基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度。

基于集合经验模态分解的心电信号自适应降噪及基线漂移修正

在心电信号的采集过程中,各种噪声的干扰会引起信号失真及基线漂移,进而影响对心脏信号的精准判断。针对此,提出一种基于集合经验模态分解的自适应算法。首先,对含有噪声及基线漂移的心电信号进行集合经验模态分解(EEMD),分解出固有模态函数(IMF)分量。然后,筛选出需要处理的IMF分量。最后,通过自适应窗口处理带噪的低阶IMF以及移除导致基线漂移的高阶IMF,从而达到降噪和修正基线漂移的目的。在MIT-BIH数据库中的实验结果表明,基于EEMD方法的降噪效果良好,在同等肌电噪声情况下,与基于EMD的自适应窗口法对比,在平均信噪比上提升1.7507,增幅约为13%;在同等基线漂移情况下,与基于EEMD的阈值法对比,在平均基线矫正率上下降0.0795,降幅约为14%。

基于集合经验模态分解和指数能量法的水泵水轮机尾水管压力脉动信号特征提取

提取水泵水轮机尾水管压力脉动信号中的动态特征信息,准确识别涡带强度,是近年来水泵水轮机工程领域的研究重点。本文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和模态指数能量法,对某水泵水轮机发电工况不同负荷下的尾水管压力脉动信号进行特征提取,得到如下结论。首先,基于EEMD的模态指数能量能够有效地反映信号中的能量分布规律。其次,在涡带增强过程中,基于EEMD的最大模态指数能量不断升高,表明尾水管内的流动状况变得更加复杂,涡带特征信息也更加丰富。最后,使用最大与平均指数能量构建的特征向量能够准确反映不同的尾水管涡带强度,并且能够作为智能分类器的输入特征向量,有利于后续进一步的识别与诊断,具有重要的工程意义。

深海环境下利用噪声抵消器和经验模态分解的拖船干扰抑制方法

针对深海环境下拖船自噪声在靠近端射和非端射方向产生的多途角扩展干扰影响拖曳声纳探测性能的问题,提出一种利用归一化最小均方误差(Normalized Least Mean Square,NLMS)噪声抵消器和经验模态分解(Empirical Mode Decomposition,EMD)的拖船干扰抑制方法。通过借鉴逆波束形成(Inverse Beamforming,IBF)的思想,对靠近端射方向的干扰波束进行相位补偿,重构出时域干扰信号,并将其作为自适应噪声抵消器的输入信号,基阵接收信号作为期望信号,利用NLMS方法调整滤波器的权值,进行初步干扰抑制。在此基础上通过EMD对噪声抵消器的输出结果进行分解得到多个本征模态(Intrinsic Mode Function,IMF)和残余分量,再利用匹配滤波方法筛选出用于重构拖船噪声的IMF,并在阵元域抵消完成干扰抑制,其中匹配模版为靠近端射方向频域干扰波束逆傅里叶变换得到的时域干扰信号。仿真数据和海试数据分析结果表明,与其他方法相比,所提方法能够大幅度抑制拖船自噪声产生的多途角扩展干扰,提升拖曳声纳在干扰盲区内对弱目标信号的检测能力。

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。

基于集合经验模态分解的河北唐山井同震响应特征

集合经验模态分解(EEMD)能够客观真实地从非线性、非平稳信号中提取有用信息,地震观测井的井水位表征的波形信号也是典型的非线性、非平稳信号,因此,集合经验模态分解在获取井水位同震响应信息方面具有重要的应用潜力。通过观测河北唐山井2016~2023年多次井水位同震响应,研究集合经验模态分解对井水位分析处理的优缺点,识别唐山井对远震、近震的井水位同震响应特征,应用地震能量密度经验公式推测唐山井记震能力。结果表明:唐山井水位观测数据秒值在经过集合经验模态分解后,对合适的高频分量进行重构可以压制噪声干扰,有利于观察井水位同震响应特征;对于远场大震引起的振荡型同震响应可以客观真实地进行识别和提取;对于近场地震引起的脉冲型和阶变型同震响应,需结合原始数据进行研究;井水位观测数据秒值有利于揭示区域应力场的变化,因观测数据秒值记震精度提高,唐山井能够记录到地震能量密度为1.77×10^(-7) J·m^(-3)的地震,观测井对不同方位地震的敏感度可用于研究其所在断裂带的裂隙走向。对于超过一定距离的远场地震,井-含水层系统能够记录到的井水位同震响应频率可在一定的范围内估算观测井的固有振动频率,唐山井固有振动频率和地震瑞丽面波频率接近。

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。

基于集合经验模态分解和排列熵的核电厂信号降噪研究

本文提出了一种基于集合经验模态分解和排列熵的电站信号降噪方法。该方法流程如下,首先,采用集合经验模态分解对电站典型实测信号进行了分解,获得对应的本征模态分量。其次,采用排列熵对本征模态分量进行混沌度的定量评价,从而实现实测信号中的有用信号和噪声信号的区分。对于后者,采用改进的小波软阈值降噪法进行降噪。最后,根据排列熵筛分后的有用信号和改进的小波软阈值降噪后的噪声信号进行重构,得到降噪后的信号。另外,本文也采用了主流的经验模态分解和局部均值分解对该信号进行了处理,并将分析结果进行对比。对比结果表明,基于本文所提方法得到的降噪后信号排列熵较小,表明降噪效果要优于以上两种方法。

基于集合经验模态分解的增强核岭回归配电系统状态估计

针对配电网量测信息存在强非高斯噪声时会大幅干扰基于深度学习的状态估计模型滤波精度的问题,提出了一种基于集合经验模态分解的增强核岭回归状态估计方法。首先,使用集合经验模态分解筛除量测信息中的多数噪声数据,保障了后续滤波对数据可靠性的要求。然后,通过构建增强核岭回归状态估计模型,建立了量测信息与估计残差之间的映射关系,输入量测信息后可以得到估计结果与估计残差。最后,在标准IEEE 33节点与某市78节点系统上进行数值仿真,结果证明了该方法在强非高斯噪声干扰下具有较高的精确性和鲁棒性。

基于完备集合经验模态分解的含抽蓄微电网混合储能容量优化配置

为减缓微电网并网联络线功率波动,拓展混合储能参与系统调节的能力边界,提出一种含抽蓄的微电网混合储能系统结构及基于完备集合经验模态分解(complete ensemble empirical mode decomposition,CEEMDAN)的容量优化配置方法。首先,考虑抽水蓄能、蓄电池的能量型储能特性与超级电容器的功率型储能特性,在微电网中搭建混合储能系统结构模型;其次,根据负荷出力确定联络线协议功率及混合储能总功率,并采用完备集合经验模态分解法对混储系统总功率进行分解;最后,建立以储能年综合成本最小为优化目标的混合储能系统容量优化配置模型,并给出相应求解方法。算例结果表明:较不含抽蓄的混储系统,该结构模型的调控能力得到提升,在有效平抑联络线功率波动的同时提高系统经济性,且蓄电池设备动作频次有所减少,提升了其使用寿命,验证了所提混合储能结构的合理性及优化模型的有效性。

基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。

基于集合经验模态分解和编码器-解码器的风电功率多步预测

准确的风电功率预测对于推动风电大规模并网具有积极意义,现有的研究多集中于超短期范围内的单步预测。为了实现更加贴近工程应用实际的风电功率多步预测,提出了一种基于集合经验模态分解和编码器-解码器的风电功率多步预测方法。首先采用k均值聚类算法对风电机组进行聚类,然后引入集合经验模态分解算法对机组群功率序列进行分解,从而提取风电场功率的时空分布特征,通过预先搭建的基于门控循环单元的编码器-解码器预测网络实现风电功率的超前多步预测,最后将各预测值重构获得风电场总功率的预测值。利用某风电场的真实数据进行算例分析,结果表明所提算法在超前1~6 h不同应用场景下的预测性能均优于其他传统模型,预测准确度提升了6.45%~13.56%。

基于经验模态分解特征的无线电引信抗扫频式干扰方法

针对目前调频无线电引信在复杂电磁战场环境中对抗扫频式干扰能够力弱的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)特征的无线电调频引信对抗扫频干扰的方法.对基于目标和扫频干扰作用下的调频无线电引信检波端输出信号进行EMD分解,得到10层本征模态函数(intrinsic mode function,IMF)分量,提取每层IMF分量中本征模态函数能量占比、能量聚集度和Renyi熵特征,并利用主成分分析算法对于特征进行降维,保证累积解释差异在95%以上,以降维后的特征矩阵作为支持向量机的输入对目标和扫频式干扰信号进行分类识别.实测数据结果表明,所提方法能够有效对目标和扫频式干扰信号进行分类识别,分类识别精度可以达到98.06%±0.0038,目标检测率达到96.65%±0.0037,虚警率为3.35%±0.0037.

中值互补集合经验模态分解

针对经验模态分解(Empirical mode decomposition,EMD)系列方法存在的模态分裂(Mode splitting,MS)问题,提出中值互补集合经验模态分解(Median complementary ensemble EMD,MCEEMD)算法.通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD,CEEMD)的MS问题,证明了使用中值算子替代算术平均算子对抑制MS的有效性.为了兼具抑制MS和残留噪声的性能,MCEEMD算法首次在集合过程中结合了中值和平均算子.具体地,所提方法首先添加N对互补的白噪声至原信号中,并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions,IMFs),然后分别对其中互补相关的IMFs两两取平均得到N组IMFs,最后使用中值算子处理上述N组IMFs得到输出结果.对仿真信号与两个真实案例的分析结果表明,本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题,而且避免了单一使用中值算子的两个缺点:分解完备性差和IMFs中存在的毛刺现象.

基于完备集合经验模态分解的SE-BiGRU超短期风速预测

考虑风力发电具有随机性和不稳定性,为准确预测风速,提出一种基于完备集合经验模态分解和双向门控单元网络相结合的短期风速组合预测方法。首先,采用完备集合经验模态分解,将原始风速序列分解为若干个具有较强规律性的子序列,以减少不同特征尺度序列间的相互影响;然后,利用样本熵来评估风速子序列的复杂度,将复杂度相近的子序列组合为一个新序列,以减少输入到神经网络的模型数量;最后,将新组合的子序列分别输入到双向门控单元网络中进行预测,得到各子序列的预测结果,叠加得最终的风速预测结果。实例预测结果表明,所提出的风速预测方法具有较高的精度和运行效率。

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明:相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_(rmse)分别降低了8.7%、48.3%、53.1%、57.6%,误差e_(mape)分别降低了12.4%、36.9%、50.6%、61.2%。进一步研究表明,运用EEMD对数据进行降噪预处理能提高预测精度,与PSO-LSTM模型相比,EEMD-PSO-LSTM模型的误差e_(rmse)降低了60.2%,e_(mape)降低了12.4%,判定系数r^(2)提高了0.6165;引入PSO模型优化神经网络结构同样也能有效提升预测效果,与EEMD-LSTM模型相比,EEMD-PSO-LSTM模型的误差e_(rmse)减小了53.1%,e_(mape)降低了50.6%,判定系数r^(2)提高了0.8078。该研究结果能够提高交通事故预测精度,帮助相关部门有效提高道路交通安全水平。

基于经验模态分解谱峭度重构峰值定位的电机噪声溯源方法

针对无刷直流电机噪声溯源问题,提出了一种基于经验模态分解谱峭度重构峰值定位(EMD-KR-FP)的电机噪声溯源方法。首先经理论计算得到径向电磁力、转矩脉动和共振引起的电磁噪声的特征频率,定义特征频率集,并采用经验模态分解(EMD)方法对电机噪声时域信号进行分解;然后根据谱峭度理论筛选本征模态函数(IMF)分量进行信号重构,对重构信号进行傅里叶变换,使用峰值定位算法对频谱上贡献最大的几个峰值进行峰值频率提取并与特征频率集的频率进行对照,确定引起电机电磁噪声的原因。试验结果表明,该方法有效,与传统阶次分析法相比,工作量显著降低。

基于集合经验模态分解的局部放电信号的窄带干扰抑制

采用经验模态分解(EMD)方法抑制局部放电的窄带干扰时,由于EMD方法本身存在模态混叠问题,在含有局放成分的模态固有函数中仍可能同时含有一定量的窄带成分,导致局放信号无法提取。分析了在局放信号上叠加不同幅值、不同频率的窄带干扰条件下的EMD混叠现象,并提出了基于集合经验模态分解(EEMD)的解决方法。该方法对单频率成分和多频率成分的窄带干扰,均能较好地提取出局放信号。并针对EEMD引入的白噪声干扰,提出了自适应阈值的抑制方法,取得了较好的结果。仿真和现场测试的结果均验证了所提方法的有效性。