利用STRM和NCEP数据提高风电场宏观选址的准确性

利用STRM数据得出风电场宏观地形,利用NCEP数据提取出风电场的气象数据,在WAsP8.3软件的支持下,计算出描述风资源概况的风速、风功率密度和威布尔分布参数值的分布概况,根据风速、风功率密度分布可以直观的看出风资源的分布情况,根据威布尔分布参数值能够计算出初步的发电量,进而为风电场的宏观选址和下一步测风塔的建立提供依据。     

基于支持向量回归的风电场短期功率预测

针对风电场的短期功率预测,提出了一种考虑风电机组运行条件的用于风电场短期功率预测的新方法.首先,利用风力发电机的监控和数据采集(SCADA)系统数据计算输出功率和运行条件之间的皮尔逊相关系数,验证了SCADA监测项目对风力发电机输出功率的具有相关性;其次,建立支持向量回归(SVR)模型来预测单个风力发电机的风力与气象、运行状态的关系,发现了考虑运行条件的模型的预测结果优于仅考虑气象信息的模型的预测结果;最后,考虑到不同空间位置的风力发电机组对风电场输出功率的贡献不同,建立了各风力发电机预测功率和风电场预测功率输出之间的回归模型.试验结果表明:所提出的风场回归模型的预测误差小于风力涡轮机所有预测功率的模型的预测误差,从而验证了该方法的有效性.     

基于PSASP自定义接口功能的直驱型风电机组简化模型

针对大规模直驱永磁风电系统机电暂态仿真时采用PSASP自带的通用发电机模型不能表述实际直驱型永磁风力发电机组(简称D-PMSG)运行特性的问题,以某地近海风电场D-PMSG单机测试数据作为参考,利用PSASP自定义建模环境(PSAP/UD)搭建直驱永磁风机暂态简化模型。D-PMSG暂态简化模型忽略发电机及机侧变流器影响,同时考虑低电压穿越时动态短路电流的特性、电压频率保护控制以及有功恢复速率设置,将D-PMSG当成带有低压穿越保护的受控电流源,并根据D-PMSG低压穿越时的实测数据基于遗传算法实现了重要参数的优化工作。通过分别将D-PMSG暂态简化模型与详细模型、增加爬坡功率设置以及单机测试系统实测运行数据在三相短路故障条件下的对比,验证了D-PMSG暂态简化方法的正确性,以及参数优化方法的有效性。     

线性模型的风电场发电量计算研究

风力发电机组电量的计算是风电场性能评估的重要组成部分，而发电量的计算对风电场性能优化以及提高营运效益具有非常重要作用。但是在实际的工作环节中，相关人员不能够正确、合理计算风电场的发电量，进而导致各种问题的出现，致使风电场工作效率得不到提升。基于此，本文通过对线性模型的风电场发电量计算进行研究，以期能够进一步提升风电场经济以及社会经济效益。     

基于风速数值预报的两种风电功率预测方法

针对风电场风功率预测,根据2011年11-12月的北方某大型风电场132台风机的实测风速资料与输出功率资料,以及BJ-RUC数值预报模式在该风电场风机高度(50 m)的预报风速资料,探讨了2种利用神经网络将风速数值预报转化为风功率预测值的途径:1)利用神经网络对风速数值预报进行预测后延误差动态订正,以订正后的风速预测风功率;2)用风速的数值预报值直接与风功率输出建立神经网络模型的释用方法。根据该风电场的实测资料和BJ-RUC模式输出资料,对0-4 h的风功率预报进行了试验,结果表明2种方法相较直接使用BJ-RUC模式风速得到的风功率预报效果有明显改进,第1种方法,风速的绝对误差下降了48.7%,风功率的平均绝对误差下降了58.2%,第2种方法,风功率的平均绝对误差下降了60.4%。     

基于IVMD-CS-LSTM的超短期风电功率预测算法设计

功率预测对提高风电电能质量、减少风电并网时对电网的冲击起着重要作用.针对风电功率数据特征，提出一种基于改进变分模态分解（Improved Variational Mode Decomposition,IVMD）的长短期记忆神经网络（Long-Short Term Memory Network,LSTM）的风电功率预测算法，并利用布谷鸟（Cuckoo Search,CS）算法对LSTM进行超参数寻优.首先，通过相关性分析，对风电场10类数据进行特征筛选，确定与功率相关性最大的两类数据作为模型的输入数据.接着，利用IVMD计算最大包络线峰度，确定变分模态分解的最佳分解参数，将原始风速序列进行分解，得到时间尺度各异的本征模态分量（Intrinsic Mode Functions,IMF）.最后，针对LSTM神经网络模型的超参数优化困难、难以得到最优解等问题，提出采用CS算法对关键超参数进行寻优，建立了IVMD-CS-LSTM预测模型，得到了风电功率短期预测结果.采用实际风电场数据对算法进行测试，与常用预测算法比较，预测结果有更高的精度.     

基于实测数据的西北地区风电场风场及尾流特性分析

基于西北地区某风电场2015—2016年的风速风向实测数据,分析了风电场风塔的尾流特性,并与现有风力机尾流模型进行了对比分析.在此基础上,对在远尾流场作用下的风速风向、湍流强度、湍流积分尺度、概率密度分布等风场特性进行了详细分析.研究结果表明:现有的Jensen模型、Park-Gauss模型与实际工程中多个尾流作用下的风电场尾流特性存在差异.在多风向多尾流叠加作用下,当风速大于10 m/s时,各风塔湍流强度随着平均风速的增长呈增大趋势,风电场内部风塔湍流强度在低湍流段更加集中,外围风塔湍流强度随平均风速的增大速率略快于内部风塔,而湍流积分尺度随平均风速的增大程度总体慢于内部风塔,且外围风塔实测风速更加接近高斯分布.     

风电场的机组选型与场址选址工作探讨

风电场风力发电机组选型及风电场选址是风电场设计的重点,它将直接影响风电场建成后的经济效益。结合国内风电厂建设特点,对风电厂开发、建设过程中厂址选择和机组选型进行了分析。     

混凝土中氯离子三维扩散模型及参数拟合

提出了基于ANSYS有限元分析和试验实测数据拟合的混凝土中氯离子三维非稳态扩散模型.该模型可以模拟混凝土与海水接触表面氯离子随时间变化的累积效应、氯离子扩散系数随时间和氯离子浓度的变化,以及氯离子反应率对扩散的影响.根据非稳态扩散方程与导热方程的相似性,用ANSYS有限元软件参数化设计语言编程方法,实现了数值模拟分析;利用ANSYS的优化设计功能,以有限元数值计算结果与实测数据的误差平方和最小为优化目标,拟合氯离子扩散试验的实测数据,得到数值模拟所需的模型参数.计算表明:模型能比较好地拟合长期海洋环境暴露试验的实测数据,为海洋环境中使用的混凝土结构的耐久性设计提供参考依据.     

基于改进小波包算法的风电功率短期预测

风电功率预测对于风电场制定电力调度计划和维修计划具有十分重要的意义,利用改进小波包处理混频信息的能力,将风电功率分解成多个频率的子序列;再利用遗传神经网络组合模型分别对各子序列进行预测,且利用改进小波包对各子序列预测结果进行了重构得到实际的预测值;最后以安徽省某地区风电场风功率数据为依据验证模型,由仿真结果分析可见组合算法取得了良好的预测效果。     

基于BP神经网络的发动机怠速模型

发动机怠速模型是发动机怠速控制的基础.发动机怠速工况具有非线性特性.利用BP人工神经网络建立了发动机怠速模型,并利用实际发动机系统测得的怠速转速数据作为神经网络学习样本数据.理论分析和仿真研究均表明了该方法的有效性.     

基于机器学习的石油多峰模型研究及应用

油田在实际开发过程中，受新区块投产、开发方案调整和"三采"措施等因素的影响，年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题，开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型，对多峰数据序列进行分段最小二乘拟合，在拟合误差函数中引入控制分段个数的罚分项，采用动态规划算法，自动求得最优分段的多峰预测模型，该模型运用在实际的油田产量数据上，预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法，在实际应用中具有建模简单、自适应性强的优点。     

基于二次Lasso回归的纵向驾驶员模型研究

为了更好地模拟实际驾驶员行为，提出基于二次回归和 Lasso回归方法的纵向驾 驶员回归模型. 通过采集纵向驾驶行为数据，提取可能影响驾驶行为的状态参数，进而建立二 次回归驾驶员模型；面向多参数回归模型中的多重共线问题，采用Lasso回归方法进行状态参 数筛选；结合筛选数据建立二次回归驾驶员模型. 为了验证模型的有效性，与PI驾驶员模型和 一次 Lasso回归驾驶员模型进行仿真对比 . 仿真结果表明，相较于其他两种模型，所建立的驾 驶员模型具备良好的工况跟随效果，同时能较好地反映实际驾驶行为特征.     

基于深度信念网络模型的多目标优化

为降低炼焦能耗,提高焦炭产量和质量,准确建立生产目标模型,提出基于深度信念网络模型的多目标优化研究方案。根据现场专家经验及生产现状确定能耗和产量为生产目标,对采集的炼焦数据进行处理和相关性分析,分别建立能耗和产量的深度信念网络模型及质量径向基神经网络模型,并且采用差分扰动的粒子群多目标优化算法进行集气管压力设定值优化,通过仿真研究验证了该方案的可行性。实验表明,该方案能准确地挖掘数据间的复杂特性,建立精准的目标模型,并得出最佳的集气管压力设定值,使炼焦能耗降低并且产量提高,可以为实际生产提供理论指导。     

基于PCA-Logistic模型边坡稳定性分析

提出一种基于PCA-Logistic模型算法,并对边坡的稳定性进行预测分析。先用PCA对样本数据进行处理,有效控制稳定性因素的计算数量。选出边坡重度、内聚力、内摩擦角、边坡角四个主成成分进行Logistic建模分析。得出其Logistic回归模型,并运用于边坡稳定性实例分析,与用Logistic回归模型确定权重的模糊综合法进行对比。研究结果表明：PCA-Logistic模型有效的处理样本数据,减少不必要的分析过程,计算得出的边坡稳定性状态与实际情况相符;并与Logistic回归模型确定权重的模糊综合法进行对比,验证其计算结果的准确性,高效性。该方法可在工程地质、采矿工程、经济等众多领域应用与推广。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

基于模糊神经网络的顾客啤酒口味仿真模型

应用模糊神经网络方法,建立对顾客啤酒口味和喜好程度评价的仿真模型,以MATLAB为开发环境,阐述建立、训练和仿真网络的方法,并用实际数据进行了网络训练和误差测试,证明该模型是切实可行的。     

斜面结构上冰载荷的模型试验与有限元分析

以冰模型试验数据为参照,对数学模型进行调整和验证．在非线性有限元的分析计算中,应用了接触单元,使数学模型更接近于实际工况,获得了与试验数据相近的计算结果,并由此证明了数学模型的正确性．通过数学模型计算,分析了作用于斜面结构物上冰荷载的组成成分,深入解释了冰与斜面结构物作用的机制．模型试验与数学分析相结合,为更深入地研究以数学方法确定冰荷载作出了有益的尝试．     

基于数据特征的加热炉钢温预报模型

针对加热炉工业过程具有复杂、非线性、时滞性的特点和钢坯出炉温度预报问题,提出了一种基于数据特征的改进主元回归(PCR)加热炉钢温预报模型的建立方法.首先通过对原始数据进行同步化处理来解决各数据变量间存在的时间滞后问题;然后提取生产过程中各批次钢坯的统计特征和熵特征,并依据一定顺序将这些特征排列组合,构造等长的数据特征向量;最后通过PCR方法建立过程变量的数据特征和钢坯出炉温度之间的回归预报模型.本文以某钢厂加热炉工业过程为背景进行实验仿真,采用实际生产数据求取建模参数,并对钢坯出炉温度预报进行了测试.实验的校验与误差分析表明,该方法在预测钢坯出炉温度方面具有更好的性能,且预测误差满足工业应用的精度要求.