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。

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。

基于改进经验模态分解的直线电机伺服系统迭代学习控制

针对直线电机伺服系统迭代学习过程中因误差积累效应引起的收敛速度慢和跟踪精度差的问题,提出一种基于改进经验模态分解的控制策略。首先,设计一种具有自适应性调节特点的迭代学习位置控制器。然后,提出一种基于三角极值波延拓与互补集合经验模态分解的改进算法,该算法可将各次迭代的跟踪误差进行分解,筛选并剔除影响误差收敛的分量。通过仿真分析并与传统迭代学习控制进行比较,证明了本文方法具有更快的收敛速度,能够以较少的迭代次数实现直线电机的高精度跟踪控制。

改进的经验模态分解方法和解析能量算子在电机轴承故障诊断中的应用

针对电机轴承故障信号能量微弱导致极易被噪声干扰所淹没的不足,进行了电机轴承故障特征提取研究;提出了一种改进的经验模态分解方法,包括谱峭度指标和一种新颖的解析能量算子相结合的电机轴承故障诊断方法;经实际测试与应用实现了对电机轴承故障信号中背景噪声干扰的去除,从而满足了电机轴承微弱故障特征提取的应用;通过与常用的电机轴承故障诊断方法对比验证了所提方法的有效性和优越性,为电机轴承故障诊断提供一个新的思路。

基于改进集成经验模态分解和高斯过程回归的锂离子电池剩余容量及寿命预测方法

锂离子电池在储能电站中为消纳可再生能源作出了重要贡献,其运行的稳定性和可靠性受到了研究人员的持续关注。为了解决锂离子电池容量及剩余寿命的预测和抑制测量过程中因各种外界因素引起的噪声,提出了一种基于改进的集成经验模态分解MEEMD(Modified Ensemble Empirical Mode Decomposition)去噪和经贝叶斯优化的高斯过程回归BO-GPR(Gaussian process regression optimized by Bayesian optimization algorithm)的锂离子电池容量及剩余寿命预测方法。利用MEEMD方法识别并去除原始测量数据中的噪声分量。利用BO-GPR方法预测锂离子电池容量及剩余寿命,其中贝叶斯优化方法对高斯过程回归的部分超参数进行了进一步寻优。文章基于美国国家航空航天局研究中心提供的锂离子电池测量数据进行了预测实验,结果表明,该方法能够有效去除噪声信号,选取的协方差函数和超参数组合达成的预测效果优于初始GPR模型,证明了其有效性。

基于多信号和改进经验傅里叶分解的故障特征提取方法

针对滚动轴承故障信号受设备多结构和复杂传递路径干扰,故障诊断准确性受到影响这一难题,提出了一种基于多信号改进经验傅里叶分解(MS-IEFD)的轴承故障特征提取方法。首先,为了充分利用多信号中的故障特征,利用改进经验傅里叶分解处理了两个不同测点测得的故障信号,设定各阶模态信号与原始信号的相关系数阈值为0.1,并以此为依据确定了信号分解的最佳个数;然后,提出了加权的谐波显著性指标对初始的频带划分进行了优化,避免了信号过分解,减少了带宽过窄的无效频带,以此指标最大值为准,确定了最优模态分量;其次,借助互相关分析的优势,分析了两信号的最优模态分量以进一步增强信号的特征成分,借助快速傅里叶变换准确提取了滚动轴承的故障特征,判断了轴承故障类型;最后,利用MS-IEFD方法对仿真和实验信号进行了分析,仿真分析时构造了信噪比为-10 dB和-15 dB的信号,用以模拟不同测点信号的情况,实验分析时利用实验台测得了不同测点处的滚动轴承振动信号。研究结果表明:MS-IEFD方法能从强背景干扰中准确提取出滚动轴承故障特征,为准确判断滚动轴承故障类型提供依据;与变分模态分解(VMD)等方法相比较,可进一步突出MS-IEFD方法在弱特征提取方面的有效性。

基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life,RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。

改进复合插值包络经验模态分解的滚动轴承故障特征提取方法

针对复合插值包络经验模态分解(CIEEMD)方法存在非平稳系数阈值无法自适应确定的问题,提出了一种改进复合插值包络经验模态分解(ICIEEMD)方法。首先,以边长为ε的网格覆盖振动信号求出其分形盒维数,实现信号非平稳阈值自适应选取,分解得到若干固有模态函数(IMF);其次,结合互相关系数、时域峭度和包络谱峭度建立互相关系数-TE峭度(C-indexTE)复合指标,筛选出有效IMF分量并重构信号,使用Teager能量算子解调获得重构信号的能量谱,实现滚动轴承故障特征提取;最后,基于仿真信号和实验台滚动轴承数据集进行实验分析,与CIEEMD方法和谱峭度法相比,所提方法能够提取出更加清晰的故障特征频率,证明了所提方法的可行性和有效性。

基于经验模态分解和改进小波软阈值降噪法的电站信号降噪研究

在对电站各类信号进行故障诊断时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中强噪声干扰,导致在后续信号关键特征的识别和处理时会出现较大困难。为降低噪声的影响,本文将经验模态分解与改进小波软阈值降噪法相结合进行电站信号的处理并进行了方法有效性验证。该方法的主要流程如下:首先,将信号进行经验模态分解,分离出若干个本征模态分量和残差。其次,对其与原始信号进行互相关分析,识别有用信号主导的分量和噪声主导的分量,并将噪声信号主导的分量进行改进小波软阈值降噪法处理后,将其与有用信号分量和残差进行重构。最后,将经验模态分解和改进小波软阈值降噪法降噪处理后的信号与传统只采用小波阈值降噪法处理后的信号进行评价,结果表明本文方法的信噪比更高、均方根误差更小、相关系数更高、平滑度更好,可有效消除背景噪声的影响。

基于改进完备集成经验模态分解的钢丝绳缺陷漏磁检测方法

钢丝绳小缺陷信号往往被淹没在股波噪声中,存在钢丝绳小缺陷检测困难、易漏检等问题。针对该问题,提出了一种基于改进完备集成经验模态分解(ICEEMD)的钢丝绳缺陷漏磁检测方法。为了避免钢丝绳表面润滑剂或尘埃对检测信号造成影响,采用电磁检测法。将ICEEMD、小波阈值滤波(WTF)、维纳滤波(WF)相结合,得到ICEEMD-WTF-WF多级降噪方法:通过ICEEMD分解钢丝绳漏磁信号,得到本征模态函数(IMF)分量;计算IMF分量的能量比、排列熵、互相关系数,取出IMF趋势分量和IMF股波噪声分量,并对股波噪声分量进行WTF,筛选有用的IMF分量重构信号;对重构后的信号进行WF,去除随机噪声。提取降噪后的缺陷特征值,输入BP神经网络并进行训练,识别钢丝绳缺陷漏磁信号。实验结果表明:ICEEMD-WTF-WF多级降噪方法对钢丝绳漏磁信号具有良好的降噪效果,信噪比、峭度指标优于WTF、移动平均滤波和WF;基于ICEEMD-WTF-WF的BP神经网络模型检测耗时短,对小缺陷的平均准判率达到98.13%,能较好地满足钢丝绳缺陷检测要求。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

模态分解及混合模型在比特币价格预测中的应用

独特的生产、发行和交易机制等多种因素的影响下,比特币价格表现出极端的波动性,导致了预测任务的复杂性.为此提出了基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)的混合预测模型,将复杂的原始序列分解成多个简单固有模态函数(IMFs),并通过重构算法将IMFs集成为不同频率的分量.根据各分量的不同数据模式,选取不同机器学习模型分别进行预测,叠加各分量预测结果得到最终比特币价格预测结果.对比结果表明,该模型在各评价指标上均优于单一预测模型,混合模型可以优化预测结果,较好地减小预测误差.

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。

改进双谱和经验模态分解在牵引电机轴承故障诊断中的应用

铁路机车传动系统的故障诊断,对保障列车安全可靠运行、防范事故发生起重要的作用。为了有效诊断牵引电机轴承的早期故障,提出基于经验模态分解和改进双谱的故障特征提取方法。经验模态分解是一种数据驱动的信号处理算法,相当于一个自适应滤波器组,其可将信号分解成占据不同频带的固有模态函数,实现信号消噪。滚动轴承承载运转时,局部损伤点以故障特征频率反复撞击与之接触的其它元件表面,会引发机械系统共振;基于此,采用改进双谱分析轴承振动信号各分量间的相互作用,检测轴承故障特征频率。机车实际运行试验表明,所提方法能准确诊断牵引电机轴承的早期故障。

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。

基于改进频移经验模态分解的低频振荡参数提取

对于规模越来越大的复杂电力系统来说,采用基于量测数据的低频振荡研究方法日益受到重视。经验模态分解(EMD)方法的分解过程具有自适应且适于分析非平稳信号,在低频振荡参数提取方面应用较多,但EMD方法存在模态混叠等现象。当信号中2个单频分量的频率在2倍频内时,频移经验模态分解(FS-EMD)可将2个分量分解开。但当信号中有多个单频分量的频率在2倍频内时,FS-EMD就无法分解。为了提高EMD的频率分辨率并使分解方法具有通用性,文中提出了改进的频移经验模态分解(RFS-EMD)算法。此方法增大了信号中组成分量的频率比,且保证频率不翻转,使之可循环使用RFS-EMD算法分解复杂信号。该方法在应用于电力系统低频振荡模态参数的提取时,能较好地提取多个2倍频范围内的低频振荡模态分量的频率、幅值、相位及阻尼比等参数。数值仿真和实例分析均表明了该方法的有效性。