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。

中值互补集合经验模态分解

针对经验模态分解(Empirical mode decomposition,EMD)系列方法存在的模态分裂(Mode splitting,MS)问题,提出中值互补集合经验模态分解(Median complementary ensemble EMD,MCEEMD)算法.通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD,CEEMD)的MS问题,证明了使用中值算子替代算术平均算子对抑制MS的有效性.为了兼具抑制MS和残留噪声的性能,MCEEMD算法首次在集合过程中结合了中值和平均算子.具体地,所提方法首先添加N对互补的白噪声至原信号中,并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions,IMFs),然后分别对其中互补相关的IMFs两两取平均得到N组IMFs,最后使用中值算子处理上述N组IMFs得到输出结果.对仿真信号与两个真实案例的分析结果表明,本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题,而且避免了单一使用中值算子的两个缺点:分解完备性差和IMFs中存在的毛刺现象.

基于互补集合经验模态分解与样本熵算法的接地系统故障选线研究

针对中性点经消弧线圈接地的配电网接地系统在发生单相接地故障时存在故障电流特征不明显、阈值整定困难和故障选线准确性不高等问题,本文提出一种无阈值的基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与样本熵的故障选线方法。通过研究故障线路零序电流暂态特性,选定震荡和衰减特征的高频分量作为观测对象,提出基于CEEMD算法的高频分量快速提取方法及故障表征策略,探究基于高频分量的样本熵作为无阈值选线判据的可靠性。模拟建立多场景扰动下中性点经消弧线圈接地系统模型,验证了所提算法在不同线路位置、故障合闸角、接地电阻和消弧线圈补偿度等工程场景下应用的可行性。其中,所提的算法能够实现仅采集半个周期电流的快速故障选线,并且该方法无需设置阈值,不受系统不同运行方式影响,易于多场景故障选线的工程应用。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

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。

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。

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。

基于互补式集合经验模态分解和IPSO_ LSSVM的短期风功率预测

针对风电出力随时间变化具有非线性特点,本文提出一种基于互补式集合经验模态分解(CEEMD)和改进粒子群算法最小二乘支持向量机(IPSO_LSSVM)新型风功率预测组合模型。首先该方法利用CEEMD将风速序列分解为一系列相当平稳风电分量,以减少不同频率功率信号之间相互影响;其次针对各分量不同特点,采用改进粒子群算法优化核函数相关参数建立各自对应预测模型;最后将不同分量预测数据进行叠加得到风功率预测结果。通过仿真验证,本预测模型有较高预测精度,在工程中具有一定实用价值。

基于互补式集合经验模态分解和SSA-ELM的短期风电功率预测

根据实际风电功率信号的波动性和非线性,提出了一种基于互补式集合经验模态分解(CEEMD)和樽海鞘群算法极限学习机(SSA-ELM)的短期风电功率预测模型。首先利用CEEMD将风电功率原始信号分解为一系列模态分量和剩余分量,以减小风电功率的非平稳性;其次采用樽海鞘群算法优化极限学习机对不同分量进行预测;最后将不同分量的预测值叠加得到最终的风电功率预测结果。通过实例仿真验证,并与其他方法进行对比,结果表明该预测模型可提供较高精度的预测结果,具有一定的实用价值。

考虑集合经验模态分解的风电储能系统能源管理协调控制方法

传统的风电系统能源管理控制方法对储能容量利用的优化程度有限,因此提出了一种新的基于集合经验模态分解的风电储能系统能源管理协调控制方法。采用时空滤波器对风功率信号进行分解,得到固有模态函数分量和趋势分量,从而确定储能系统控制功率分配,建立风电储能设备控制模型,最后实现风电储能系统能源管理协调控制。仿真测试结果表明,采用集合经验模态分解的风电储能系统能源管理控制方法相比于传统方法,能实现更优化的储能设备充放电次数和更有效的储能容量利用,提高了系统的可靠性和能源利用效率。

基于互补集合经验模态分解与支持向量回归的PM_(2.5)质量浓度预测

针对大气PM_(2.5)质量浓度的非线性和非平稳性的特点,为了提高PM_(2.5)质量浓度的预测精度,采用"分解与整合"的预测方法,建立了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和支持向量回归(support vector regression,SVR)的混合预测模型(CEEMD-SVR).该模型首先采用CEEMD对PM_(2.5)质量浓度的原始时间序列进行分解,得到若干具有不同时间尺度的相对平稳分量;然后采用SVR算法对各个分量分别进行预测;最后求出各个分量的预测值之和,作为原始PM_(2.5)质量浓度的预测结果.选取北京市海淀区万柳监测站点2014年3月1日—2015年4月30日的PM_(2.5)日均质量浓度以及北京市怀柔监测站点2014年5月1日—2015年4月30日的PM_(2.5)日均质量浓度作为实验样本集.研究结果与EEMD-SVR、EMD-SVR和单一SVR模型进行对比,表明CEEMD-SVR模型有效提高了PM_(2.5)质量浓度的预测精度.

基于互补集合经验模态分解法的变压器局部放电信号去噪方法

提出一种针对特高频(ultra-high frequency,UHF)局部放电(partial discharge,PD)信号的去噪方法。首先利用互补集合经验模态分解法(complete ensemble empirical mode decomposition,CEEMD)将PD信号分解为一系列本征模态函数(intrinsic mode function,IMF),然后通过峭度值判定规则找出含有效PD成分的多组IMF,最终采用小波阈值法对重构信号进一步去噪。仿真和实测算例的处理结果表明,该方法能够有效去除UHF PD信号中的多种噪声,且去噪性能优于单纯的小波自适应阈值法和基于集合经验模态分解法。

基于互补集合经验模态分解的近场脉冲地震信号降噪算法

针对近断层地震速度脉冲信号非线性非平稳的特点,建立了以互补集合经验模态分解(Coplementary Ensemble Empirical Mode Decomposition,CEEMD)为基础的一种降噪算法。该算法首先对仿真信号进行CEEMD操作,获得从高频到低频的固有模态函数(Intrinsic Mode Function,IMF),然后对IMF筛选叠加,得到多组含不同阶数的重构信号;通过算法相关度和逼近度组成综合评价指标,对多组重构信号进行筛选,得到全局最优重构组合Rec3,实现信号的有效去噪。然后采用以所选最优重构组合为基础的降噪算法分析实测速度脉冲信号。结果表明:该降噪算法具有很好的降噪效果,所得结果曲线较原信号曲线光滑平整,主脉冲信号清晰可辨,且由于算法本身没有人工加窗这类操作,使得其自适应良好,具有一定的实用性和可靠性。

基于互补集合经验模态分解的线路故障测距

为了使高压输电线路在产生故障后,能够快速、精确地找到线路上的故障点,恢复电力系统的稳定性,设计了基于互补集合经验模态分解的线路故障测距方法。当输电线路产生故障后,故障线路会产生暂态行波,暂态行波是一种非线性非平稳的信号,而希尔伯特-黄用于非线性非平稳的信号分析。由于在经验模态分解故障信号时,可能会出现模态混叠的问题,故提出在基于希尔伯特-黄的基础上,将经验模态分解替换成互补集合经验模态分解的方法来分析故障信号,实现故障定位。利用MATLAB软件搭建仿真模型,仿真结果验证了方法的可行性。

基于互补集合平均经验模态分解的滚动轴承故障诊断方法研究

针对集合经验模态分解(EEMD)的机械故障诊断方法中存在的不足,即其加入的白噪声不能完全被中和。为了克服其不足,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承故障诊断方法,提出的方法很好地克服了EEMD中存在的不足,有效地消除了IMF中的残留噪声。仿真结果表明:提出的方法明显优于EEMD方法,可以减少重构误差,提取较为准确的IMF分量。最后,将CEEMD方法应用到滚动轴承故障诊断中,实验结果表明,CEEMD方法能准确的提取滚动轴承的特征故障频率。

基于小波包分析与互补集合经验模态分解的轴承故障诊断应用

针对滚动轴承早期故障信号特征微弱且难以提取的问题,提出结合小波包分析与互补集合经验模态分解的故障诊断方法;凭借小波包在分解时能处理噪声的功能,通过预处理振动信号初步消除噪声,然后利用互补集合经验模态分解得到各本征模态函数分量,并结合快速谱峭度的频带范围和相关系数计算,从而筛选出真实分量用以重构获得有效的故障特征信号。结果表明,该方法能较好地识别并提取目标轴承的故障特征信息,具有一定的可行性和有效性。

基于改进互补集合经验模态分解的自适应小波熵阈值地震随机噪声压制算法

针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR)1 dB以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。

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。

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.

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。