基于二次模态分解和深度学习的大坝变形预测模型

为充分提取大坝变形监测数据的非线性和非平稳性特征,深度挖掘其前后信息的拓扑关系,有效提高预测精度,提出了一种基于二次模态分解和蜣螂优化算法的双向长短期记忆神经网络大坝变形预测模型。该模型引入融合自适应噪声完备集成经验模态分解和变分模态分解的二次模态分解对数据进行预处理,有效降低高频非平稳性分量对预测精度的不利影响,并利用蜣螂优化算法对双向长短期记忆神经网络进行超参数寻优以深度挖掘大坝变形数据的有效信息。以某水电站大坝为例,将该模型预测结果与多种常用模型的预测结果进行对比分析,结果表明该模型可有效挖掘大坝变形数据复杂的非线性特征,其预测精度明显优于对比模型,验证了该模型在大坝变形预测中的可行性与优越性。

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。

基于改进二次模态分解和BiLSTM-Attention的短期电力负荷预测

针对短期电力负荷预测中变分模态分解的参数选择缺乏有效优化,采用长短期记忆神经网络预测时存在长期信息弱化等问题,提出了一种基于改进二次模态分解,并利用注意力机制重新分配神经网络中输入权重的预测方法。首先对传统二次模态分解中的分解参数采用分解损失的评价标准进行优化。然后在特征选择的基础上,将注意力机制和正反向记忆层添加到长短期神经网络中,针对各个模态分量分别进行训练预测。最后将子序列预测结果重构输出。算例分析表明,所提方法解决了预测中变分模态分解的参数选择及长期信息的弱化等问题,有效减小了分解损失,具有更高的预测精度。

基于自适应二次分解与CNN-BiLSTM的超短期风电功率预测

为提高风电功率预测精度,提出基于自适应二次模态分解(QMD)、卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的超短期风电功率预测模型。针对风电功率的波动性,利用改进的完全自适应噪声集成经验模态分解方法(ICEEMDAN)对风电功率数据进行分解。引入麻雀搜索算法(SSA)对变分模态分解(VMD)的分解数量与惩罚因子进行优化,使VMD具有自适应性。将ICEEMDAN分解得到的高频分量I_(1)用SSA-VMD进行第二次分解,降低序列不平稳度。同时,构建包含2层池化层的CNN网络进行特征提取与BiLSTM网络的超短期预测模型,最终的风电功率即为各子序列预测结果之和。通过算例分析进行实验表明,所提风电功率预测方法的预测精度优于其他模型,验证了预测模型的优越性。

基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究

为了提高采煤工作面瓦斯涌出量预测精度,提出了一种基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法。首先运用变分模态分解(VMD)将瓦斯涌出量时序数据进行一次分解,充分利用其分解后的残余分量,并采用自适应噪声完备经验模态分解(CEEMDAN)进行二次分解;然后将分解后的所有子序列分别输入到贝叶斯算法优化双向长短期记忆网络(BO-BiLSTM)模型中进行瓦斯涌出量预测;最后将各子序列模型输出结果进行叠加得到最终瓦斯涌出量预测结果。以陕西彬长矿区某矿采煤工作面绝对瓦斯涌出量日监测数据为例进行建模和预测分析,结果表明:所提出的瓦斯涌出量组合预测模型具有较高的预测精度,验证了该模型在瓦斯涌出量预测方面的有效性和适用性。

基于CEEMDAN二次分解的风速预测

随着分散式风机装机量日益增加,对分散式风机风速预测便于合理规划其并网及就地消纳容量。于是提出基于CEEMDAN二次分解的蝴蝶优化算法改进最小二乘支持向量机的风速预测模型。利用自适应白噪声的完备总体经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对风速历史数据进行处理,获取模态分量(intrinsic mode function,IMF),计算各IMF的排列熵;采用CEEMDAN对随机程度高的IMF进行第二次分解,改善数据的随机程度;最后,采用蝴蝶优化算法改进最小二乘支持向量机的模型对重构的IMF进行预测,将各IMF的预测风速相加,求出预测值。通过分析风速预测数据与风速实测数据的误差,验证基于CEEMDAN二次分解的蝴蝶优化算法改进最小二乘支持向量机的风速预测模型的有效性。

基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测

针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。

联合经验模态分解与二次时频分布的参数识别方法

提出了联合经验模态分解和二次时频分布进行模态参数识别的方法.将多自由度系统的响应信号用经验模态分解法分解为单频率响应的振动信号,进而计算模态频率和阻尼;由单频率响应信号的二次时频分布及其与其它质点响应信号的互二次时频分布的比值来识别模态振型,并对一多自由度的线性系统进行了计算,结果表明该方法能较好地识别结构的模态参数,且抗噪声强.

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果。为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型。首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解。然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测。最后,将预测结果进行重构得到最终预测结果。通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度。

基于经验模态分解重构的二次相关时延估计

针对低信噪比情况下的时延估计,将二次相关(SC)时延估计与经验模态分解(EMD)算法结合,提出了EMD重构二次相关时延估计方法。该方法针对EMD重构时本征模态函数的选择,将倒谱法和谱减法相结合,提出新的本征模态函数中有用信号主导分量和噪声主导分量的区分方案。研究结果表明:EMD重构二次相关法较传统二次相关法抗噪性能更优,更能锐化二次相关峰值;在非高斯有色噪声和高斯白噪声情况下,分别将准确估计时延的信噪比降低了4 d B和2 d B。

基于二次分解和KELM的大宗商品价格预测研究

国际期货市场中的大宗商品价格呈现出剧烈波动的特征,极大地提高了对其准确预测的难度.选取芝加哥交易所(CBOT)玉米、纽约商业交易所(COMEX)黄金和西德克萨斯中间基(WTI)原油分别作为大宗商品农产品类、金属类和能源类的代表对象,并且基于改进的互补集成经验模式分解(ICEEMDAN)和变分模态分解(VMD)构建二次分解算法对大宗商品期货原始价格序列充分分解,再采用粒子群优化(PSO)的核极限学习机(KELM)对各分量建模预测,最终得到对原始大宗商品价格的预测.实证结果显示,相较于单一预测模型和单次分解混合预测模型,二次分解混合预测模型能够显著提高预测效果,并在单步和多步预测中均能保证良好的预测精度.

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)二次分解和长短时记忆(LSTM)网络的风速多步预测方法。该方法首先应用变分模态分解(VMD)将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。

基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测

根据采空区路面塌陷数据的特性,提出了基于经验模态分解(EMD)和加权最小二乘支持向量机(WLS-SVM)预测采空区地面塌陷的新方法,并将其应用于吉林省长平高速公路因刘房子煤矿开采而引起的塌陷预测中。对实测的塌陷数据首先利用三次样条插值得到平滑的信号曲线,然后用EMD对插值后的信号进行时空滤波降噪处理,得到反映塌陷趋势的剩余分量,最后将其馈入到WLS-SVM模型完成预测。预测给出了采空区塌陷的中长期预测结果,得到塌陷区的最终塌陷值为174.34 cm,预测结果与实际监测数据平均偏差约1.06%。对长平高速公路下伏采空区段的实测数据进行分析,并与最小二乘支持向量机(LS-SVM)和BP神经网络预测结果进行了对比。结果表明:基于EMD和WLS-SRM的采空区地面塌陷预测方法具有更高的预测精度和广泛的适用性。

采用二次经验模态筛选的谐波辨识方法

谐波辨识研究在智能电网发展中占有重要的地位,采用传统Hilbert-Huang变换(Hilbert-Huang transform,HHT)对该类非稳态信号进行处理时,会产生模态混叠、端点效应等影响信号分析精度的问题。针对此情况,提出一种模态筛选算法,采用屏蔽信号(masking signal)与原扰动信号叠加实现对模态混叠的抑制,通过端点非镜面对称延拓消减Hilbert变换(Hilbert transform,HT)后的端点"飞翼",并提出二次经验模态筛选算法来提高固有模态函数(intrinsic mode functions,IMFs)中所含频率的唯一性,从而改善对非稳态信号的分析精度。稳态和非稳态信号谐波辨识实验验证了该算法在谐波辨识中具有很高的抗干扰性和准确性。

基于二维经验模态分解算法的织物疵点自动检测

为解决织物疵点检测工序中存在的耗时性问题,提出一种基于二维经验模态分解(EMD)的多方向自适应检测方法。通过Delaunay三角分割、径向基函数插值与二维三次样条插值等方法实现二维EMD算法,用该方法将织物灰度图像分解为一系列子图像,选取包含疵点信息的子图像进行融合,最后通过阈值化来识别织物图像中的疵点。借助于工业线阵相机采集包含不同疵点的织物图像,并利用提出的方法进行自动检测。结果表明,子图像融合结果中疵点信息明显,与背景的反差强烈,通过阈值法可以直接判断出图像中是否包含疵点,并完成疵点定位,该方法对织物疵点的检测十分有效。

基于多步分解的股价预测模型

金融领域一直备受关注,且股价受多种因素影响,其预测也存在一定的挑战性。为准确预测股价,为投资者和交易者提供有益的决策支持,本研究旨在提出一种基于多步分解的股价预测模型。首先通过变分模态分解(VMD)分解原始序列,重构高复杂成分,然后应用鲁棒局部均值分解(RLMD)进行二次分解,最后利用PSO-LSTM模型进行预测。为验证所提模型的有效性,将股票数据经VMD-MFE-RLMD分解与没有分解、只有VMD分解以及传统模型CNN、SVR、GRU进行对比,在沪深300指数数据集上的结果显示:股票数据经VMD-MFE-RLMD分解的预测误差MAE、MSE、RMSE、MAPE均小于没有分解以及只经VMD分解的预测误差,且低于传统预测模型的预测误差,提高了预测精度。最后,将此模型应用在上证50指数数据集上,同样取得了较好的预测结果,再次证明了所提模型在股价预测上具有更高的预测精度。

基于二次自适应支持向量机的光伏输出功率预测

针对传统相似度函数在聚类过程中所存在的问题,提出改进灰色-欧氏距离相似度函数,并将历史样本日模糊聚类分为若干类。另外,考虑到光伏输出数据的复杂性,该文结合小波分解(WD)和集成经验模态分解(EEMD)的各自优势,对光伏数据作双分解处理,得到趋势分量与细节分量,然后采用二次自适应支持向量机模型分别进行光伏功率预测。最后,采用美国俄勒冈州某处光伏发电场的实测数据实验,验证模型的实用性和可行性。

基于VMD的广义二次互相关时延估计方法

针对广义互相关(GCC:Generalized Cross-Correlation)时延估计方法在低信噪比的情况下会产生较大误差的问题,提出一种基于变分模态分解(VMD:Variational Mode Decomposition)结合广义二次互相关(GSCC:Generalized Second Cross-Correlation)进行时延估计的方法。该方法首先对两路信号分别进行变分模态分解,分离有效模态和噪声模态,使用豪斯多夫距离(HD:Hausdorff Distance)优选模态并重构信号,然后运用广义二次互相关对处理后的信号进行时延估计。理论分析和仿真实验结果表明,与广义二次互相关方法、小波去噪结合广义二次互相关(WT-GSCC:Wavelet-GSCC)方法比较,该方法能有效提升估计精度,具有良好的抗噪性能。

二次VMD筛选-MPE和FCM相结合的故障诊断方法

针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得到有用的本征模态函数(IMF)。其次,提取重构信号中具有敏感特性的MPE特征。最后,将故障特征输入至FCM得到聚类中心,并根据海明贴近度对待识别样本进行分类。通过多组对比实验,结果表明二次VMD筛选能有效去除噪声及虚假成分,MPE具有更好的敏感故障特征表征能力。同时,使用FCM对模糊特征进行聚类能够取得比传统支持向量机(SVM)更好的效果。

基于EEMD和二次相关法的管道泄漏定位检测

针对当前管道泄漏信号噪声大、定位误差大的问题,提出一种提高定位精度的新方法.泄漏信号经过总体平均经验模态分解(EEMD)之后,可以得到不同尺度的固有模态函数(IMF)分量,这些分量与原信号的相关系数可以作为信号重构的主要依据.这种自适应的降噪方法,不仅提高了重构信号的信噪比,还有效去除了模态混叠的干扰.然后,利用二次相关运算对两路降噪后的泄漏信号进行延时估计,再根据泄漏定位模型计算泄漏位置.最后,采用直接相关方法、基于经验模态分解(EMD)的相关方法以及本文提出的EEMD相关数据处理方法,分别对同组实验数据进行处理,对比定位误差.实验结果表明,EEMD相关方法相比前两种方法,有效抑制了模态混叠,提高了定位精度.