基于参数优化变分模态分解的信号降噪方法

针对心电信号中肌电干扰噪声难以去除的问题,提出一种基于参数优化变分模态分解(VMD)的信号降噪方法。通过设计动态边界策略和反向种群生成方式,对白鲸优化(BWO)算法进行改进;采用改进白鲸优化算法对VMD参数自适应寻优,确定分解层数K与惩罚因子α;对含噪心电信号进行分解,得到k个本征模态函数(IMF)分量,同时采用相关系数法进行有效模态和含噪模态识别;对噪声主导的模态分量采用小波阈值降噪,并重构信号主导模态与降噪后模态。对仿真信号与含真实肌电干扰的心电信号进行降噪处理,实验结果表明,所提方法去噪效果优于小波阈值去噪法、EMD法、EMD-小波阈值去噪法,真实含噪的心电信号经该方法去噪后自相关系数可达0.91以上。

基于射流瞬态流速变分模态分解法的纬纱波动幅度预测

为降低柔性纬纱在引纬过程中因辅助喷嘴高速气流曳力而产生过大形变,使用基于分解层数优化的变分模态分解(VMD)方法,获得辅助喷嘴射流瞬时速度信号的本征模态分量(IMF),利用IMF预测柔性纬纱运动形变,降低断纬率。首先采用大涡模拟(LES)方法数值模拟了圆锥形、圆弧形及圆柱形入口辅助喷嘴射流的瞬态流场分布,监测了辅助喷嘴射流在势核与势尾区域瞬态速度信号;继而,通过VMD方法,得到监测点速度的本征模态分量,讨论了各本征模态信号波动的方差,最后通过双向流固耦合法得到纬纱的径向偏移来验证预测的准确性。结果发现:3种辅助喷嘴势核与势尾处主模态IMF1速度幅值稳定,为辅助喷嘴的主速度模态;次模态IMF2波动大且与纬纱径向偏移具有同步性,可用于预测纬纱波动;第3模态IMF3为高频振荡信号,可视为流场高频噪声信号去除。

光伏新能源电能信号游程域模态分解理论与特征提取

高比例光伏新能源接入下的电能信号呈现出强随机、快时变、大波动特性,常导致电能表电能计量严重超差,影响电能交易的公正合理性。针对新能源电能信号敏感特征不清楚、对电能表电能计量影响不明确的问题,建立了游程域映射理论,解决了电能信号在游程域的表征问题;提出了游程域模态分解(R-EMD)方法,基于游程完成电流幅度在长持续时间下局部区间的自适应模态分解,得出光伏新能源电能信号的2个全局重要特征;构建了游程域特征参量与特征函数,并提取得到光伏新能源电能信号的4个游程域敏感特征;通过实验验证了游程域敏感特征对电能计量的影响。

基于模态分解的地基雷达慢速弱目标检测方法

在复杂地物场景中使用地基雷达探测地面动目标时,慢速弱目标与地杂波的频谱通常难以区分,传统的目标检测手段性能受限。针对此问题,提出一种基于模态分解的地基雷达慢速弱目标检测方法。首先设置较低的门限进行单元平均-恒虚警率(cell average-constant false alarm rate,CA-CFAR)检测,初步筛选目标;接着对慢时间信号进行复经验模态分解(complex empirical mode decomposition,CEMD),分离地杂波和动目标;最后利用地杂波和动目标多普勒频谱的对称性差异检测目标。将该检测方法分别与CA-CFAR和正交投影-奇异值分解-恒虚警率(orthogonal projection-singular value decomposition-constant false alarm rate,OP-SVD-CFAR)检测的性能进行比较,并通过仿真数据和两组不同目标的实测数据进行验证。结果表明,所提方法能够提升目标的信杂噪比;在检测概率相同的条件下,其虚警率比CA-CFAR显著降低;在检测概率相同且较高的情况下,所提方法比OP-SVD-CFAR的虚警率也更低,证明了所提方法的有效性。

变转速工况下松动故障自适应时频模态分解

松动故障广泛存在于机械设备之中,而在变转速工况下的松动故障诊断仍存在一定挑战.为实现变转速工况下的松动故障诊断,本文提出了一种自适应时频模态分解方法.为提高该方法的多工况自适应能力,针对时频模态分解窗宽参数进行了优化选取,研究了窗宽参数与分解输出的非线性关联特征,实现了不同噪声下的自适应时频模态分解.为验证该方法的有效性,针对支承松动故障进行了实验验证,同时在某工程设备上进行了旋转部件松动故障实验验证.采用自适应时频模态分解算法对实验验证数据进行处理,实现了非平稳特征的模态分解.通过定义和计算各阶次能量占比,完成了振动信号的故障特征分析,实现了松动故障的特征提取与诊断.结果表明,所提方法能够实现非平稳信号的模态分解,对于松动故障具备有效的诊断能力.

自适应变分模态分解算法在高温高压水空化特性分析中的应用

针对高温高压流动工况下,空化状态判断困难、传统分析方法难以有效提取压力脉动信号中的有效信息的问题,以孔板为对象,开展了高温高压水的空化实验,并提出了一种基于遗传算法的自适应变分模态分解(AVMD)算法。该算法通过结合中心频率法、遗传算法、功率谱熵和相对能量等技术,自适应地确定变分模态分解算法中的超参数并有效去除信号中的噪声成分,提高了空化特征的提取精度。结果表明:AVMD算法能够精确捕捉到高温高压水流经孔板时空化现象的发生和发展,识别空化起始点、转捩点以及空化强度的变化;当高温高压水流经孔板后,压力脉动的无量纲频率在0.04~0.35、压力脉动的无量纲幅值在0.014~0.067时,空化现象开始出现;随着空化强度增加,管内压力脉动幅值和频率整体呈增大趋势;空化起始转捩点及空化严重转捩点与入口压力和工质入口过冷度密切相关。AVMD算法能够有效提高空化特性分析的精度,尤其是在复杂流动条件下的空化预测,为压水堆核电站冷却剂系统和高压蒸汽系统的稳定运行提供理论依据和参考。

基于经验模态分解与Tikhonov正则化的梁桥影响线识别方法

挠度影响线、应变影响线能够完整地反映梁桥截面抗弯刚度,在获取梁桥实测时程响应过程中,车辆移动荷载作用下的梁桥响应掺杂了影响线信息和结构动力成分,并受到加载车辆的多轴效应干扰。为准确识别梁桥结构影响线,通过经验模态分解剔除梁桥实测数据中的动力成分,得到含有车辆多轴效应的梁桥准静态响应数据,结合采样频率与车辆轴距,建立了影响线识别的数学模型,将车辆多轴效应转化为单位集中荷载,进而采用Tikhonov正则化方法准确解得梁桥影响线的稳定解。通过建立1/2双轴车过简支梁桥与三跨变截面连续梁桥的数值仿真模型,提取车辆不同移动速度下简支梁桥跨中和三跨连续梁桥中跨跨中的挠度、应变时程响应,验证了基于经验模态分解与Tikhonov正则化识别梁桥影响线方法的可行性与有效性,准确地识别了梁桥结构算例的挠度影响线、应变影响线,并通过建立误差指标定量评价了影响线识别效果。研究还发现,梁桥影响线的识别效果随加载车辆速度的增大而降低。

基于连续变分模态分解的多端柔性直流电网单端量保护方法

针对现有多端柔性直流电网线路保护不耐受高阻和易受噪声影响等问题,提出一种基于连续变分模态分解(successive variational mode decomposition,SVMD)的多端柔性直流电网单端量保护方法。具体为:首先,采用直流极电压突变量构建保护启动判据,进而满足保护速动性要求;其次,利用零模电压总和构造故障类型检测判据;最后,基于线模电压的高频分量在区内故障和区外故障之间存在差异这一特征,利用SVMD对线模电压进行分解,提取最高频的时频分量作为故障特征分量,进而利用故障特征分量的峰值实现故障区域的检测。大量仿真实验表明,所提保护方法可适应不同故障过渡电阻、不同故障类型、不同故障距离以及不同故障线路等工况,且能够识别雷击干扰。

基于互补集合经验模态分解和支持向量回归机的城市轨道交通线路轨距劣化预测

[目的]为了加强城市轨道交通区间线路质量的状态管理,需要对轨距在空间上的整体劣化趋势进行预测。[方法]引入CEEMD(互补集合经验模态)理论,提取轨道区间几何形位的IMF(本征模态函数),利用PSO(改进粒子群)算法优化SVR(支持向量回归机),对提取数据进行训练,标定预测模型最优参数后进行测试集验证,构建CEEMD-PSO-SVR预测模型。通过上海轨道交通16号线上行轨道区间K12+134—K15+743内的1128组轨检样本数据对预测模型进行了试验。[结果及结论]CEEMD-PSO-SVR预测模型同PSO-SVR模型、ARIMA(自回归移动平均模型)相比,在均方根误差、平均绝对误差、平均相对误差绝对值等3项性能评价指标上具有优势。

基于信息熵重构经验模态分解神经网络的带式输送机故障诊断

提出了一种神经网络模型,用于带式输送机电机轴承的早期故障诊断。该模型采用经验模态分解与信息熵相结合的方法对信号进行重构,提取频域特征用于神经网络的训练,以实现高度精准的故障诊断。该方法能够有效应对噪声干扰,对早期故障信号具有良好的敏感性,其诊断准确率高达95.8%。

基于经验模态分解的多类型储能风功率波动平抑策略

风电出力有很强的波动性与不确定性,运用储能系统可以平抑风功率波动,但由于目前储能电池价格仍然较高,制约了储能系统在平抑风功率上的进一步应用。本文提出了一种基于经验模态分解的多类型储能风功率平抑策略,首先利用经验模态分解技术将风功率分解为若干经验模态函数,随后以日损耗最低为目标将经验模态函数进行分频,最后采用双储能系统平抑高频波动,单储能系统平抑低频波动,可在减小储能循环次数的同时兼顾储能容量,有效提升储能经济性。

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。

基于双模态分解的发电站母线短期负荷预测

母线负荷预测是电力系统运营和规划中至关重要的一项任务,针对电力负荷数据的非线性强以及影响因素多等问题,提出了一种基于双模态分解、深度学习和注意力机制的负荷预测模型。首先,对输入数据进行经验模态分解(Empirical mode decomposition,EMD),通过K-means聚类分析对复杂度相似的分量进行集合得到三个组合分量。其次,使用变分模态分解(Variational mode decomposition, VMD)对组合分量再次进行分解得到不同分量,使用麻雀搜索算法(Sparrow search algorithm,SSA)对变分模态分解的参数进行优化。再次,将变分模态分解得到的分量与影响因素连接并输入长短期记忆网络(Long short-term memory network, LSTM),通过注意力机制挖掘数据内部的相关性,并使用SSA对LSTM网络的参数进行优化。最后,采用宁夏某电站一年的负荷数据进行验证,经过与不同模型的对比分析,所提模型有更高的预测精度。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于行波模态分解的特高压直流输电线路双端行波测距方法

基于晶闸管换流器的特高压直流输电系统(ultra-high voltage direct current based on line commutated converter,LCC-UHVDC)的故障定位算法对智能电网的安全稳定运行起着重要作用。针对长距离特高压直流输电系统故障测距方法精准度低、快速性差的问题,提出了一种基于变分模态分解法(variational mode decomposition,VMD)和Teager能量算子(Teager energy operator,TEO)的双端行波故障测距方法。首先,研究了LCC-UHVDC线路故障电压行波的传播特性。利用零模电压随线路传播衰减明显的特征,通过VMD算法提取采样点处零模电压行波的时频特性。针对VMD参数选择不当导致的模态混叠问题,利用K-L散度(Kullback-Leibler divergence)对提取的模态指标进行优化。然后采用TEO对分解后信号进行瞬时能量谱提取,精确标定波头到达时间,最后采用双端迭代测距法迭代求解故障距离。在PSCAD/EMTDC搭建±800 kV LCC-UHVDC仿真模型进行验证。结果表明,所提方法在不同故障位置、过渡电阻和故障类型下具有较强的鲁棒性。

基于动态模态分解-自适应变步长油浸式电力变压器绕组瞬态温升快速计算方法

为了改善当前油浸式电力变压器绕组瞬态温升计算过慢的问题,该文结合动态模态分解法和自适应变步长法提出了一种动态模态分解(DMD)-自适应变步长(ATS)快速计算方法。首先,该方法引入了动态模态分解算法,利用动态系统中前若干时步提取得到的变化特征,近似拟合其后一段时间内的系统变化,并通过选取主模态降低计算时间。其次,为了提高DMD算法性能,进一步提出结合ATS方法,通过自适应调整计算步长,提高瞬态计算效率;为了验证算法的计算精度和效率,建立了八分区分匝绕组数值传热模型并在此基础上将该文所提算法与仿真软件Fluent的计算结果进行对比,结果表明,在计算精度方面,二者结果几乎一致,计算误差最大不超过0.3 K;对于计算效率,该文算法的总计算时间为5.99 s,仅为Fluent总计算时间的1/89,且算法时间步数仅为Fluent的4.7%。最后,为了验证DMD-ATS算法的工程实用性,基于产品级油浸式电力变压器绕组结构搭建温升实验平台,并将所提算法计算结果与实验结果进行对比,结果表明所提算法在各测量线饼的误差均处在可接受的范围内,最大误差仅为4.57 K,且包含预处理时间在内的计算时间仅为69.14 s,计算时步仅需17步,较当前主流的计算方法效率有明显提高。综合算法的精度和效率,充分说明所提算法具有一定工程价值。

基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

不同模态分解方法下LSTM模型大坝变形预测效果对比

为验证不同模态分解方法结合LSTM模型对大坝变形预测精度的影响,以西北地区某混凝土面板坝H2-1水平位移监测点2014-2018年大坝变形监测数据为例,设置EMD、EEMD、VMD三种分解方法结合LSTM模型对该测点数据进行“分解-预测-重构”,实验表明:针对H2-1测点数据,在LSTM模型设置相同超参数情况下,EEMD-LSTM组合模型预测精度最高,其次是EMD-LSTM组合模型,但提取原始序列趋势变化能力较VMD-LSTM组合模型弱,而采用VMD分解的VMD-LSTM组合模型能更好地提取原始序列中的趋势分量。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。