基于互补型集成经验模态分解-模糊熵和回声状态网络的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种噪声互补型集成经验模态分解(CEEMD)-模糊熵和泄漏积分型ESN(Li ESN)的组合预测方法。为降低对负荷序列进行局部分析的计算规模以及提高负荷预测的准确性,首先采用CEEMD-模糊熵将负荷时间序列分解为具有明显复杂度差异的负荷子序列;然后,通过对各子序列进行特性分析,分别构建相应的子Li ESN预测模型;最后将各子序列的预测结果叠加得到最终预测值。将CEEMD-模糊熵结合Li ESN的组合预测方法应用于美国新英格兰地区短期电力负荷实例中,仿真结果表明,所提出的组合预测方法具有很高的预测精度。

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

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。

互补集成经验模态分解在MOA监测中的应用

针对金属氧化物避雷器在线监测中提取持续电流信号含噪声的问题,提出了基于互补集成经验模态分解(CEEMDAN)的避雷器持续电流去噪方法。将含噪电流信号分解成一系列固有模态函数(IMF),对分解后的IMF进行自相关分析,选出有用信号和含噪分量,对含噪的IMF进行SG (savitzky-golay)滤波去噪,将滤波后的模态分量与剩余的分量进行重构得到消噪后的持续电流信号。MATLAB仿真结果表明:正常情况和老化情况下的MOA去噪后的持续电流均方根误差(正常:3.209 8×10-5,老化:0.002 5)比去噪前的(正常:2.450 9×10-4,老化:0.017 3)均降低了一个数量级,说明该方法有效消除了噪声对避雷器持续电流信号提取的影响,保证了MOA进一步监测分析的准确性。

一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能,提出一种新型的结合互补集成经验模态分解(CEEMD)和小波核函数极限学习机(WKELM)的短期电力负荷组合预测模型。首先通过CEEMD将历史电力负荷数据自适应地分解为一系列相对平稳的子序列,对各分量建立小波核极限学习机的预测模型,预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测,算例表明新模型在预测精度和效率上都具有一定优势,同时克服了传统EMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷,具有一定的实际应用潜力。

一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。

基于分解-预测-灰狼优化集成模型的水质预测研究

准确的水质预报及关键因素识别是流域水环境控制及水资源保护的重要依据。针对地表水水质评价指标的多样性以及原始数据的非线性、非平稳的特征,在改善传统的分解-预测-集成时间序列预测框架之上,提出了一种基于集合经验模态分解(EEMD)和灰狼优化集成策略(GWO)数据预测模型。该模型采用集合经验模态分解方法对数据进行分解,得到不同频率的分解分量,再分别运用Elman神经网络、长短记忆神经网络(LSTM)和支持向量回归(SVR)作为基学习器进行预测,然后利用灰狼动态优化集成策略对预测结果进行集成,最后,以长江下游水质断面的数据对模型有效性进行评估,并与单一预测模型和平均集成策略的预测模型进行对比。研究结果表明,该模型在误差评价指标和DM检验上表现优异,相较于其他模型更具优势,其中,对于溶解氧的预测,相较于平均集成策略的预测模型,通过灰狼优化集成模型的平均绝对误差(MAE)、均方根误差(RMSE)以及Theil不等系数(TIC)分别降低了16.29%、13.17%、13.24%,对于最终水质等级的预测正确率为98.6%,证明该模型能够准确预测水质等级并识别关键影响因素,进而为水环境污染治理提供科学依据。

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。

集成经验模态分解中加入白噪声的自适应准则

现有集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)算法中加入白噪声的大小与集成的次数都需要人为按照经验设定,缺乏可靠性。针对此问题,提出了自适应集成经验模态分解(adaptive ensemble empirical mode decomposition,简称AEEMD)算法,并给出了一种在EEMD方法中有效加入白噪声的可依据准则。首先,计算出输入信号的幅值标准差;然后,采用高通滤波方法对输入信号进行分解,通过计算高通滤波分解后的高频分量幅值标准差和输入信号幅值标准差来确定加入白噪声的幅值标准差,在此基础之上,EEMD集成次数根据期望的信号分解相对误差和加入白噪声的幅值标准差惟一确定;最后,为了进一步提高相邻模态函数的正交性,对AEEMD分解结果进行二次处理。仿真试验验证了AEEMD方法的抗混分解能力,将AEEMD方法应用于转子油膜涡动的故障监测诊断中,提取出转子油膜涡动的故障特征,并与基本EMD算法进行了对比,结果表明,AEEMD更加精确地提取了油膜涡动信号的故障特征。

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难。为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法。首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF)。然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测。最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果。采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度。

基于神经网络集成的B样条经验模态分解端点效应抑制方法

经验模态分解对非线性、非平稳信号进行平稳化处理时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是其利用样条曲线构造信号上下包络线的过程中存在严重的端点效应。在分析端点效应产生机理的基础上,提出基于神经网络集成的B样条经验模态分解(B-spline empirical mode decomposition,BS-EMD)端点效应抑制方法,研究神经网络集成延拓的原理,利用神经网络集成对数据进行左延拓和右延拓,利用B样条插值函数对延拓后的数据进行插值计算,得到信号的均值曲线,进行经验模式分解,得到本征模函数。仿真和试验结果表明,该方法能有效抑制BS-EMD的端点效应。

基于集成经验模态分解的高压直流输电线路行波故障测距

直流输电线路两端的边界元件会造成行波波头畸变,且过渡电阻和线路色散等因素会进一步增加对波头到达母线时刻进行准确标定的难度。基于行波原理,采用集成经验模态分解(EEMD)算法分解出行波高频分量从而获取测距所需的时间参数,提出一种高压直流输电线路新型故障测距算法。该算法无需识别行波波头和计算行波波速,不受输电线路弧垂的影响,具有较高的测距精度和可靠性。通过PSCAD和MATLAB联合仿真,结果表明,该测距算法准确可靠,具有较强的鲁棒性。

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。

基于集成经验模态分解的海杂波去噪

针对实际海杂波信号非线性非平稳的特点,提出基于集成经验模态分解(EEMD)的海杂波去噪方法.利用EEMD将含有目标信号的海杂波数据分解成一系列从高频到低频的固有模态函数(IMF),通过各个IMF的自相关,分选出有用信号和噪声分量,对噪声占主导作用的IMF选用Savitzky Golay(SG)滤波方法进行消噪,将滤波后的模态分量和剩余的分量进行重构得到削噪后的信号.结合最小二乘支持向量机(LSSVM)建立混沌序列的单步预测模型,从预测误差中检测淹没在海杂波背景中的微弱信号,比较去噪前和去噪后的均方根误差,利用均方根误差评价去噪效果.实验结果表明,EEMD算法对海杂波数据去噪是有效的,去噪后所得的均方根误差0.0028比去噪前所得的均方根误差0.0119降低了一个数量级.

基于集成经验模态分解和极端梯度提升的雷电预警方法

地面大气电场的观测和研究对减少雷电灾害、保障航空航天活动具有重要的意义。传统雷电预警方法忽略了大气电场信号的振荡尺度特性导致检测概率低。从大气电场信号的非线性非平稳特征出发,提出一种基于集成经验模态分解(EEMD)和极端梯度提升(XGBoost)的雷电预警方法。该方法采用EEMD分解大气电场仪观测的电场信号,计算原始数据和各固有模态函数的样本熵,按随机分量、细节分量、趋势分量进行分类重构,分别提取重构分量的统计和自编码器特征,采用XGBoost算法建立雷电预警模型,并对各分量的分类器进行融合。利用大气电场仪和闪电定位系统观测数据进行了实验研究,分析了算法的性能,相对于普通投票决策方法,检测概率最高提高了4.8%,且虚警率降低5.2%~6.4%。

采用改进互补集总经验模态分解的电能质量扰动检测方法

针对集总经验模态分解(EEMD)方法加噪参数(噪声幅值、集总次数)需人为确定、分解残余噪声大以及计算耗时长的缺点,提出一种自适应快速互补集总经验模态分解(AFCEEMD)方法.该方法分析不同频率形式噪声对极值点分布的影响,确定加噪频率采用高频辅助分解的优势,并以极值点分布特性作为评价指标自适应选择最优加噪频率.通过对EEMD加噪准则的研究,推导出加噪幅值和分解次数采取固定值:0.01SD和2次,且以正负成对的形式加入到原始信号中.通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的自适应性和计算性能,而且适用于电能质量扰动检测与分析.