基于复数据经验模态分解的噪声辅助信号分解方法

集成经验模态分解(EEMD)在一定程度上减轻了经验模态分解(EMD)中的模态混叠,但集成平均会带来新的模态混叠、频谱丢失和运算量增大等问题,影响到对信号物理特征的分析与提取.因此,本文提出一种基于复数据经验模态分解(CEMD)的噪声辅助信号分解方法,在CEMD中以白噪声分解的内禀模态函数(IMF)在指定方向上的投影为基函数来辅助观测信号分解过程中的极值选取,从而减小模态混叠,同时利用噪声投影的影响在求包络质心时被消除的特性,减小EEMD因集成平均带来的相关问题.仿真结果表明,本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,并且在一定程度上减轻了频谱丢失问题.

基于NACEMD-Elman神经网络的风功率组合预测

在电力系统中风电装机容量增长的背景下,高精度的超短期风功率预测是保证系统可靠运行的重要基础。为此,提出一种以复数据经验模态分解的噪声辅助信号分解法(NACEMD)和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用NACEMD将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络对各分量建立预测模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。实例分析表明,提出的组合预测法既可进一步减轻现有方法中存在的模态混叠现象,具备较高的预测精度。研究成果可为风功率预测提供参考。