基于极点对称模态分解的配电网故障区域定位模型

针对目前的配电网故障区域定位方法均受噪声影响,导致定位误差较大的问题,提出基于极点对称模态分解的配电网故障区域定位模型构建方法。利用极点对称模态分解方法分解配电网各区域采样数据,并搜索所有极点。构建故障区域定位判断函数,计算对称模态分解方差。引入故障区域上下游判断函数,确定最初的搜索间隔。创建网络拓扑描述矩阵,按故障判据进行故障定位,并判定故障最小区域,构建有向分层模型,完成配电网故障区域定位。仿真结果表明,该模型故障区域辨识结果与实际区域一致,且与实际故障电流正序分量相角检测的数值误差最大为0.09°,具有精准定位结果。

基于极点对称模态分解和概率神经网络的轴承故障诊断

针对复杂非线性的滚动轴承系统,提出了极点对称模态分解(ESMD)和概率神经网络(PNN)相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线(AGM)的概念优化分解的趋势线,并由此确定最佳的模态分解次数。PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差。通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别。

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解(ESMD)方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报。首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测结果。结果表明:组合模型预报精度大于单一模型,与ESMD-BP神经网络组合模型比,ESMDElman神经网络组合模型的8站年径流预报结果的平均相对误差(MAPE)平均降低3.6%,均方根误差(RMSE)平均降低7.8%,确定性系数平均提高5.0%;8站月径流预报结果的MAPE平均降低3.0%,RMSE平均降低2.8%,具有"分解→预测→重构"特点的组合模型提高了预报精度。

基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition,ESMD)-分散熵(dispersion entropy,DE)和改进乌鸦搜索算法(improved crow search algorithm,ICSA)优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine,KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。

融合极点对称模态分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离的观察信号少于源信号,且传统的盲源分离方法往往忽视信号非平稳性的问题,提出一种基于极点对称模态分解和时频分析的盲分离算法(ESMD-TFA-BSS)。首先,采用极点对称模态分解方法将观察信号分解成不同的模态,采用贝叶斯信息准则(BIC)估计源信号个数并利用相关系数法选取最优观察信号,由原观察信号与最优观察信号组成新的观察信号;其次,根据新的观察信号计算白化矩阵并将其白化,利用平滑伪Wigner-Ville分布将白化后的信号拓展到时频域,采用矩阵联合对角化方法计算酉矩阵;最后,根据白化矩阵和酉矩阵估计源信号。在盲源分离仿真实验中,ESMD-TFA-BSS的估计源信号与仿真信号的相关系数分别为0.977 1、0.978 4、0.966 0,基于经验模态分解和时频分析的盲分离算法(EMD-TFA-BSS)的相关系数分别为0.869 7、0.970 6、0.854 8,ESMD-TFA-BSS比EMD-TFA-BSS的相关系数分别提高了12.35%、0.80%、13.00%。实验结果表明,ESMDTFA-BSS在实际工程中能够有效地提高源信号分离精度。

基于极点对称模态分解和支持向量机的船用齿轮箱故障诊断

针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。

基于极点对称模态分解的配电网单相接地故障区段定位技术

配电网发生单相接地故障后,系统中将产生丰富的暂态电气量。利用故障点上游暂态零序电流幅值远大于故障点下游及正常线路的特征,提出一种基于暂态零序电流极点对称模态分解(ESMD)的配电网故障区段定位方法。基于实际配电网线路参数搭建典型缆-线混联仿真模型,对故障后暂态零序电流进行极点对称模态分解并构造相应的暂态能量函数,将构造所得的暂态能量函数作为评价各测点暂态零序电流幅值强弱的指标进行故障区段定位。仿真结果表明所提方法可有效提取故障特征,对各种故障工况适应性强,且各测点仅需上传1个暂态能量值,可有效降低通信要求、节约硬件投资成本。

基于极点对称模态分解的北京市降水特征分析

随着全球气候变化加剧,我国区域水资源紧缺日益严重,利用合理方法研究降水的变化规律对水资源规划管理尤为重要。基于北京市1951-2015年降水量时间序列,利用极点对称模态分解(ESMD)方法,分析北京市降水变化的多尺度特征和不同时间尺度下的突变,并对未来趋势变化做出判断。结果表明:北京市降水序列存在2.6、4.3、14和21.7 a的周期变化,不同时间尺度下发生突变的时间亦不同;各模态分量方差贡献率显示年际变化在北京市降水变化中占据主导地位;预测短期内北京市降水量将持续减少。

基于极点对称模态分解的三江源径流时空演变规律

气候变化和人类活动加剧改变了地球的水循环系统,因此,重新认识和掌握流域水循环演变规律具有重要意义。利用极点对称模态分解(ESMD)方法同时从趋势、突变、周期3个方面对三江源径流变化进行分析,并与现有的检测方法进行对比。结果表明:①黄河源地区由于降水增加趋势不明显,随着气温升高,蒸散量增大,导致年径流呈现不显著的下降趋势;长江源、澜沧江源径流由于降水和冰川融雪的增加,导致年径流呈现显著增强的趋势。②黄河源近61 a的径流过程在1990~1994年、2008年左右发生明显突变,长江源径流过程在2006年左右发生显著突变,澜沧江源径流过程在20世纪90年代和2008年左右发生突变。③黄河源近61 a径流过程存在12~15 a和30 a的周期性变化;长江源近60 a径流过程存在13~15 a的周期性变化;澜沧江源近49 a径流过程存在15~16 a和28 a的周期性变化,这些周期性变化主导着三江源年径流变化特性。

基于极点对称模态分解方法的聚焦波群演化特性研究

应用相位聚焦技术在船模拖曳水池生成了基于等波陡谱的聚焦波群,采用极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法研究了不同组成波带宽、不同聚焦波幅的聚焦波群的演化特性,重点分析了破碎与非破碎工况聚焦波群波面升高时间历程模态函数的瞬时频率、瞬时振幅和总能量的演化特性,研究发现基于总能量演化的聚焦位置分析可以较为准确地识别非破碎聚焦波群的实际聚焦位置,可以有效地描述聚焦波群发生破碎后继续传播和聚焦的演化过程,这些发现有助于深入理解非线性瞬态聚焦波群的演化特性。

基于改进极值波延拓的极点对称模态分解端点效应抑制方法

针对极点对称模态分解(ESMD)在电力谐波检测中出现端点效应问题,在分析总结目前抑制方法的基础上,该文提出了一种基于改进极值波延拓与对称中点插值相结合的ESMD端点效应抑制方法。首先利用改进极值波延拓将信号在两端延拓,然后采用对称中点插值进行ESMD分解,截去两端延拓部分,最大限度遏制端点效应污染内部信号。同时,提出一种自适应确定有效数据长度的端点效应评价指标,可有效避免人为确定数据长度导致的问题,更为客观地量化各固有模态分量(IMF)端点“漂移”程度。通过仿真和试验结果分析,并与极值波延拓作对比,证明了该方法抑制ESMD电力谐波端点效应的有效性。

极点对称模态分解下陕西气候变化特征及影响因素

全球变暖背景下,受人类活动和气候系统波动共同影响,气候要素响应具有非线性、非平稳特征,如何识别气候变化多时间尺度信息,是当前研究的热点话题。基于1970-2017年气温和降水逐日数据,辅以滑动平均、趋势分析和极点对称模态分解(ESMD)等方法,对陕西3大地理单元气候时空特征进行分析,进而探讨不同海区厄尔尼诺指数与气温、降水变化的响应关系。结果表明:1970-2017年,陕北气候变化经历“暖干-冷湿-暖湿”的变化过程;关中和陕南气候在20世纪80-90年代末呈现暖干化,随后增温停滞,降水增多,近期再次呈现暖干化;利用ESMD对陕西气温和降水变化信号进行分解,发现区域气温响应变暖停滞,是受年代波动影响,周期为9.2~11.5 a左右;从趋势项分析,除陕北气温平稳波动之外,关中和陕南气温增速并未减缓;在影响因素上,不同海区海温异常与陕西气温、降水变化相关性存在差异。其中,气温影响主要在中国东部海区,且与NINO A区、黑潮区海温显著正相关;影响降水变化的关键海区在赤道太平洋,即赤道太平洋中部海温异常偏高时,关中和陕南降水呈现下降,而赤道太平洋东部海温异常偏高,陕北降水减少更为明显。

基于ESMD-FE-AJSO-LSTM算法的水闸深基坑变形预测

水闸深基坑开挖变形具有明显的非线性和非稳定性特征,基于此,引入极点对称模态分解算法(extremepoint symmetric mode decomposition method,ESMD)对水闸深基坑开挖变形原型监测序列进行多模态分解,并基于模糊熵(fuzzy entropy, FE)理论对各分解分量进行模糊多模态相空间重构,从而有效甄别水闸基坑变形不同时间尺度有效物理特征。构建基于人工水母搜索算法(artificial jellyfish search optimizer,AJSO)优化的长短期记忆(long short-term memory,LSTM)人工神经网络模型,以重构后的各重构子序列为基础进行优化训练,并把训练后的各预测模态分量合并,实现对水闸基坑开挖变形动态预测和分析。以张家港市十一圩江边枢纽改建工程基坑开挖变形监测为例,采用上述方法对该枢纽工程基坑开挖过程变形进行预测和分析。结果表明:基于ESMD-FE-AJSOLSTM算法的水闸深基坑变形预测方法能够有效预测基坑开挖变形非线性特征,相比传统LSTM、循环神经网络(recurrent neural network, RNN)和支持向量机(support vector machine,SVM)等算法具有更高的预测精度和稳定性,为实现对基坑开挖安全性态实时科学诊断和分析提供技术参考。

ESMD在关中西部径流周期、突变分析中的应用

研究河川径流的演变规律,可为水利工程的调度运行提供科学依据,对区域防洪抗旱具有重要意义。文章利用极点对称模态分解法(ESMD),结合小波变换及T检验对关中西部的渭河、千河、漆水河、石头河年径流的周期、突变特征进行了分析,并与已有研究成果进行了对比分析。结果表明:渭河、千河、漆水河、石头河年径流分别存在19.8、14、22.7、23.3a的大周期,漆水河存在11.3a的小周期,其他3条河流均存在7~8a的小周期;渭河在1986年出现突变,另外3条河流在1990—1991年出现突变;ESMD可用于关中西部非线性非平稳年径流的周期、突变分析。分析结果可为研究区4个水库的兴利调度提供依据。

基于ESMD方法的火山地震活动前后GNSS坐标异常分析

火山地震活动对地面观测站的位置有很大影响。为了探究火山地震前后全球导航卫星系统(GNSS)测站的位移情况,以汤加火山地震事件为例,基于汤加(TONG)站2个月的观测数据,使用PRIDEPPP-AR软件对数据进行解算,引入极点对称模态分解(ESMD)方法对坐标时间序列进行分解,并对坐标位移进行了分析,结果显示:数据解算精度较高,北(N)和东(E)方向中误差在5 mm左右,垂直(U)方向精度在9 mm左右。在地震发生当天和前1~2 d,E方向坐标出现了0.1 m左右的明显扰动;在地震发生当天,U方向坐标时间序列异常不明显,但是在地震发生前1~2 d,可以观察到坐标的明显扰动。通过ESMD方法可以观察到E方向GNSS坐标时间序列的Model 1、Model 2信号振幅在震前和震后都有明显的异常扰动现象,同时也有明显的同震扰动。U方向Model 1~Model 3信号有着明显的同震振幅异常扰动,N方向坐标异常扰动不明显。从总能量信号来看,U方向和E方向可以观测到多次非常明显的能量异常,异常强度约为正常水平的3~10倍,N方向也能发现部分同震和震前能量异常,但是异常并不明显。

环境激励下基于ESMD的结构模态参数识别方法

提出一种环境激励下基于极点对称模态分解(ESMD)的模态参数识别新方法。该方法首先利用带通滤波 将实测环境振动响应分解成一系列单卓越频率的窄带子信号。然后,利用ESMD方法对子信号进行模态分解,得到若 干单模态时程信号。最后,应用随机减量法对每个单模态时程信号进行处理,获得随机减量信号并由此识别模态参数 (频率,阻尼比以及振型)。采用该方法识别一座5层剪切框架数值模型和一座3层剪切框架实验模型的模态参数,并 将识别结果与理论值或者NExT-ERA方法识别的结果做对比,结果表明:该方法能较好地从环境振动响应中识别出结 构的模态参数,具有良好的适用性和足够的精度。

关于非对称数据的ESMD改进算法

ESMD方法是“极点对称模态分解方法”的简称,其在各个研究领域所涉及数据处理的科研和工程应用有其独特的作用。但是通过ESMD数据分析方法的原理可知,其一般适应于在每半个周期中关于中点较对称的数据。对于非对称(峰谷不对称)数据来说,该方法中选取的中点失去了代表性。本文针对这种数据的分析对ESMD方法进行了改进,用每半个周期的局部均值来代替原先算法中极大值与极小值的中点,这样可以更好的反应非对称数据的情况,并通过数值模拟验证了上述方法的可行性与有效性。

基于边界修正和二次分解的改进月降水LSTM预测方法

基于深度学习的降水预测是近年来水文研究的热点。月降水数据为典型的小样本数据,无法满足深度学习对大数据量的需求。为此,融合信号分解和边界修正的思想,提出一种改进的月降水长短期记忆网络(LSTM)预测方法。首先,针对序列分解的“端点效应”,采用波形特征匹配延拓法扩展原始序列边界。然后,利用极点对称模态分解(ESMD)和变分模态分解(VMD)对原始序列进行二次分解。ESMD提取月降水序列不同尺度信息,得到频率依次降低的几个模态分量及一个残余分量;切除各子序列中对内部数据“污染”最严重的扩展部分后,VMD进一步对高频分量进行平稳化处理。最后,对各子序列分别运用LSTM预测,预测结果重构后得到最终预测结果。选取湖北省巴东县的月降水量作为实例验证。通过模型对比分析,结果表明:相较于传统的单一SVM和LSTM模型,组合了信号分解算法的预测模型在月降水预测中更具优越性;将边界修正的方法融入到采用ESMD算法的组合模型,提高了整体模型的预测精度;高频分量的预测效果是决定组合模型预测精度高低的关键因素;提出的方法不但在选取的评价指标上均表现最佳,而且对数据极值点的拟合效果提升显著。特别地,即使面对小样本数据集,使用本文模型,月降水预测的纳什效率系数(Nash-Sutcliffe Efficiency coefficient,NSE)可以达到0.9600。

改进的ESMD用于公共场所异常声音特征提取

由于公共场所异常声音的特殊性及背景噪声的复杂性,极点对称模态分解(ESMD)用于异常声音分解时,存在一些理论和技术上的缺陷。经分析认为公共场所异常声音为非线性、非平稳信号,背景噪声服从T分布。为此,提出改进的ESMD用于公共场所异常声音分解,得到有利于识别的特征。所提出方法的特点是将T分布噪声序列添加到具有背景噪声的异常声音信号中,以减小背景噪声对特征提取的影响;将模态分量的排列熵作为判定异常声音与背景噪声的准则,自适应筛选有效的模态分量;用对称中点插值法替代极值中点奇偶插值法,以缓解ESMD插值端点不明确带来的模态失真。在公共场所异常声音数据库上进行了相关实验。实验结果表明,所提出的方法与目前典型的时频信号处理方法相比,在提高公共场所异常声音分类识别率的同时,缩短异常声音的分解时间,是一种有效的公共场所异常声音特征提取方法。

基于极点对称模态分解和需求响应的风电消纳策略

在全球能源互联网的大背景下,风力发电作为一种清洁能源受到重视。由于风电的波动性对电力系统的经济、稳定运行造成强烈的冲击,弃风情况日益严峻。文章提出一种新的风电消纳策略,采用极点对称模态分解(extremepoint symmetric mode decomposition,ESM D)把原始风电出力分解为光滑的出力曲线和波动分量,使用混合储能吸收其波动分量,同时在系统运行中通过需求响应消纳更多的风电。针对粒子群算法容易陷入局部最优的缺点,将莱维飞行引入粒子群算法以增强粒子跳出"早熟"的能力。算例结果证明了这种风电消纳策略的有效性,即在维持一定的运行费用的同时,利用混合储能和需求响应,提高系统的风电消纳能力。