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。

融合自适应滑动集合经验模态分解的机器学习月径流预测方法

为提高月径流预测精度,解决传统分解集成径流预测方法提前引入“未来信息”在实际工程中无法实现的问题,提出了一种基于自适应滑动集合经验模态分解(ASEEMD)、秃鹰搜索(BES)算法和极限学习机(ELM)耦合的月径流预测模型(ASEEMD-BES-ELM)。并以玛纳斯河1957~2014年的月径流序列为例,首先,利用ASEEMD对原始月径流序列自适应分解,得到若干子序列;其次,将各子序列分别输入到结合BES算法和网格搜索优化后的ELM模型中预测;最后,累加各子序列预测结果,得到最终月径流预测值。与ELM^(*)、BES-LEM^(*)、BES-ELM、EEMD-BES-ELM(传统“捆绑分解”)模型对比结果表明,ASEEMD-BES-ELM模型的纳什效率系数为0.971、平均绝对误差为5.173m^(3)/s、均方根误差为8.282m^(3)/s、平均绝对百分比误差为16.033%,在符合实际应用中预测精度最高。结果可为干旱区月径流预测研究提供参考。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于自适应投影多元经验模态分解的电力系统强迫振荡源定位

近年来,电力系统强迫振荡在电网中频繁发生,严重威胁到电网的安全稳定运行,快速、准确地定位强迫振荡源对抑制强迫振荡具有重要意义,但现有方法在分解具有高差异度多通道广域量测信息时难以准确提取强迫振荡模式分量,严重影响到强迫振荡源定位精度。为此,该文提出一种基于自适应投影多元经验模态分解(APIT-MEMD)的强迫振荡源定位方法。该方法首先采用APIT-MEMD通过构建自适应投影方向向量,实现对发电机多通道广域量测信息的同步分解,分离出表征不同振荡模式的固有模态函数(IMF)分量;然后,借助对数能量熵从众多IMF分量中提取出含强迫振荡模式的IMF分量;在此基础上,根据提取出的强迫振荡IMF分量,计算各发电机的耗散能量流,根据耗散能量流实现强迫振荡源定位;最后,通过WECC 179节点测试系统仿真数据和实际电网同步相量测量装置(PMU)实测数据对所提方法进行分析、验证,结果验证了所提方法的准确性和实用性。

基于快速自适应经验模态分解的高速经编机振动分析

针对某型高速经编机在高转速下结构振动过大以及机构运动信号与结构振动信号相混叠,故障特征难以分离的问题,提出基于快速自适应经验模态分解(FAEMD)算法的经编机振动故障诊断方法。首先运用FAEMD算法将原始振动信号分解成有限个本征模态函数(IMF),然后计算各IMF分量与原信号的相关性,结合经编机运动特点,判断其中相关性最大的本征模态函数为机构运动分量并去除,最后将剩余分量重组实现结构振动信号的提取。将该方法应用于经编机振动故障诊断中,对动态振动数据进行处理,结合静态固有频率测试,成功提取出与实际故障现象相同的信号频率特征,判断出经编机在高转速下振动过大的原因,为后续经编机振动优化提供了参考。

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。

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。

基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法

在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解(CEEMDAN)算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数(IMF),然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。

一种基于经验模态分解与瓦片编码的自适应轴承故障诊断方法

针对传统依赖经验参数的轴承故障诊断方法在不同噪声等级场景下准确率不高的问题,文章提出一种基于经验模态分解与瓦片编码的自适应轴承故障诊断方法。首先,其引入成熟的自适应分解算法——经验模态分解(empirical mode decomposition,EMD)对轴承振动信号进行分解,再根据一定规则选取相应的分量作为有效信号,结合谱平均对信号进一步去噪,实现轴承振动信号的自适应滤波;其次,采用基于瓦片编码(tile coding)的谱编码对滤波后信号进行特征提取,将编码结果作为特征输入K近邻(K-nearest neighbors,KNN)分类器;最后,在进行实例验证时,文章构建一个不同程度噪声的验证数据集,将所提出的自适应方法与经典的基于自适应滤波的故障诊断方法进行比较。结果显示,在信噪比高于-10 dB的情况下,该方法的诊断准确率达到了90%以上,优于其他方法的。

基于注意力时间卷积网络的农产品期货分解集成预测

针对农产品期货时间序列数据受多方面因素影响,非线性、非平稳数据特征难以提取而导致预测准确性不高的问题,基于“分解-集成”的预测思想,本文提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与Transformer-Encoder-TCN的农产品期货预测方法.首先,使用CEEMDAN将时间序列分解为多尺度多频率的本征模态分量(IMF)与残差,降低了序列建模复杂度;其次,使用融合多阶段自注意力单元Transformer-Encoder的时间卷积网络(TCN)对各个分量子序列进行特征提取与预测,优化了序列显著特征建模权重;最后,将各个子序列预测值线性相加集成得到最终预测结果.以南华期货公司农产品指数中的大豆期货指数为研究对象,采用时序交叉验证与参数迁移的方式进行模型重训练,消融和对比实验结果表明,提出的新模型在RMSE、MAE和DS三个评价指标上具有良好的效果,验证了该模型对农产品期货预测的有效性.

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。

基于分解-预测-灰狼优化集成模型的水质预测研究

准确的水质预报及关键因素识别是流域水环境控制及水资源保护的重要依据。针对地表水水质评价指标的多样性以及原始数据的非线性、非平稳的特征,在改善传统的分解-预测-集成时间序列预测框架之上,提出了一种基于集合经验模态分解(EEMD)和灰狼优化集成策略(GWO)数据预测模型。该模型采用集合经验模态分解方法对数据进行分解,得到不同频率的分解分量,再分别运用Elman神经网络、长短记忆神经网络(LSTM)和支持向量回归(SVR)作为基学习器进行预测,然后利用灰狼动态优化集成策略对预测结果进行集成,最后,以长江下游水质断面的数据对模型有效性进行评估,并与单一预测模型和平均集成策略的预测模型进行对比。研究结果表明,该模型在误差评价指标和DM检验上表现优异,相较于其他模型更具优势,其中,对于溶解氧的预测,相较于平均集成策略的预测模型,通过灰狼优化集成模型的平均绝对误差(MAE)、均方根误差(RMSE)以及Theil不等系数(TIC)分别降低了16.29%、13.17%、13.24%,对于最终水质等级的预测正确率为98.6%,证明该模型能够准确预测水质等级并识别关键影响因素,进而为水环境污染治理提供科学依据。

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。

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。