基于VMD-GA-BiLSTM的月降水量预测方法

利用辽宁省气象局提供的地面观测降水资料,构建了具有多元时间特征的降水数据,采用变分模态分解方法(variational mode decomposition,VMD)组合遗传算法(genetic algorithm,GA)对双向长短时记忆神经网络(bidirectional long short-term memory,BiLSTM)进行优化,建立基于VMD-GA-BiLSTM的月降水量预测模型,并与BiLSTM、VMD-BiLSTM和GA-BiLSTM进行实验对比,应用均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和R 2决定系数作为模型评价指标。实验结果表明:VMD-GA-BiLSTM模型的R 2决定系数达到0.98,RMSE和MAE表现更低,验证了VMD-GA-BiLSTM模型在时间序列预测方面的优势。

基于VMD-SSA-LSTM的架空输电导线覆冰预测模型

针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm,POA)的变分模态分解(variational mode decomposition,VMD)结合小波阈值(wavelet threshold,WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function,IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

基于VMD和改进聚类算法的配电网故障选线方法

为提高小电流接地系统单相接地故障的选线准确率,设计了一种基于调幅调频函数的变分模态分解VMD(variational mode decomposition)与K-means++聚类算法相结合的故障选线方案。对故障发生后各条线路零序电流信号进行VMD分解,得到多个自适应频带特征的本征模态函数;构造以低频分量的波形相关系数为横坐标和以高频分量初始极性为纵坐标的二维平面,在该二维平面绘制代表各出线的散点分布图;最后通过K-means++聚类算法对所构造的散点点集进行聚类分析,利用代表故障线路的散点属于离群点的特点,筛选出故障线路。通过Pscad软件进行仿真验证,结果表明,该故障选线方法不受条件改变的影响,能够实现对故障线路的准确识别,具有较好的抗噪能力。

基于SSA-VMD-BiLSTM模型的充电站负荷预测方法

随着电动汽车的普及,维护电网安全稳定运行的压力越来越大,为制定实施高效的需求响应策略,充电站的短期负荷预测尤为重要。然而针对充电站电力负荷变化不稳定、影响因素多的问题,现有方法缺乏对负荷数据的噪声分离和平滑分解以及对分解后的负荷数据进行针对性分析,为进一步提高充电站负荷预测精度,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)优化变分模态分解(variational mode decomposition,VMD)算法结合双向长短期记忆(bidirectional long short-term Memory,BiLSTM)神经网络的短期负荷预测方法。首先利用SSA算法优化VMD的参数,再通过VMD将不平稳的负荷数据分解成噪声集中的非周期性主分量和多个平滑的周期性分量;鉴于2种分量数据前后依赖性的不同,对多个周期性的分量直接基于历史数据结合BiLSTM模型方法进行负荷预测;对噪声集中的非周期性的主分量,考虑其负荷变化的不确定性,分析主要外部原因,基于特征因素数据结合BiLSTM模型方法进行预测。最后通过结果重构的方式得到综合预测结果。通过算例分析,考虑误差评估参数将所提方法与其他模型方法进行对比,验证所提方法具有更高的精确度、可靠性。

融合VMD算法的多星GNSS-MR雪深反演

针对当前反射信号分离纯度不高,难以准确提取反射信号中地表环境参数的问题,构建了一种融合VMD算法的多星GNSS-MR雪深反演模型。利用VMD算法可有效实现信号的分离,提高反射信号的分离纯度,并与传统的二阶多项式拟合法进行对比分析。下载了美国科罗拉多州NWOT测站2017年172天的GPS卫星信噪比数据进行验证,结果表明:融合VMD算法的多星GNSS-MR反演雪深模型精度优于二阶多项式拟合模型,反演值与实测值的RMSE降低了近50%,决定系数R^(2)高达0.98,在一定程度上有效提高了雪深的反演精度和可靠性。

基于改进GOOSE算法的VMD体征信息研究

本文中依靠60 GHz调频连续波(FMCW)毫米波雷达,通过改进的GOOSE算法,在种群初始化阶段结合Tent混沌映射,在探索阶段运用Levy飞行策略提升算法的全局搜索能力。然后,通过改进的GOOSE算法去应用到变分模态分解(VMD)中,得到k和α最优值。对GOOSE算法的改进提高了呼吸心率的检测的精度。最后,该实验结果表明:利用改进的GOOSE优化算法对VMD算法进行参数自适应优化,通过对信号的重构后分析,有效地去除了噪声分量,提高了分解效率。

改进VMD与广义互相关在供水管道泄漏定位中的应用

针对管道泄漏定位时,采集到的泄漏信号会受到噪声干扰而影响定位精度的问题,提出了一种参数自寻优变分模态分解结合广义互相关的定位方法。首先,在现有的频域加权函数的基础上,提出了一种复合加权函数,对不同的频域加权函数在供水管道泄漏声信号下的性能进行研究;其次,利用高斯变异和量子行为对粒子群进行优化,建立复合指标排列熵/互信息熵作为适应度函数,改善粒子在求解过程中的多样性;然后,通过改进的粒子群算法优化变分模态分解(VMD)最优参数组合,实现对信号的降噪处理。实验结果表明,文中方法在供水管道泄漏情况下具有更高的定位精度,平均相对定位误差仅为3.7%,且最大误差也只有8.0%,能够有效地滤除原始信号中的噪声干扰。

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer,DBO)算法优化变分模态分解(variational mode decomposition,VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory,IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm,IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory,BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。

BDO与VMD-EAM算法融合的单通道语音增强模型

为了改善VMD在单通道语音增强中关键参数选择难、声学特征缺失多的问题,该文提出了一种BDO与VMD-EAM算法融合的单通道语音增强模型。利用DBO对输入的含噪音频进行处理,得到分解模态数与惩罚因子的最佳组合,实现VMD在分解中关键参数的自适应寻优,再根据EAM的相似度评估结果完成IMF分量的分类,对噪声分量的高频信息使用小波阈值法进行滤除,最后基于IVMD-EAM模型的重构原理实现信号重构。仿真验证及实测实验表明,所构建的语音增强模型可有效抑制噪声并提升英文语音的增强效果,各项性能评价指标也显著优于其他2种单通道语音增强模型。

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于VMD的某涡轴发动机转子振动信号分析

针对涡轴发动机转子振动特性,提出遗传算法优化的VMD方法。以VMD分量信息熵最小化为适应度函数,运用遗传算法优化VMD分量数量和惩罚因子,并采用仿真案例验证了方法的有效性。基于某涡轴发动机转子振动倍频幅值包络线、试车转速曲线,仿真进气机匣、涡轮机匣的振动信号,并采用优化的VMD对振动信号进行分解,对分解后的信号进行整周期重采样后再进行频谱分析。结合瀑布图对比分析原信号和VMD分解信号,同时以试车第100s时刻的频谱图进行分析。分析结果表明:遗传算法优化的VMD能够有效地对转子振动信号进行分析,且能够识别出各转子的主要倍频成分。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

基于优化SSA-VMD的滚动轴承故障信号降噪方法

针对滚动轴承故障信号降噪的问题,提出了一种基于优化麻雀搜索算法和变分模态分解的降噪方法。该方法利用优化麻雀搜索算法在既定范围内对变分模态分解的相关参数进行寻优,得到输入信号的最佳分解结果,根据时域相关系数选择有效的分量重构输入信号,从而实现对输入信号的降噪,通过滚动轴承的仿真故障信号和实际故障信号两方面分别验证该方法的有效性。结果表明,该方法相较于传统的变分模态分解方法拥有更好的降噪效果。

参数优化VMD-小波阈值的振动筛加速度信号降噪

为去除振动筛的加速度信号中伴随的噪声,提出一种使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化变分模态分解(variational mode decomposition,VMD)-小波阈值的加速度信号降噪方法。使用WOA对VMD的模态分解数k和惩罚因子α进行寻优,将得到的最优参数代入VMD中,并根据设定好的阈值,对含噪有效分量进行降噪处理。经实际运行验证,参数优化VMD-小波阈值降噪方法能有效消除信号噪声。

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆(Long Short-Term Memory,LSTM)神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。

基于算数优化算法的VMD-BiLSTM模型的松土装置工况识别

当对滚筒式残膜回收机的关键装置松土齿耙的应力应变进行实时监测时,所获得应力应变信号易受外部环境的干扰,难以从信号中识别壅土故障。针对该问题,通过ANSYS分析确定松土齿耙的应变监测部位,利用应变片对松土齿耙不同工况进行应变监测试验。基于监测数据,提出一种基于算数优化算法(AOA)的变分模态分解(VMD)—双向长短期记忆网络(BiLSTM)神经网络模型工况识别方法。首先,利用AOA对VMD模态分量的k值和惩罚因子α进行参数优化;然后,使用VMD对松土齿耙应变信号进行自适应分解;最后,根据皮尔逊系数将分解并重构后的信号输入BiLSTM网络中进行特征学习,实现松土齿耙的工况识别。结果表明,该方法实现对松土齿耙空载、正常工作、轻度壅土、严重壅土4种工况精准识别,且效果优于VMD-LSTM、BiLSTM、LSTM神经网络模型,识别准确率达到99.1%以上,有效提高松土齿耙工况识别的准确率。