基于小波包变换与深度学习的超短期光伏功率预测

针对光伏功率序列的复杂多变特征,提出一种基于小波包变换(WPT)的门控循环单元(GRU)光伏功率组合预测方法。首先通过相关性分析挑选重要气象因子,并利用WPT将原始光伏功率序列分解为一组子序列;然后,提出一种基于莱维飞行天牛须搜索算法(LFBAS)的相似日选择方法,以选择相似于预测日的历史日作为输入数据集;最后,建立一组基于GRU网络的深度学习光伏功率预测模型,将每个子序列预测结果叠加得到光伏功率最终预测结果。仿真结果表明,该文所提出的预测方法在预测精度和计算效率方面具有显著优势。

基于小波包变换和XGBoost的高压交流输电线路故障诊断

针对高压交流输电线路短路故障情况,将三相交流电流和电压信号进行小波包变换以提取故障特征,然后将提取到的特征输入XGBoost模型中进行故障诊断.结果表明,与传统故障检测方法相比,基于小波包变换和XGBoost的故障诊断方法不受故障类型影响,对10种高压交流输电线路故障的识别准确率高达99.6%,是一种准确、可靠的高压交流输电线路故障诊断方法.

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于小波包变换的10 kV配电网故障区段定位方法

在配电网线路结构复杂的情况下,故障区段定位误差大、准确性低,为此,提出了基于小波包变换的10 kV配电网故障区段定位方法。利用小波包变换提取10 kV配电网故障信号时频特征,通过比较故障路径各区段的改进小波包能谱相对熵,实现故障区段定位。结果表明,所提方法在6个故障区段定位误差最大不超过0.2%,可行性较高。

基于改进小波包变换的机械臂振动信号噪声自动去除研究

在机械臂的运动过程中,各部件之间的摩擦、碰撞以及结构上的共振效应产生了不同频率和幅度的振动,同时振动通过机械臂的结构传递到外部,进而形成噪声。为此,提出基于改进小波包变换的机械臂振动信号噪声自动去除研究。采集机械臂振动信号作为分析的基础数据,并利用小波包变换对机械臂振动信号进行分解,得到不同频率范围内的有用信号和噪声信号。在分解的基础上,结合机械臂振动信号的特点,基于改进小波包变换确定去噪阈值函数,结合数学形态学滤波技术,精确识别并自动去除振动信号中的噪声成分。结果表明,研究方法有效消除了机械臂振动信号中的噪声,能够得到机械臂中更纯净的信号,具有实际应用价值。

基于小波包变换的小型水电机组出力异常识别方法

基于小波包变换的小型水电机组出力异常识别方法,是一种用于监测和检测小型水电机组运行状况的技术。本文对收集小型水电机组的运行数据进行预处理;将预处理后的数据应用小波包变换,从小波包变换的结果中提取特征,将机组的实时数据输入模型,如果检测到异常,系统可以触发报警或采取预定的维护措施,以确保机组的正常运行。本文探索了几种对发电功率的功率数据序列异常识别方法,并以实际数据应用来验证这些方法的适用性。

基于小波包变换-残差网络的表面粗糙度预测

为了提高模型对表面粗糙度的预测精度,同时避免传统机器学习预测方法中由于特征提取和选择等步骤对先验理论知识的依赖,提出一种基于小波包变换(WPT)结合残差网络(ResNet)的表面粗糙度预测方法。该方法利用WPT将振动信号分解成不同频段的小波包系数,融合各频段小波包系数构成系数矩阵,以捕捉相邻频段之间的关系,将无心车床不同方位的系数矩阵进行叠加得到ResNet的输入,利用ResNet自适应提取表征表面粗糙度能力强的特征,实现表面粗糙度预测。通过与其他预测方法比较,所提方法预测结果与实际测得结果接近,精度有所提高,证明了所提方法的有效性。

基于小波包变换的柱塞泵脉动压力信号BP故障诊断

为了提高柱塞泵脉动压力信号的故障诊断诊断能力,分别提取得到正常的泵脉动压力与齿圈出现磨损故障时对应的泵脉动压力,利用小波包变换的方法消除原始信号的噪声信号,再提取得到由故障信息构成的频段,完成信号时域特征的分析。频段介于0~4 kHz之间时,在柱塞泵脉动压力信号中形成了泵轴频、基频与谐倍频等,含有泵运行过程的各项信息参数,处于高频区间时,发生了线谱幅值的持续减小。利用MATLAB软件建立BP网络故障诊断结果表明:脉动压力指标可以实现柱塞泵内部运行情况的准确识别,达到故障诊断的测试要求。方法在诊断方面是有效的,在处理柱塞泵脉动压力信号故障诊断领域具有很好的实际指导意义。

基于离散小波包变换与胶囊生成对抗网络的语音超分辨率算法

目前主流的语音超分辨率(Speech Super-Resolution,SSR)算法是使用卷积神经网络(Convolutional Neu-ral Networks,CNN)把低分辨率(Low-Resolution,LR)语音信号转换为高分辨率(High-Resolution,HR)的语音信号.但只使用普通的CNN所带来的效果通常比较平滑且缺少细节信息.生成对抗网络(Generative Adversarial Networks,GAN)的引入可以很好地解决这一问题.此外,胶囊网络(Capsule Networks,CapsNet)可以将空间信息编码为特征,这样与GAN结合可以更好地判断数据的真假.离散小波变换(Discrete Wavelet Transform,DWT)是一种正交多分辨分析的工具,它在信号处理方面有很出色的表现.小波变换的一个扩展是离散小波包变换(Discrete Wavelet Packet Transform,DWPT),它在某些应用中提供了更有效的信号分析.本文提出一种基于DWPT和胶囊生成对抗网络(CapsGAN)的SSR网络架构Wavelet-SRGAN.对比实验结果表明,本文所提的算法能以最少的参数实现与现有先进算法相当的性能.在算法上有几个核心步骤:(1)在生成器网络中加入DWPT层;(2)在鉴别器上加入胶囊网络;(3)训练时加入小波损失.

基于双树复小波包变换的钢丝绳断丝损伤信号特征信息提取研究

针对钢丝绳断丝损伤信号特征信息难以有效提取的问题,提出一种基于双树复小波包变换与奇异值分解相结合的时频域特征信息提取方法。首先将钢丝绳断丝损伤信号采用双树复小波包变换为等长的频带子信号,构造时频域空间状态矩阵,然后采用奇异值方法提取各频带子信号的奇异值,组成表征各类损伤状态的特征向量,得到钢丝绳断丝损伤信号的特征信息矩阵。采用距离可分离性判据与传统时域特征信息提取方法相比较,结果表明双数复小波包变换与奇异值分解相结合的特征信息提取方法具有更强的分类能力。

基于双树复小波包变换和形态学的减速机故障诊断

针对煤机设备减速机的振动信号特征难以提取的问题,提出了双树复小波包变换和形态学相结合的故障特征提取策略。首先利用双树复小波将减速机的振动信号分解成若干个不同频段的分量。然后根据减速机故障特征频率分布特征,选取相关的频段分量进行降噪重构。最后对重构后含有故障特征频率的分量进行形态滤波处理,进而提取出减速机的故障特征。利用现场实测数据进行验证,结果表明,该故障特征提取策略可以有效地提取出减速机的故障特征。

基于小波包变换和形态学滤波的小目标检测算法

为从红外图像中提取出微弱的小目标,提出一种小波包变换和顶帽运算相结合进行图像处理的小目标检测算法。首先利用小波包分解得到原图像不同子带的低频分量和水平、垂直、对角三个方向的高频分量,然后采用软阈值去噪方法滤除高频分量中的噪声并进行小波包重构;最后利用顶帽算法对背景进行处理并进行二值图像分割。算法充分利用小波包多尺度、多方向性特点,在大面积海空背景抑制、小目标增强方面进行了改进,在信噪较低的情况下,能够从不同背景的红外图像中有效检测小目标。

基于改进小波包变换的机械设备故障信号捕捉研究

为了避免机械设备出现非常规运行状态,其表现出的故障信号特征能够被准确提取,提出了基于改进小波包变换的机械设备故障信号捕捉的方法。通过定义小波包性质的方式,对机械设备故障信号实施分解处理,完成基于改进小波包变换故障特征的提取。在此基础上,计算机械设备的故障特征熵值结果,根据单值特征参数的实时数值水平,定义特征值捕获区间的范围,完成基于改进小波包变换的机械设备故障信号捕捉方法的设计与应用。实验结果表明,在改进小波包变换原理的作用下,既定机械设备元件在运行过程中表现出的奇异值水平明显降低,对故障信号特征的准确捕获与提取起到较强的促进性作用。

基于滤波器组和小波包变换的超高次谐波检测方法

随着分布式可再生能源占比的逐渐增加及电动汽车充电桩等设备的广泛应用,低压配电网中超高次谐波问题日益严重。由于超高次谐波具有高频率、宽频域的特点,进行超高次谐波检测时要处理的数据量大、检测速度慢,同时超高次谐波还具有时变性,传统以傅里叶变换为原理的检测方法难以对非平稳信号进行检测。针对上述问题,应用模拟滤波器组对信号进行下采样,降低采样频率,减少检测过程中要处理的数据量;应用小波包算法检测时变的超高次谐波分量。仿真计算结果表明,所提方法能够准确测量信号中的超高次谐波分量,计算速度较快,并可以对非平稳信号进行检测。

融合小波包变换的一维MobileNet癫痫脑电信号识别

针对目前传统神经网络内存需求大,运算量大,在移动端或嵌入式设备上运行困难等问题,提出了一种融合了小波包变换的轻量级卷积神经网络模型,用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性,首先采用小波包变换将脑电信号分成三个频段,然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α,通过改变宽度因子的大小以调整模型的深度。实验结果表明,当一维MobileNet模型的宽度因子α选取为0.75时,最终准确率达到100%,其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较,此模型在准确率、参数量、计算量方面均有不错的表现。

基于小波包变换的大坝变形监测方法

由于在大坝变形监测时采集到的数据中存在噪声,导致监测结果的误差相对较高,提出基于小波包变换的高精度大坝变形智能化监测方法研究。首先,利用变异系数构建的融合指标参数。其次,利用变异系数衡量各指标的差异程度。最后,通过小波变换的方式综合分析了大坝实际数据中的各项参数,实现对大坝变形情况的精准监测。在测试结果中,设计方法对大坝变形情况的监测结果与实际测量值的误差百分比始终稳定在0.5%以内。

基于小波包变换的架空输电线路雷击故障高精度定位方法

当前的输电线路雷击故障定位节点一般为目标性设定,定位区域不灵活,导致高精度定位误差增加,为此提出对基于小波包变换的架空输电线路雷击故障高精度定位方法的设计与验证分析。根据实际的定位需求及标准,先对暂态波形故障特征作出识别,采用分布式的节点设定结构,灵活设置定位区域,完成节点的部署。以此为基础,构建小波包变换雷击故障定位模型,采用小波正交标定实现雷击故障定位处理。最终的测试结果表明:与传统机器学习和雷电感应输电线雷击故障高精度定位测试组,及传统平滑阈值函数分布输电线雷击故障高精度定位测试组相比较,此次所设计的小波包变换输电线雷击故障高精度定位测试组最终得出的雷击故障高精度定位误差相对较小,被控制在0.4m以下,说明该种定位方式效果更佳,针对性强,定位误差可控制,具有实际的应用价值。

基于熵阈值的小波包变换抑制局部放电窄带干扰的研究

阐述了正交小波基框架下二进小波变换和小波包变换的频域分割基本思想,研究了窄带干扰存在时被测信号的小波包变换及其树节点的信息熵变化情况,并利用信号信息测度的熵作为判断局部放电在线监测中窄带干扰存在与否的标准,提出基于熵阈值的小波包分解和重构算法。研究结果表明,当窄带干扰存在时,被测信号的小波包变换树节点的信息熵明显增大,能够用作被测信号中存在窄带干扰的判据;仿真分析和实测数据处理表明,文中方法具有良好的自适应性,无需事先确定窄带干扰的数目及其中心频率,干扰抑制能力强,能准确提取局放脉冲的相位。

局部放电离散谱干扰的小波包变换熵阈值抑制法

将信号的小波包变换看做通过等带宽的滤波器组 ,输出是对应频带上的分量 ,如某一频带上存在离散谱干扰 ,其小波包变换树节点的信息熵将会明显增大。同时 ,提出基于小波包分解和重构算法的熵阈值法。结果表明 ,这种方法具有良好的自适应性 ,无须事先确定离散谱干扰的数目及其中心频率 ,干扰抑制能力强 ,能准确提取局部放电脉冲的相位 ,对于单一放电类型 ,可以标定放电量的大小。

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。