黄鹤鸣
- 作品数:6 被引量:74H指数:5
- 供职机构:武汉大学电气工程学院更多>>
- 发文基金:国家重点基础研究发展计划更多>>
- 相关领域:电气工程更多>>
- 基于小波特征提取和筛选的爬坡事件分类被引量:5
- 2016年
- 为了便于对不同爬坡事件采取有针对性的控制调度策略,该文提出采用小波变换挖掘爬坡事件内部特征,并筛选出有效的能量特征用于指导爬坡分类。首先分析小波变换的原理和多分辨率特性,给出小波能量特征的提取方法。其次,结合类内稳定和类间差异的目标,以离散度矩阵为参考,使用判别分析法筛选出有效特征。最后文中以美国BPA区域2013年的风电数据为实例,按照风过程的类别生成3类爬坡样本,并根据文中所提方法训练得到爬坡分类器,然后对实例数据进行爬坡分类和验证。结果表明,小波能量特征对于区分不同类别爬坡事件具有可行性,同时筛选的小波特征对于进一步改善爬坡分类的性能具有重要意义。
- 欧阳庭辉查晓明秦亮熊一夏添黄鹤鸣
- 关键词:小波变换
- 含核函数切换的风电功率短期预测新方法被引量:17
- 2016年
- 为了降低大规模风电接入对电网造成的潜在威胁,提出基于核函数切换机制的混沌时间序列预测新方法,以进一步提高短期风电功率预测性能。首先,结合互信息法和虚假邻近点法实现原始风电功率序列的相空间重构,通过递归图和最大Lyapunov指数验证了风电功率是来自含确定性和随机性的混沌系统,说明了混沌预测方法的可行性。其次,给出了使用核函数进行混沌时间序列预测的实现方法,结合训练样本分析了该方法优于传统预测方法,并结合训练结果提出了使用支持向量机(SVM)训练最优核函数的切换机制,进一步提高了预测精度。最后,以美国BPA数据为实例,通过预测误差指标的对比分析,说明了含切换机制的核函数预测法可有效地实现风电功率短期预测,同时也证明了该方法可较好地提高风电预测性能。
- 欧阳庭辉查晓明秦亮熊一夏添黄鹤鸣
- 关键词:风电核函数切换机制混沌时间序列风电功率预测
- 基于相似性修正的风电功率爬坡事件预测方法被引量:19
- 2017年
- 为了满足爬坡预测所需的长期高精度风电功率预测要求,提出基于相似性修正的风电功率爬坡预测方法。该方法首先根据Granger因果检测法提取数值天气预报(numerical weather prediction,NWP)中对风电功率预测有效的气象变量,保证基于气象变量和统计模型的混合预测模型的可实现性,并以支持向量回归模型作为基本预测模型。其次,结合历史数据分析气象背景相似性与爬坡事件相似性,给出相似爬坡事件的选取机制。考虑到较高精度的风电功率预测可提高爬坡预测的性能,为此,结合相似爬坡的功率变化修正风电功率的预测结果,并由误差指标分析验证修正模型的优越性。最后,对实际算例进行仿真分析,验证基于相似性修正的风电功率预测模型的可行性。
- 欧阳庭辉查晓明秦亮熊一黄鹤鸣
- 关键词:支持向量回归机
- 基于气象背景选取邻近点的风电功率爬坡事件预测方法被引量:13
- 2015年
- 考虑到风电功率爬坡事件在大规模、高集中度的风电发展模型下危害较大,为降低爬坡危害,维护电网的正常运行,提出了基于气象背景选取邻近点的爬坡事件多变量预测方法。首先,为提高风电功率预测的可靠性,充分考虑多气象因子的影响,通过对气象数据进行相空间重构建立了含多变量的基本预测模型。其次,考虑爬坡事件与气象背景间的联系,基于相关性分析确定不同气象背景下邻近点的选取准则。结合支持向量机分类模型,通过训练给出过去不同气象条件对应的邻近点选取机制,并指导选取预测所需的邻近点。最后,结合风电功率预测结果和爬坡事件检测方法,对实例数据进行爬坡仿真和预测,验证所提方法的有效性和可行性。
- 欧阳庭辉查晓明秦亮熊一夏添黄鹤鸣
- 关键词:支持向量机
- 中长期风电功率的多气象变量模型组合预测方法被引量:17
- 2016年
- 为了预防和控制危害性风电功率事件,提出多气象变量模型的组合预测方法,以实现中长期高精度风电功率预测。该方法利用数值天气预报提供的气象数据预测长期风电趋势,同时局部采用多变量模型改善预测精度。为了保证多变量模型的有效性,首先采用Granger因果检测法筛选出对风电功率预测有效的气象变量。其次,针对不同气象变量进行数据结构分析,并根据其动力学特性单独建立合适的预测模型,然后采用线性或非线性机制对不同气象变量预测结果进行组合,完成组合预测模型的建立。最后,通过对实例数据仿真,实现了中长期风电功率预测,并结合误差分析验证了组合预测模型的有效性,且预测结果为后续中长期风电功率事件分析提供了基础。
- 欧阳庭辉查晓明秦亮熊一黄鹤鸣
- 关键词:风电功率预测
- 基于ELM与DBSCAN的微电网不良数据检测方法被引量:10
- 2018年
- 不良数据检测可以为微电网运行决策提供可靠的数据依据。由于微电网运行模式切换频繁且系统解析模型难以建立,传统基于状态估计的不良数据检测方法尚未得以应用。文章利用极限学习机(ELM)对微电网历史数据进行学习以提取数据特征;进而利用DBSCAN聚类算法分析特征量以识别不良数据,提出了一种基于ELM和DBSCAN的微电网不良数据检测方法。利用一台四端环形直流微电网样机的历史运行数据构建仿真算例,验证了所提方法的有效性;并与多种常用的数据挖掘算法进行对比,结果表明ELM+DBSCAN在算法性能与检测效果上均具有优越性。
- 熊晓琪黄鹤鸣郝亮亮刘飞查晓明
- 关键词:不良数据检测微电网极限学习机DBSCAN数据挖掘