基于经验模式分解与人工神经网络的短期电力负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列的电力负荷,提高预测精度,提出了一种基于经验模式分解(EMD)和人工神经网络(ANN)的电力短期负荷预测方法。该法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量(IMF),对各分量分别进行分析,可准确把握负荷变化特性和环境因素影响。对这些分量采用相匹配ANN模型进行预测,综合得到负荷序列的最终预测结果。仿真试验表明,与传统BP神经网络预测方法相比该方法具有较高的精度和较强的适应能力。

基于经验模式分解的齿轮箱振动辨识(英文)

论述了一种新的针对非线性非平稳信号的经验模式分解 (EMD)方法 ,使用EMD方法对齿轮箱振动信号进行了辨识 ,并且与离散小波分解方法进行了对比 .结果表明 ,通过EMD分解获得的齿轮箱振动内在模式分量 (IMFs)能很好地辨识出齿轮的啮合振动模式 ,且比离散小波方法的分解效率更高 ;EMD分解的第 3个IMF_IMF3清晰地表示出齿轮箱的第一级齿轮的 2

EMD-GM(1,1)模型及在大坝变形预测中的应用

大坝水平位移影响因素复杂,形成的数据序列一般不具有单调性,但灰色GM(1,1)模型只有在数据序列具有单调性时才能得到比较好的结果。针对这种情况,详细讨论了EMD-GM(1,1)模型的基本内容及建模过程。EMD-GM(1,1)模型利用EMD的自适应性,自动地从目标序列提取出若干个独立的内在模式分量(IMF),剩余余项则具有单调性,然后采用GM(1,1)模型对余项进行拟合,并使用适宜的方法对各IMF分量进行拟合,最后通过加权平均求出最终值。仿真试验表明,EMD-GM(1,1)模型由于考虑了白噪声对模型的影响,提高了灰区间的白色度,预测效果比传统的GM(1,1)模型效果好。因此,在大坝变形的预测预报中EMD-GM(1,1)模型比GM(1,1)模型具有更高的应用价值。