亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種基于混合EEMD技術(shù)的風(fēng)電機(jī)組故障預(yù)警方法

        2017-08-24 21:09:25杜冠洲胡從川平留生
        科技創(chuàng)新導(dǎo)報(bào) 2017年15期
        關(guān)鍵詞:智能電網(wǎng)云計(jì)算

        杜冠洲+++胡從川++平留生

        摘 要:故障預(yù)警問(wèn)題是信息網(wǎng)絡(luò)環(huán)境下保障電力風(fēng)電機(jī)組安全運(yùn)行的關(guān)鍵。針對(duì)風(fēng)電機(jī)組的參數(shù)信息和運(yùn)行信息的數(shù)據(jù)特征,提出了一種基于混合EEMD技術(shù)的多步時(shí)間序列預(yù)測(cè)模型。該模型在云計(jì)算中利用了集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD技術(shù)結(jié)合極限學(xué)習(xí)機(jī)ELM算法,克服了算法中存在異或的問(wèn)題。通過(guò)該模型,實(shí)現(xiàn)了對(duì)訪問(wèn)風(fēng)電機(jī)組運(yùn)行信息多步預(yù)測(cè),結(jié)合安全范圍包絡(luò)線,進(jìn)而提前發(fā)現(xiàn)是否有故障。驗(yàn)證結(jié)果表明,EEMD-ELM模型比傳統(tǒng)時(shí)間序列預(yù)測(cè)方法的準(zhǔn)度與精度得到了極大提高,泛化能力增強(qiáng),說(shuō)明了該方法的有效性、可行性。

        關(guān)鍵詞:電力信息化 風(fēng)力機(jī)組 云計(jì)算 智能電網(wǎng) 時(shí)間預(yù)測(cè)

        中圖分類(lèi)號(hào):TM315 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-098X(2017)05(c)-0083-03

        電力系統(tǒng)作為經(jīng)濟(jì)發(fā)展和人類(lèi)生活依賴(lài)的能量供給系統(tǒng),也具有大數(shù)據(jù)的典型特征[1]。風(fēng)電產(chǎn)業(yè)已經(jīng)成為我國(guó)電力產(chǎn)業(yè)的重要組成部分。我國(guó)累積安裝風(fēng)電機(jī)組92981臺(tái),累積裝機(jī)容量145 362 MW,隨著風(fēng)電機(jī)組裝機(jī)容量越來(lái)越大,系統(tǒng)越來(lái)越復(fù)雜,設(shè)備故障率也隨之提高,導(dǎo)致風(fēng)電機(jī)組的運(yùn)行、維護(hù)成本增加。

        目前,風(fēng)電機(jī)組的運(yùn)行、維護(hù)主要借鑒火電機(jī)組的保障策略,采用定期維護(hù)和事后維護(hù)的方式。但是,由于風(fēng)電機(jī)組和火電機(jī)組在結(jié)構(gòu)、運(yùn)行環(huán)境和運(yùn)行方式之間的差異,從而導(dǎo)致風(fēng)電機(jī)組運(yùn)維無(wú)法準(zhǔn)確、有效地監(jiān)控設(shè)備的運(yùn)行狀況,容易出現(xiàn)各種設(shè)備故障。

        隨著國(guó)網(wǎng)信息化的不斷建設(shè),風(fēng)力發(fā)電機(jī)組產(chǎn)生了海量存儲(chǔ)的運(yùn)行信息和機(jī)組參數(shù)數(shù)據(jù)。如何充分利用和分析這些數(shù)據(jù),采用云計(jì)算的手段,快速實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組的故障預(yù)警是急需突破的難點(diǎn)。該文通過(guò)基于混合EEMD-ELM算法的云計(jì)算技術(shù),對(duì)機(jī)組參數(shù)和運(yùn)行數(shù)據(jù)進(jìn)行預(yù)測(cè),從而實(shí)現(xiàn)風(fēng)電設(shè)備的故障預(yù)警,為風(fēng)電機(jī)組安全可靠性提供科學(xué)的參考依據(jù)。

        1 EEMD-ELM時(shí)間序列預(yù)測(cè)方法

        該節(jié)使用EEMD的混合建模技術(shù)策略,針對(duì)風(fēng)電機(jī)組的運(yùn)行時(shí)間信息序列。采用EEMD混合模型技術(shù)進(jìn)行不同特征尺度的分解,使用EEMD-ELM混合模型進(jìn)行時(shí)間序列預(yù)測(cè)。

        1.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

        經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)[2]是Hilbert-Huang變換(HHT)的核心算法,是一種實(shí)現(xiàn)數(shù)據(jù)局部特征自適應(yīng)的分解技術(shù)。EMD通過(guò)對(duì)繁雜的參數(shù)信息和風(fēng)電機(jī)組運(yùn)行信息進(jìn)行平穩(wěn)化預(yù)處理,進(jìn)而將復(fù)雜的運(yùn)行信息分解成一組性能較好、特征尺度差異較大的本征模函數(shù)(Intrinsic Mode Function,IMF)。

        (1)確定運(yùn)行信息記錄序列P(t)的所有極大值和極小值點(diǎn),用核密度函數(shù)擬合成上下包絡(luò)線,序列P(t)與上下包絡(luò)線的平均值m1的差記為h1。

        (2)把h1視為新序列,重復(fù)以上過(guò)程,直到h1滿足IMF的上述兩個(gè)條件,則其成為從原始序列篩選出的第一個(gè)IMF分量c1,代表原始序列最高頻的分量。其他剩余量可以表示為r1=P(t)-c1。

        (3)對(duì)r1繼續(xù)上述分解,直到第n階段的殘余序列為單調(diào)函數(shù)或其值小于預(yù)先給定的值,分解結(jié)束。

        運(yùn)行信息序列可以寫(xiě)為[3]:P

        式中,n為本征模函數(shù)的個(gè)數(shù),為網(wǎng)絡(luò)入侵操作記錄序列P(t)的主要趨勢(shì)項(xiàng)。

        由于在EMD分解過(guò)程中存在一個(gè)IMF分量包含了尺度差異較大的信號(hào),針對(duì)這個(gè)問(wèn)題采用了集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)[4],通過(guò)在機(jī)組運(yùn)行信息序列中加入一系列低信噪比的白噪聲,再進(jìn)行上述的經(jīng)驗(yàn)?zāi)B(tài)分解,經(jīng)過(guò)迭代計(jì)算,最終進(jìn)行集合平均使得加入的白噪聲相互抵消,實(shí)現(xiàn)克服模式混合的問(wèn)題。

        1.2 極限學(xué)習(xí)機(jī)算法原理

        該文研究采用的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)(Extreme Learning Machine,ELM)[5]。假定輸入層有個(gè)輸入變量,隱含層有一個(gè)神經(jīng)元,輸出層有個(gè)輸出變量。假定個(gè)樣本其訓(xùn)練集輸入矩陣與輸出矩陣分別為:

        設(shè)輸入層同隱含層之間連接權(quán)值以及隱含層和輸出層間連接權(quán)值β為:

        ,

        其中為輸入層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元間的連接權(quán)值,βjk為隱含層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元間的連接權(quán)值。

        設(shè)隱含層神經(jīng)元的閾值為,隱含層神經(jīng)元的激活函數(shù)為,該文隱含層激活函數(shù)?。?/p>

        那么極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)輸出為:

        ,

        整體算法的架構(gòu)流程圖如圖1所示。

        2 實(shí)例分析

        該文為了驗(yàn)證時(shí)間預(yù)測(cè)算法模型性能,使用EEMD-ELM對(duì)風(fēng)電機(jī)組故障預(yù)警。電力公司耗費(fèi)3個(gè)月時(shí)間從信息系統(tǒng)數(shù)據(jù)庫(kù)中獲取到20臺(tái)分布式服務(wù)器運(yùn)行參數(shù)數(shù)據(jù)。詳細(xì)過(guò)程如下。

        (1)通過(guò)實(shí)時(shí)機(jī)組參數(shù)記錄儀獲得運(yùn)行參數(shù):彎矩扭矩載荷數(shù)據(jù)作為原始數(shù)據(jù),并進(jìn)行標(biāo)準(zhǔn)化處理。

        (2)將安全運(yùn)行的數(shù)據(jù)進(jìn)行核密度估計(jì)得到正常運(yùn)行的安全閾值范圍。

        (3)采用交叉驗(yàn)證法,將載荷數(shù)據(jù)等分為五組數(shù)據(jù),前四組作為訓(xùn)練集,最后一組作為驗(yàn)證集,用訓(xùn)練集來(lái)訓(xùn)練算法模型網(wǎng)絡(luò)。

        (4)將驗(yàn)證集數(shù)據(jù)代入該文建立的EEMD-ELM模型,進(jìn)行時(shí)間序列預(yù)測(cè)。把實(shí)際的結(jié)果與預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比。全局流程如圖2所示。

        采用均方根誤差RMSE[6]作為模型評(píng)價(jià)性能指標(biāo),對(duì)風(fēng)電機(jī)組的彎矩、扭矩載荷信息進(jìn)行預(yù)測(cè),并同時(shí)和ARIMA算法進(jìn)行對(duì)比。如圖3、圖4所示。

        從圖3和圖4中可以明顯看出該文提出的基于云計(jì)算的EEMD-ELM算法模型在時(shí)間序列預(yù)測(cè)相比傳統(tǒng)的時(shí)間預(yù)測(cè)ARIMA算法模型誤差較小、精度更高。

        3 結(jié)論

        該文提出了結(jié)合云計(jì)算技術(shù)的EEMD-ELM算法模型,使用風(fēng)電機(jī)組信息根據(jù)其運(yùn)行載荷數(shù)據(jù)進(jìn)行時(shí)間序列預(yù)測(cè)。此方法僅憑借對(duì)歷史海量的安全運(yùn)行風(fēng)電機(jī)組載荷數(shù)據(jù),即可得到風(fēng)電機(jī)組運(yùn)行的安全范圍包絡(luò)線,再根據(jù)風(fēng)電機(jī)組實(shí)時(shí)運(yùn)行載荷數(shù)據(jù)進(jìn)行下一步時(shí)間預(yù)測(cè),一旦超出安全范圍,則進(jìn)行故障預(yù)警。根據(jù)該文分析可以得到以下結(jié)論。

        (1)創(chuàng)新性的運(yùn)用EEMD技術(shù),對(duì)復(fù)雜多樣的運(yùn)行載荷時(shí)間序列數(shù)據(jù)進(jìn)行分解,然后運(yùn)用ELM對(duì)分解得到的子時(shí)間序列進(jìn)實(shí)現(xiàn)分布式預(yù)測(cè),從而實(shí)現(xiàn)對(duì)復(fù)雜多樣的時(shí)間序列預(yù)測(cè)。

        (2)預(yù)測(cè)的載荷數(shù)據(jù)能夠有效地提前發(fā)現(xiàn)風(fēng)電機(jī)組下一步的運(yùn)行情況,根據(jù)下一步載荷數(shù)據(jù),一旦超過(guò)安全范圍就會(huì)及時(shí)發(fā)送故障預(yù)警信息。根據(jù)驗(yàn)證結(jié)果表明實(shí)現(xiàn)多步預(yù)測(cè)的誤差控制在4.3%以內(nèi),滿足工程精度要求。

        參考文獻(xiàn)

        [1] 張東霞,苗新,劉麗萍,等.智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(1):2-12.

        [2] 王立國(guó),宛宇美,路婷婷,等.結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解和Gabor濾波的高光譜圖像分類(lèi)[J].哈爾濱工程大學(xué)學(xué)報(bào):英文版,2016,37(2):284-290.

        [3] 孫文文,劉純,何國(guó)慶,等.基于長(zhǎng)時(shí)間序列仿真的分布式新能源發(fā)電優(yōu)化規(guī)劃[J].電網(wǎng)技術(shù),2015,39(2):457-463.

        [4] Zhang Y,Xie Z.Ensemble empirical mode decomposition of impact-echo data for testing concrete structures[J].Ndt & E International,2012, 51(10):74-84.

        [5] Iosifidis A,Tefas A,Pitas I.Graph Embedded Extreme Learning Machine[J].IEEE Transactions on Cybernetics,2015,46(1):311-324.

        [6] Li Y,Ryu D,Western A W,et al.An integrated error parameter estimation and lag-aware data assimilation scheme for real-time flood forecasting[J]. Journal of Hydrology,2014(519):2722-2736.

        猜你喜歡
        智能電網(wǎng)云計(jì)算
        智能電網(wǎng)信息與通信技術(shù)研究
        高可靠的電網(wǎng)虛擬化云資源調(diào)度技術(shù)
        智能電網(wǎng)下電力網(wǎng)絡(luò)營(yíng)銷(xiāo)模式
        志愿服務(wù)與“互聯(lián)網(wǎng)+”結(jié)合模式探究
        云計(jì)算與虛擬化
        基于云計(jì)算的移動(dòng)學(xué)習(xí)平臺(tái)的設(shè)計(jì)
        智能電網(wǎng)中光纖通信系統(tǒng)的可靠性分析
        智能電網(wǎng)現(xiàn)狀與發(fā)展分析
        實(shí)驗(yàn)云:理論教學(xué)與實(shí)驗(yàn)教學(xué)深度融合的助推器
        云計(jì)算中的存儲(chǔ)虛擬化技術(shù)應(yīng)用
        科技視界(2016年20期)2016-09-29 13:34:06
        国产一区二区在线观看视频免费| 国精品无码一区二区三区在线| 亚洲妇女水蜜桃av网网站| av无码特黄一级| 久久精品国产亚洲综合av| 疯狂做受xxxx国产| 无码人妻品一区二区三区精99| 亚洲成人av一区二区三区| 亚洲精品国产成人久久av盗摄| 国产精品无码一区二区三级| 中文字幕亚洲欧美日韩2019| 久久狠色噜噜狠狠狠狠97| 中文字幕精品久久一区二区三区| 最新欧美精品一区二区三区| 成人妇女免费播放久久久| 国产在线欧美日韩一区二区| 人妻丰满熟妇一二三区| 人妻中文字幕在线网站| 中文字幕一区二区三区精华液| 456亚洲人成在线播放网站| 日日噜噜噜夜夜狠狠久久蜜桃 | 国产精品美女久久久免费| 青青草原精品99久久精品66| 日韩啪啪精品一区二区亚洲av| 久久精品视频日本免费| 日本丰满熟妇videossexhd | 东北老女人高潮大喊舒服死了| 波多野结衣国产一区二区三区| 国产乱老熟视频乱老熟女1| 丰满少妇按摩被扣逼高潮| 久久久久久好爽爽久久| 在线观看国产精品91| 亚洲成人av一区免费看| 国产精品a免费一区久久电影| 宅男噜噜噜| 玩弄丝袜美腿超短裙校花| 亚洲gay片在线gv网站| 超碰97人人做人人爱少妇| 亚洲精品一区二区三区播放| 91色老久久偷偷精品蜜臀懂色| 无码av无码天堂资源网|