基于ARMA-NExT的飞行器工作模态辨识技术研究

基于飞行实测遥测数据,研究了使用工作模态辨识方法辨识飞行器系统的模态参数。详细介绍了ARMA-NEx T工作模态辨识理论基础,梳理了模态辨识的关键步骤和实施方法,最后通过两个算例研究了工作模态辨识。结果表明:第1个算例是针对某一小段时间的遥测数据,辨识系统的模态参数,包括模态频率、阻尼比和振型;第2个算例针对较长时间的遥测数据,辨识系统的模态频率随时间变化的规律。

基于时变ARMA和EMD-PSO-LSSVM算法的非平稳下击暴流风速预测

根据非平稳过程的进化谱理论,导出基于TARMA模型的非平稳脉动风速模拟式。基于模拟解析式,得到一些空间点非平稳下击暴流风速的模拟时间序列;运用经验模式分解(EMD)和基于粒子群优化(PSO)的最小二乘支持向量机(LSSVM)(简称为PSO-LSSVM)算法,经MATLAB平台编制程序,根据上下空间点风速样本预测出中间高度处的非平稳下击暴流风速时程。通过功率谱、自相关和互相关函数预测值与模拟值的比较及平均误差(AE)、均方根误差(MSE)和相关系数(R)的评价,验证了基于时变ARMA模型和EMD-PSO-LSSVM算法的下击暴流风速模拟与预测的可行性。

基于ARMA-NExT和稳定图方法的飞行器工作模态指示研究

研究了基于飞行遥测数据,使用环境激励模态辨识方法辨识系统的模态参数时,挑选真实模态的方法.首先,详细介绍了ARMA-NEx T环境激励模态辨识方法的理论.接着,给出了模态指示因素,并详细分析了基于稳定图方法、频域和时频分析方法的真实模态筛选的方法.最后通过算例研究了飞行模态筛选的过程.研究发现,通过该方法得出结果与频域和时频分析结果基本一致.

基于ARMA模型对股票“青岛海尔”成交量的分析预测

针对股票"青岛海尔"的日成交量,选取2016年下半年数据,利用B-J法建立ARMA模型,借助Eviews 8软件的求解,得到与实际数据高度吻合的ARMA(3,2)模型,并对未来4天日成交量进行预测,然后与2017年初的实际数据对比,发现预测结果比较好.结论表明:模型的精确度比较高,适合股票短线也即日成交量的分析与预测.

基于ARMA模态辨识的低频振荡性质区分

针对目前尚未完全解决负阻尼低频振荡和强迫功率振荡性质定量区分的现状,通过低频振荡机理分析得出2种振荡在振荡频率和阻尼比方面的区别,提出定量区分低频振荡性质的判据。采用基于加权递推最小二乘算法的ARMA模态辨识对振荡数据进行动态加窗辨识,根据辨识所得振荡模态的频率和阻尼比的变化判别低频振荡类型。算例分析表明该方法是可行和有效的。

非平稳信号的一种ARMA模型分析方法

该文提出了一种新的非平稳信号的时变参数ARMA模型分析方法,用它分析数据需两个基本步骤:首先,用一种信号分解方法把信号分解成一些基本模式分量。接着,对分解得到的基本模式分量建立时变参数ARMA模型,从而得出时颇平面上的时变参数ARMA模型谱。该方法可用于复杂的非线性、非平稳信号的处理。

Prony方法和ARMA法在低频振荡模式辨识中的适用性比较

Prony方法和自回归滑动平均(ARMA)法是2种典型的电力系统低频振荡特征参数辨识方法,提出对这2种方法进行不同类型信号适用性的比较研究。在介绍2种方法基本原理的基础上,对比得出其在信号建模思想、模型参数估计原则上存在区别,进一步将这2种方法应用于处理36节点系统仿真明显扰动激励后系统响应信号和类噪声信号,对低频振荡模式辨识结果进行系统性研究。分析结果表明,ARMA法具有更好的适用性。

用ARMA模型实时补偿的负荷经济调度方法

分析了将发电燃料成本视为发电量的 2次模型函数的缺陷 ;建立了一种用ARMA模型实时补偿的负荷经济调度方法 ,并提出了该方法的快速求解途径。

基于VMD相对能量熵和自适应ARMA模型的轴承性能退化趋势动态预警

为了有效监测滚动轴承性能退化趋势及其指标异常波动,提出了一种基于变分模态分解(VMD)的相对能量熵和自回归滑动平均(ARMA)模型的滚动轴承性能退化趋势动态预警方法。方法利用VMD对滚动轴承寿命数据进行分解,得到有限带宽固有模态函数(BLIMFs);对该BLIMFs分量的能量进行相对熵分析,提取滚动轴承性能退化特征,得到VMD相对能量熵的轴承性能退化评估指标;该相对能量熵值作为输入供ARMA模型进行动态回归预测。试验结果表明,该方法能有效监测滚动轴承性能退化趋势、指标的异常波动,验证了所提方法的有效性。

基于类噪声信号和ARMA-P方法的振荡模态辨识

弱阻尼低频振荡是影响互联电网安全稳定运行的主要因素,振荡模态是表征系统振荡特性的重要参数,反映了各节点对振荡模式的参与情况。目前基于测量信号一般在振荡发生后进行模态分析,缺乏在系统正常运行情况下的分析手段。大量广域实测数据表明,因负荷的随机变化,电网内持续存在类似噪声信号的小幅波动。文中提出一种自回归滑动平均-Prony(ARMA-P)方法对这种类噪声信号进行处理,在采用ARMA模型拟合类噪声信号估计低频振荡模式参数的基础上,进一步建立信号的Prony模型,最终实现对低频振荡模态的辨识。将该方法用于对新英格兰系统仿真数据进行处理,其辨识结果与小干扰稳定计算结果进行了比较,并进一步将该方法用于处理南方电网实测数据,证明了其有效性。

一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法

提出了一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法。采用Hilbert-Huang变换将原时间序列分解成若干个平稳的固有模态函数分量,求出每一个固有模态函数分量的瞬时频率和瞬时幅值,然后对每一个固有模态函数分量的瞬时频率和瞬时幅值序列建立ARMA模型,最后通过合成得到原时间序列的ARMA预测模型。实验结果表明,此方法可有效地应用于非平稳时间序列的预测。

一种低频振荡模式在线辨识的鲁棒递推ARMA算法

低频振荡模式在线辨识具有重要的工程应用价值。采用ARMA模型的常规递推算法(RLS)以及正则化鲁棒递推算法(R3LS)可有效辨识稳态类噪声信号,但对动态信号的辨识效果不太理想。分析了常规RLS算法在出现动态信号时可能发散的原因,通过在算法中引入基于输入信号自相关矩阵和互相关向量的L1范数的自适应权重参数,保证算法在各种条件下的收敛性,实现了一种全新的鲁棒递推ARMA算法(NRRLS)。采用IEEE-39节点系统时域仿真和某电网的PMU实测数据进行了大量的分析测试,并通过与RLS算法和R3LS算法的辨识效果进行比较,验证了NRRLS算法具有更好的鲁棒性和辨识精度,扩展了ARMA模型的应用范围,具有较高的理论和工程实用意义。

运用EEMD-ARMA模型预测中国棉花产量

中国棉花产量组成的时间序列呈非光滑、非单调的复杂分布形式。运用集成经验模态分解(EEMD)和自回归滑动平均模型(ARMA)相结合对其进行预测。首先利用EEMD方法对原始信号进行分解,得到一组平稳的本征模函数和一个具有趋势性的光滑余波,然后运用ARMA模型分别对本征模函数和余波进行预测,最后将二者的预测值合并,实现对中国棉花产量的精确预测。研究表明,EEMD-ARMA组合模型的平均预测误差仅为0.98936%,比单一ARMA模型的平均预测误差减小了45.60280%。根据EMD-ARMA组合模型,预测得2021年中国棉花产量为610.6475万t,这一预测结果比单一ARMA模型的预测结果更合理。

基于EMD和ARMA的电网工程塔材价格预测模型研究

由于电网工程塔材价格具有非线性和非平稳性特征,导致其价格预测难度大、预测精度低,针对这一问题,建立了EMD-ARMA预测模型。利用经验模态分解(EMD)将历史价格分解为平稳的、周期波动的若干价格分量,并以此作为输入,利用自回归滑动平均模型(ARMA)对各分量进行价格预测,最后将各预测分量叠加得到预测值。以Q345塔材的历史数据为样本,通过与ARMA的预测结果进行对比及误差分析,验证了本文采用的EMDARMA预测方法能够有效提高电网工程塔材价格的预测精度,对于工程造价管控和设备材料招投标具有一定的参考价值。

基于改进的ARMA递推算法的低频振荡模式在线辨识

为提高电力系统低频振荡现象的实时监测水平,提出采用一种基于自回归滑动平均模型的两段加权递推最小二乘算法进行低频振荡模式辨识,并通过估计ARMA谱的方法以提取低频振荡的主导模式。该改进算法先采用加权递推最小二乘算法拟合高阶AR模型单独得到白噪声估值,再将该估值用于常规加权递推最小二乘算法中,提高了算法参数辨识的精度和收敛速度。New-England 39节点系统的时域仿真测试验证了该改进算法对低频振荡模式辨识的有效性,并通过与常规加权递推最小二乘算法辨识效果的比较验证了该改进算法对低频振荡模式的辨识具有更好的精确性且提高了收敛速度。最后通过对某电网PMU实测数据的辨识分析,验证了该改进算法能够准确地辨识系统的低频振荡主导模式频率和阻尼比,具有实际的工程意义。

基于ARMA-NN集成模型的上证指数预测研究

研究表明,大多时间序列可分解为线性部分和非线性部分的组合。融合ARMA模型在捕捉线性关系的优势和神经网络模型强大的非线性映射能力。介绍一种ARMANN集成模型,并对上证指数月收益率进行预测。结果表明集成模型的预测能力显著优于传统单一模型,对指数收益率预测比较准确,有很强的应用价值。

基于经验模态分解和ARMA模型的国际航空油价实证分析——以港湾石油航空燃油价格数据为例

价格数据数值与趋势的准确预测一直是金融风险量化控制的一大难题。在国际油价受外部因素影响剧烈波动的背景下,针对航空燃油价格预测问题,提出一种基于经验模态分解(EMD)和自回归滑动平均模型(ARMA)的非线性混合预测方法。研究结果表明,EMD-ARMA组合模型对非平稳时间序列信号的预测有效,精度相比较单一的ARMA模型有显著提高。

电力现货市场电价模式下的中国风电站投资评价模型研究

“十四五”规划突出了市场化低成本优先发展可再生能源战略,未来风电投资市场前景广阔,风力发电厂商利润问题也得到了业界关注。本文对现有三种电价模式进行建模分析,并通过模型预测出风速及风力发电数据,最后针对不同资源区的风电站进行实例分析。结果表明:在现行电力现货市场条件下,差价合约模式能够有效抵御价格不确定性带来的风险,保证投资经济性,促进风电行业健康持续发展。

特征时段选择对飞行模态辨识结果的影响

基于飞行遥测数据,研究使用环境激励模态辨识方法辨识系统的模态参数时,挑选特征时段数据的方法。首先,详细介绍ARMA-NExT环境激励模态辨识方法的理论。接着,通过算例研究选择不同特征时段数据对模态辨识结果的影响,给出特征时段选择的方法和指南。通过研究,得出以下结论:低阶模态响应的信噪比较好的时段,模态频率和模态阻尼的辨识结果较为稳定。在使用遥测数据进行模态辨识时,应选择低阶模态响应信噪比较高的数据段。

基于时间序列的编组站中时排异重塑预测方法

针对现行铁路编组站车辆中时预测方法不能满足实际运输组织需求,提出一种基于时间序列的中时预测方法。根据编组站数据特点,建立中时序列,利用聚类分析方法检测显隐性异常,设计中时下界异常判定条件排除正常中时值,采用邻域插值方法对异常数据重塑,结合ARMA过程分析重塑中时序列并建模,对模型进行参数估计和启发式算法定阶,最终预测编组站短期中时。研究结果表明:该预测方法能够准确发现异常数据,序列重塑后效果较好,预测结果与实际生产情况符合度较高,可以很好地应用在对编组站中时的预测中,有利于编组站合理预测和分析运输生产活动,提高运输组织管理水平。