基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解（VMD）和萤火虫算法优化BP神经网络（FABP）的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵（SE）对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。

混沌奇异谱特性研究及在滚动轴承故障诊断中的应用

研究了混沌空间结构的一种新的度量方式——混沌奇异谱,并提出一种基于混沌奇异谱特征提取的滚动轴承早期故障识别算法。给出奇异谱离散形式,并在奇异谱的稳定性分析时引入对数函数,更加敏锐地观察偏差对奇异谱值的影响。然后从几何空间角度说明奇异谱是一种基于方差极大化的空间几何结构的描述方式,表明混沌奇异谱是对混沌吸引子的空间结构的一种定量描述,且具有较强的抗噪声干扰能力。通过对Lorenz系统进行数值验证,证明了混沌奇异谱的稳定性和较强的抗噪声性能。通过实验进一步验证了该方法的有效性和实用性。