基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究

针对光伏发电系统中光伏逆变器电路复杂,出现故障时间短等问题,文中提出一种基于改进的变分模态分解和卷积神经网络相结合的故障诊断方法,可有效地解决故障特征提取困难,特征参数奇异性差,以及由于特征参数差而引起的故障诊断率低等问题。利用SIMULINK建立光伏逆变器软故障模型,并采集相关参数作为样本;使用VMD对参数进行变分模态分解,得到若干分量,并且利用小波变换提取各模态分量的小波能量,获得故障特征值并降维;用卷积神经网络CNN进行故障诊断,并用其结果与传统的VMD-CNN神经网络、VMD-BP神经网络的诊断结果进行比较,验证了此神经网络用于光伏逆变器软故障诊断的正确性和精确性,具有一定的优势。

基于同步多分解集成预测方法的中国碳价格预测

本文采用奇异谱分解(SSA)、经验模态分解(EMD)和改进的变分模态分解(OVMD)三种不同的分解方法对北京、深圳、湖北三个碳交易所的碳价格数据进行同步的多通路分解,再通过K均值聚类方法重构分解得到的子序列,对重构后的序列利用Adaboost-ELMAN方法进行预测,最后借用BP神经网络对预测结果进行非线性集成。结果显示,该模型的预测精度优于基准模型,并验证了多通路分解方法能够有效地提高分解—集成预测框架下我国碳价格预测的预测效果。

过流条件下泵站管道振动响应混沌特性分析

为了验证泵站管道运行中存在混沌特性,明晰管道结构产生混沌特性的激励源,以某灌区泵站管道为研究对象,利用饱和关联维数、最大Lyapunov指数等指标对管道振动响应的混沌特性进行分析与验证,采用改进的变分模态分解(improved variatronal mode decomposition,IVMD)对管道振动响应进行多尺度混沌分析,得出使管道振动具有混沌特性的激励源。研究表明:泵站管道不同工况下各测点振动响应均具有混沌特性,其中管道轴向及岔管处测点振动的混沌特性较强。管道振动响应经IVMD分解后,代表输水湍流脉动激励的IMF1分量呈现较低维的混沌吸引子,而代表机组运行振动激励的其余分量无混沌特征,表明泵站管道振动时,输水湍流激励使其振动具有混沌特性,机组运行产生的振动激励掩盖了管道振动中的混沌特性,增加了管道振动的不确定性。研究结果为探索泵站管道的混沌特性及激励源特征提供理论基础。

IVMD对泵站管道振动响应趋势的预测分析

采用改进的变分模态分解(improved variational mode decomposition,简称IVMD)与支持向量机(support vector machine,简称SVM)相联合的方法,对泵站管道的振动响应趋势进行预测。首先,基于互信息准则确定IVMD的分解模态数,克服变分模态分解(variatronal mode decomposition,简称VMD)盲目选取分解参数的缺点,利用IVMD将机组和管道的振动序列分解为多个固态模量(intrinsic mode function,简称IMF),分别作为SVM模型的输入和输出;其次,利用粒子群优化(particle swarm optimization,简称PSO)分别寻找各模态分量对应SVM模型的最优参数并对各分量分别进行预测;最后,将各测点对应的IMFs预测结果重构作为最终的预测值。结合某大型泵站2号压力管道振动响应数据,分别采用IVMD-SVM,PSO-SVM和BP神经网络3种模型对管道振动响应趋势进行预测,并将预测结果进行对比分析。结果表明,IVMD-SVM模型得到的预测结果和实测值更加接近,计算精度更高,且误差较小,该方法对管道及类似工程结构的振动趋势预测具有一定的参考价值。

EMD-IVMD方法在验潮站水位序列降噪中的应用

针对验潮站水位变化序列非线性、非平稳特点,采用一种基于优化参数的变分模态分解和经验模态分解相结合的降噪方法。该方法先经过EMD分解原始信号后,得到低频和高频信号两个部分,再采用IVMD方法处理高频噪声部分,最后将两部分有效低频信号重构作为最终降噪信号。采用1组模拟数据和4个验潮站实测水位序列数据进行实验,并采用信噪比和均方根误差评价降噪效果,结果表明,EMD-IVMD方法明显优于EEMD和传统的EMD方法,该方法在信噪比精度指标上分别提升1.67%和1.52%,在均方根误差精度指标上分别提升9.59%和13.51%,验证该方法的有效性和可靠性。