位移校正误差为1.31μm，非线性度小于0.06%。进行叶端间隙动态测量时，在300μm相对间隙变化内的平均测量误差小于2.5μm,H形叶片凹腔深度的测量平均误差为2.09μm。

关键词： 储能振荡   磁滞曲线   退磁   电力变压器   剩磁  

摘要： 大型电力变压器在分闸后常因磁滞效应而残留剩磁，这不仅可能引发励磁涌流损害变压器，还可能对电网稳定性构成威胁。尽管现有剩磁消除方法在一定程度上缓解了这一问题，但仍存在操作复杂、耗时、效果有限等局限性。针对以上不足，该文提出一种基于储能振荡的新型快速剩磁消除方法。该方法通过振荡过程的能量交换，实现退磁激励与铁心参数的“自适应”，从而快速有效地消除剩磁。首先通过理论分析确定了关键电容参数设置；随后在不同电压等级的电力变压器进行了仿真和实验验证。结果表明：储能振荡退磁方法退磁时间在分钟级，相较于传统方法用时缩短了90%以上，且基于空载电流的退磁效果评估结果表明该方法在退磁效果提升了20%以上，证明了该方法在退磁效果和速度上均优于传统退磁技术；最终，在实际应用中，该方法显示出快速、可靠且有效的特性，为电力变压器的安全运行和电网稳定性提供了有力保障。

关键词： SPH   润滑仿真   减速器   计算流体力学   Box-Behnken设计法  

摘要： 电动车减速器的润滑系统中，搅油损失对传动效率和使用寿命具有显著影响，故开展减速器润滑系统搅油损失变化规律研究。本文基于光滑粒子流体动力学（SPH）方法，建立了减速器齿轮箱流体仿真模型，研究减速器不同布置角度、转速、润滑油黏度、油量对减速器搅油功率损失的影响规律。采用Box-Behnken响应面设计法优化设计对减速器搅油功率损失进行优化设计，最后得到低转速和高转速下最小搅油功率损失的油量、润滑油黏度配合参数。研究发现，搅油损失受多个关键参数影响，主要影响因素由高到低依次为转速、润滑油黏度和浸油深度。基于这些发现，提出了通过调整油液性质来减少搅油损失的方法。本研究结果对电动车减速器润滑系统的优化设计具有重要参考意义。

关键词： 光伏功率预测   自适应噪声完备集合经验模态分解   样本熵   双向长短期记忆网络  

摘要： 光伏发电具有间歇性和波动性，传统的单一模型难以实现精确预测。因此，提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decompositionwithadaptivenoise,CEEMDAN)、样本熵(sample entropy, SE)和双向长短期记忆网络(bidirectional long shorttermmemory,Bi-LSTM)组合的预测模型。首先，采用CEEMDAN对历史功率序列进行分解以降低其非平稳性，针对分解后导致后续预测数据规模增大的问题，通过引入样本熵的方法将子序列进行重组。其次，将重组序列输入到双向长短期记忆网络中，对其进行学习和预测。最后，通过将各个重组序列预测结果线性相加的方式，获得最终的预测结果。实例验证表明，构建的组合模型适用于不同天气条件下的光伏功率预测，并且具有更高的预测精度。