基于多模式分解和多分支输入的光伏功率超短期预测

针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为adAP算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果。实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度。

联合经验模式分解和混沌理论的稳态视觉诱发电位脑电识别

针对多目标稳态视觉诱发电位(SSVEP)信号识别准确率低、线性识别方法抑制噪声的同时也会抑制信号本身特征等问题,基于经验模式分解对信号的降噪特性、达芬混沌系统对微弱周期信号的敏感性及噪声的免疫特性,提出了一种非线性多目标SSVEP信号识别算法。首先,采用共平均参考算法将多通道SSVEP信号融合成单通道信号,通过傅里叶变换求得SSVEP信号的相位谱,为达芬混沌系统周期策动力添加相位;接着,采用经验模式分解降噪,将获得的第一个本征模函数输入到达芬混沌系统中,利用基于频谱差异的混沌系统状态判别方法,求解各目标的刺激频率幅值;最后,根据最大刺激频率幅值确定刺激目标,实现了对多目标SSVEP信号的识别。研究结果表明:相较于典型相关分析法,所提非线性信号处理方法的平均识别准确率提高了7.3%,平均信息传输速率提高了3.84bit/min。该研究为探究非线性SSVEP信号解码算法提供了新方向。

基于双模式分解多通道输入的VSC-STATCOM逆变器故障诊断模型

针对传统电压源型静止同步补偿器中逆变器故障诊断存在的信号特征提取不充分,深度学习网络识别能力不足以及高噪声情况下识别率较低等问题,提出了一种基于双模式分解、多通道输入(MCI)、并行卷积神经网络(PCNN)、双向长短时记忆(BiLSTM)网络和自注意力(SA)机制组合的逆变器故障诊断方法。首先利用变分模态分解和时变滤波经验模态分解对逆变器输出的三相电流进行分解,降低原始信号复杂程度,实现不同模态分量间的规律互补;其次,利用MCI-PCNN-BiLSTM-SA组合模型对特征矩阵进行深层特征提取、学习和识别;最后,通过仿真进行验证,结果表明所提方法特征提取能力较强,在无噪声情况下平均识别率高达99.48%,在高噪声情况下平均识别率达95.59%。

基于动态模式分解的时间序列的因果关系分析

本文基于动态模式分解(DMD)分析四种气候时间序列(地表温度,海面温度,太阳黑子和碳排放)的模式之间的因果关系。通过延迟坐标的形式把每条单变量时间序列嵌入至多维,DMD捕捉了气候时间序列中不同的演化特征,对这些特征进行不同数量的截断,提取出不同快慢层面的模式。转移熵(TE)得出了模式之间的因果关系,我们观察到因果关系在各种模式间的分布。总体上看,由最大特征值提取的主导模式具有较大周期或长期趋势,它作为很强的驱动因素,与自身内部的快模式,以及其他气候对象的模式之间有着很强的关联。太阳黑子的长期趋势对海面温度的各种周期和长期趋势有很大贡献,影响程度大于地表温度。碳排放主要影响气温极慢的模式即超长期趋势,气温反过来对碳排放的影响偏弱。四个气候对象构建的因果框架显示,因果信息的传递基本平衡,海面温度比地表温度吸收了更多的信息。这些方法的联合使用可以成为从复杂系统中提取各种模式,分析内蕴性质和探索因果关系的灵活工具。

基于变模式分解方法的电梯机房噪声分析实验研究

本文针对电梯噪声来源识别困难,提出了运用变模式分解方法,找出产生噪声的主要运动部件的方法。在文中实验分析部分,主要针对电梯的旋转运动部件如曳引轮、反绳轮、限速器运动频率的不同,将信号采集卡收集的噪声信号进行变模式分解,把复杂的噪声信号分解为多个单一的噪声分信号,再将分信号进行频域分析,最后将分量信号频域图谱与实验所用电梯的运动部件的相关转动频率进行比对,找出频率相近且振幅较大的噪声分信号,那么此幅值大的信号即是噪声的主要来源,从而指导电梯维修人员准确地找到电梯噪声的主要来源部件。

基于特征模式分解的水声目标特征提取方法

针对复杂水声环境下的水声目标分类与辨识难题,本文提出了一种水声目标微弱特征提取方法。该方法以特征模式分解为基础,使用相关峭度作为优化目标优选分解参数,实现原始水声信号的最优分解;并根据子信号的相似性进行模式融合以增强特征表达,最终实现复杂水声环境下的水声目标准确识别。海上试验表明:基于该方法的水声目标识别准确率达到90.1%,相较于传统方法平均提升12.5%。

基于子空间动态模式分解的电力系统机电振荡模态提取方法研究

本文研究了基于子空间动态模式分解(SDMD)算法在电力系统机电振荡模态提取中的应用。本文对机电振荡进行了定义,分析了机电振荡在电力系统中的表现形式和重要意义。介绍了动态模态分解算法及其演化形式 SDMD及其特征参数识别的理论基础。详细讨论了SDMD方法在机电振荡分析中的应用,尤其是用 SDMD来提取主导振荡模态,并对其模态能量进行分析。通过算例分析验证了SDMD算法在提取电力系统动态特征中的有效性和准确性,为电力系统稳定性评估与控制策略优化提供了理论支持和实际指导。

变分模式分解方法研究与应用综述

自适应信号分解领域一个十分活跃的分支——变分模式分解(VMD)已经成为信号处理与检测技术学界一个热门的研究方向。VMD对非平稳、非线性信号具有良好的处理效果。针对VMD模型及其参数选择,发展了许多拓展模型及参数优化方法。本文回顾近十年来VMD的研究进展,对相关的文献进行总结与分析。首先,分析VMD的原理性优势及其在各个领域的应用潜力;其次,根据模型对不同信号类型的匹配能力,分类总结VMD拓展模型的不同特性和适用场景;然后,归纳VMD及其拓展模型参数优化方法的研究现状,探讨与分析不同模型参数优化方法的特点和最新研究趋势;最后,对VMD的未来发展提出6点展望,为后续的研究指明方向。

基于积分均值模式分解和固有模态函数样本熵的阵发性房颤识别

针对阵发性房颤(PAF)发作持续时间较短难以捕捉,且现有识别算法抗噪性能较差易导致误检、漏检等问题,本研究提出一种基于积分均值模式分解(IMMD)和固有模态函数样本熵(IMFSE)的PAF识别方法。首先,对时长为20 min的心率变异性(HRV)信号片段进行IMMD分解得到一系列固有模态函数(IMF)分量,并计算IMFSE;然后,通过对IMFSE结果进行统计分析选取PAF识别的特征量;最后,利用支持向量机与交叉验证完成PAF识别。从PAF Prediction Challenge Database(AFPDB)数据库提供的正常受试者、PAF发作与远离PAF发作受试者心电信号中,分别获取25段时长为20 min的HRV信号片段,构成正常组、PAF发作组与PAF未发作组。通过对这75段HRV信号片段的实验发现:利用本方法进行PAF识别,识别准确率、敏感性、特异性分别可达到94%、96%、92%。所提出的PAF识别算法为进一步地快速准确自动检测PAF提供了参考,在可穿戴设备的长期自动检测识别PAF方面具有较大的应用前景。

基于广义变分模式分解的滚动轴承故障微弱特征提取

针对变分模式分解(Variational Mode Decomposition,VMD)算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解(Generalized Variational Mode Decomposition,GVMD)算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解。仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性。

自适应动模式分解和GA-SVM在行星轴承故障分类中的应用

行星齿轮箱在运行过程中由于齿轮间的相互作用会产生强噪声,导致行星轴承的故障特征被完全淹没在背景噪声中并难以提取,从而使得行星轴承故障分类的准确率较低.本文提出一种自适应动模式分解(ADMD)和遗传算法优化支持向量机(GA-SVM)的行星轴承故障分类方法.首先,针对传统动模式分解(DMD)中截断秩无法准确选取的问题,定义了一种新的适应度函数,并采用改进的蚱蜢优化算法(IGOA)自适应选取最优截断秩,进而实现对原始振动信号的降噪处理.然后对处理后的信号计算其归一化后的复合精细多尺度离散熵(IRCMDE)并构成特征矩阵.最后采用遗传算法优化支持向量机,构建GA-SVM分类模型,并将其应用到行星轴承故障诊断中.利用行星齿轮箱中行星轴承故障数据验证了此方法的有效性和实用性,最终分类结果为96.43%,表明了该方法可以准确识别出行星轴承的故障类型.

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。

基于向量自回归和动态模式分解的城市轨道交通短时OD预测

针对城市轨道交通OD客流量短时预测问题,提出基于向量自回归(Vector Auto Regression,VAR)和动态模式分解(Dynamic Mode Decomposition,DMD)的VAR-DMD组合预测模型.首先,以北京市范围内的地铁站点为例,基于自动售检票系统数据(Auto Fare Collection,AFC),对地铁OD客流进行时空特征分析;其次,构建高阶加权向量自回归模型捕获OD客流数据的时空关联性,利用动态模式分解算法估算模型的参数,提取OD客流数据动态特征,实现数据的降维和降噪,利用实时更新算法更新模型的参数,实现长期连续预测;最后,以北京地铁AFC数据为算例,对模型进行验证.研究结果表明:相较于基准模型,VAR-DMD模型的运行时间减少96.67%,预测误差减少2.6%,具有较高的预测速度和预测精度,为城市轨道交通运营管理部门提供了可靠又及时的决策依据.

基于变分模式分解和向量自回归模型的波浪发电系统输出功率预测

为准确预测直驱式波浪发电系统的输出功率,提出基于变分模式分解和向量自回归模型预测方案。通过分析原始时间序列的相关性选择预测特征时间,应用变分模式分解方法将所选特征时间序列分解为不同子序列,经过单位根检验及差分运算,建立每个子序列的向量自回归模型,求和重构子序列模型预测结果获得所选特征的预测初值。建立了直驱式波浪发电系统的波能转换模型,仿真结果表明:所提方案模型具备合理性与可行性,模型预测结果稳定,预测精度高,预测趋势准确。

基于动态模式分解的精馏吸收状态变量非设计条件下的重构与预测

精馏和吸收作为典型的非线性过程,其操作过程中存在大量描述系统特征的状态变量。为了对这些状态变量进行重构和预测,实现精馏吸收过程的实时数字孪生,通过动态模式分解算法(DMD)获取非线性系统的近似线性化模型,用于快速获取精馏吸收过程中各级浓度、流量、温度和持料量等状态变量。在此基础上,应用Kalman滤波器对DMD生成的线性模型进行实时校正,使得在非设计和有限测量条件下,也可以有效地预测吸收或精馏的状态变量,而无须重新训练模型。

基于变分非线性调频模式分解的直驱式波浪发电系统控制

海浪的非平稳特性会影响直驱式波浪发电系统能量捕获,为此提出基于脊线检测与变分非线性调频模式分解的控制方案。采用短时傅里叶变换方法分析波浪激励力,结合脊线检测设定初始频率;应用变分非线性调频模式分解法分离波浪激励力,获得若干模式分量并提取其瞬时频率;通过计算各模式分量的能量含量确定主导分量,根据其瞬时频率动态调整动力输出装置阻尼,搭建直驱式波浪发电系统模型。仿真结果表明,所提方案能量吸收性能好、输出平均功率高,可有效改善直驱式波浪发电装置性能。

基于经验模式分解的通信信号异常漂移检测

由于混合数字通信信号包含多个信道,且每个信道的特征不同,数据量相对较大,受到多种干扰的影响,信噪比较低,导致其异常漂移检测精度低。为此,提出多信道混合数字通信信号异常漂移检测方法。采用多线性主成分分析方法对通信信号展开降维处理;利用经验模式分解方法对降维后的通信信号分解,通过IMF能量确定异常漂移分量所处位置,实现通信信号异常漂移检测;建立RBF神经网络非线性滤波器,将信号漂移分量输入滤波器中,完成多信道混合数字通信信号的漂移校正。仿真结果表明,所提方法的信号降维效果好,信号异常漂移检测平均绝对误差较低,数字通信信号异常漂移校正质量高。

基于动态模式分解的新能源场站频率特性估计

为检验新能源场站参与电网调频控制的实际效果,提出一种基于动态模式分解的新能源场站虚拟惯量与有功-频率下垂系数估计方法。首先,分析了新能源机组有功-频率表达式的重构原理,揭示了场站虚拟惯量和有功-频率下垂系数同系统状态特征之间的解析关系;在此基础上,构建了基于动态模式分解算法的新能源场站频率特性估计模型,利用提取出的系统特征重构了场站的有功出力和频率变化,将非线性微分方程转变为线性方程组进行求解,简化了场站虚拟惯量和有功-频率下垂系数的估计难度。最后,在PSCAD/EMTDC中搭建新能源场站接入IEEE 9节点系统和IEEE 68节点系统,验证了所提方法的有效性和准确性。

基于经验模式分解和多项式拟合的静止卫星变轨预测

为了实现对具有摄动的静止卫星进行实时自动化变轨预测,基于互联网两行星历数据转换得到的经度等轨道参数,利用经验模式分解方法的尺度滤波特性去除静止卫星轨道保持等造成的精度信号小幅波动,在特定尺度上对残差分量进行多项式预测,通过将预测误差与参考噪声阈值进行比对,实时判断卫星是否变轨。实验结果表明,该算法能够对静止轨道卫星的变轨情况进行实时预测,为实现变轨自动预测指明了方向。

基于总体经验模式分解的地震信号随机噪声消除

地震资料去噪是地震数据处理非常重要的步骤,现代地震勘探对地震资料信噪比的要求越来越高.总体经验模式分解(ensemble empirical mode decomposition,简写为EEMD)是一种新的时域信号处理方法 ,它是对经验模式分解(empirical mode decomposition,简写为EMD)的一种改进.EEMD将目标信号经验地分解为几个被称为本征模态函数(intrinsic mode function,简写为IMF)的子信号,它是一个自适应的带通滤波器组.本文介绍了EMD和EEMD分解的基本原理,提出了一种基于EEMD分解的地震信号随机噪声消除的方法 .本文利用含噪信号EEMD分解后其有效信号和随机噪声在IMF中差异分布的特点,给出一种地震信号随机噪声消除的新方法 .