基于改进经验模态分解法和T-Copula的短期负荷预测

为解决短期负荷预测问题,进一步提高预测精度,提出了一种混合型短期负荷预测模型。采用改进的经验模态分解法将负荷分解为若干低频分量;为补偿信号分解过程中的信息损失,利用T-Copula将相关变量的影响纳入模型中,从风险值中提取峰值负荷二元变量,以提高高峰时段的负荷预测精度;将改进经验模态分解法和T-Copula得到的数据应用于深度置信网络,预测未来特定时间的负荷需求;用平均绝对百分率误差和均方根误差评估了该负荷预测模型的性能。结果表明,与传统的预测方法相比,所提模型具有较高的预测精度。

基于改进EMD算法在氧化锌避雷器泄漏电流中的去噪研究

经验模态分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应信号分解方法,在数据特征提取中被广泛应用。针对EMD自身存在的模态混叠、端点效应等问题,提出了一种将改进的经验模态分解法对金属氧化物避雷器(Metal Oxide Arresters, MOA)的泄漏电流信号进行去噪处理。对MOA含噪声的泄漏电流信号采取固有模态函数(Intrinsic Mode Functions,IMF)分解,通过计算各层IMF分量和原始信号间的相关系数,获取信号和噪声主导的IMF分量的分界点。通过重构有用信号的改进模态算法实现MOA泄漏电流的去噪处理。结合信噪比、均方根误差和波形相似系数等评价指标对去噪效果进行评估,通过算例结果验证改进方法在MOA信号处理方面的有效性。

基于改进EMD的微机械陀螺随机误差建模方法

为了降低微机械(MEMS)陀螺仪的随机误差,提出一种将改进的经验模态分解法(EMD)与传统建模滤波方法相结合的新方法对随机误差进行处理。首先采用传统EMD算法将信号分解为有限个本征模态函数(IMF),并根据皮尔逊相关系数准则和噪声统计特性提出一种筛选机制,将IMF分为噪声IMFs、混叠IMFs和信号IMFs 3类;其次,对混叠IMFs进行时间序列建模,建模完成后进行卡尔曼滤波拟合;最后,将建模滤波后的混叠IMFs与信号IMFs进行重构,得到最终去噪信号。实验分析结果表明,本文方法在抑制随机误差的效果上有明显的优势,极大地改善了信号的质量,提高了惯导的解算精度。

基于改进EMD和RBFNN的短期风速预测模型

为提高短期风速预测精度,提出改进经验模态分解法(empirical mode decomposition,EMD)与径向基函数神经网络(radial basis function neural network,RBFNN)相结合的短期风速预测模型。首先,利用极值点对称延拓法对预处理过的风速序列进行处理,以抑制传统EMD在分解过程中所引起的边缘效应,并引用分段三次埃米特插值法解决传统EMD包络线的过冲或欠冲问题;然后,利用改进EMD将风速序列分解成各本征模态(intrinsic mode function,IMF)分量,再针对各分量分别构建各自的RBFNN模型进行预测;最后,将各分量的预测结果进行重构、叠加,得到最终的原始风速预测值。实验结果表明,改进的EMD-RBFNN预测模型能有效地提高风速预测精度,并具有一定的应用价值。