基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型

风速受多种因素影响常伴随着随机性和非平稳性,给风电接入电网造成了相当大的困难,准确的风速预测对风力发电有着极大的研究意义。将变分模态分解算法与鲸鱼算法优化回声状态网络模型相结合,提出了一种风速预测模型。首先通过变分模态分解算法将风速序列分解成多个分量以减少风速内部信号间的耦合性,降低建模难度。然后对这些分量分别建立对应的回声状态网络预测模型。针对回声状态网络模型性能受储备池参数影响较大的问题,采用鲸鱼优化算法对储备池参数进行优化。风速的最终预测值由分解后各分量预测值相加得到。最后,将实际采集的短期风速数据作为研究对象,通过与其他4种预测模型的对比分析表明提出的风速预测模型具有更高的预测精度,能够更好地对风速的变化趋势进行预测。

基于优化变分模态分解的混凝土浅层空洞病害识别

针对开放环境下混凝土空洞病害检测的病害特征识别中噪声干扰、成分识别问题进行了研究,提出了基于优化变分模态分解(improved variational mode decomposition,IVMD)与自由振动衰减速度的混凝土浅层病害声振信号识别方法。该研究建立了混凝土浅层空洞病害的理论模型,仿真了不同工况下的病害特征频率及其变化规律;提出了基于IVMD的信号分解方法,设计了基于Tent混沌与柯西变异优化的麻雀搜索算法联合搜索变分模态分解的关键参数k和α,在最佳分解的基础上提出了基于自相关函数图形、相关系数、衰减系数与频域分布情况的浅层空洞病害本征模态函数(intrinsic mode function,IMF)识别方法;选取幅值衰减评估了特征IMF的衰减速度,得出了基于振动衰减特征的空洞病害识别方法;通过预埋病害模型试验对比分析,验证了所提方法的有效性。研究结果表明,基于IVMD的分解方法能够有效降低噪声及其他成分的干扰,提高空洞病害识别精度和准确度。

参数优化变分模态分解与LSTM的电力物资需求预测

国家电网物资采购管理水平不断提高,线上采购流程逐步完善,但仍存在由于采购计划预估不准导致招投标过程中,供应商利用招投标总标包机制进行价格博弈而造成电网公司采购成本增加,因此,建立准确有效的电力物资需求预测模型具有重要意义。针对电力物资序列的非稳定性、波动性和间歇性特点,提出一种基于参数优化变分模态分解(variational mode decomposition,VMD)与长短时记忆神经网络(long short-term memory,LSTM)的电力物资需求预测方法,选取国网电商专区平台的典型电力物资,采用鲸鱼优化算法(whale optimization algorithm,WOA)参数优化的VMD对原始序列进行模态分解,将分解获得的各模态分量分别构建LSTM模型,最后将各模态的预测值叠加重构为电力物资的预测值。实验结果表明:所提电力物资需求预测方法较LSTM、EMD-LSTM、VMD-LSTM、PSO-VMD-LSTM、SSA-VMD-LSTM有更高的准确率,对电网物资采购预测具有一定实际意义。

基于优化变分模态分解的脑电情绪识别

为提高脑电情绪识别的准确性与可靠性,提出一种基于优化变分模态分解(VMD)的脑电情绪识别方法。对情绪脑电的节律信号VMD分解,引入磷虾群优化算法(KH)搜索VMD的最优分解层数和惩罚因子;从分解后的固有模态分量(IMFs)中提取平均能量、功率谱密度作为特征;利用XGBoost算法进行分类。实验结果表明,与EMD、EEMD等特征提取方法相比,该方法在DEAP数据集上达到了91.02%的分类准确率,可以更有效地提取脑电情感特征,为脑电情绪识别的研究提供了新方法。

基于优化变分模态分解的人体生命信号分离与重构方法研究

目的:为提高生命探测雷达对人体心跳、呼吸等生命信号提取、分离的准确性和实时性,提出一种基于优化变分模态分解(variational mode decomposition,VMD)的人体生命信号分离与重构方法。方法:首先,采用粒子群优化算法对VMD的参数进行优化,并将人体生命信号分解为一系列的本征模态函数(intrinsic mode function,IMF);其次,计算每个IMF的排列熵,根据排列熵阈值去除噪声,将剩余分量重构形成人体生命信号;最后,为验证提出的方法的性能,与无限脉冲响应(infinite impulse response,IIR)滤波、VMD和完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive nosie,CEEMDAN)3种方法进行比较。结果:在不同噪声水平下,提出的方法在信噪比和均方根误差2项评价指标上均优于IIR滤波方法、VMD方法和CEEMDAN方法,在计算耗时上优于CEEMDAN方法。结论:提出的方法在有效滤除噪声的同时实现了对心跳、呼吸等生命信号的快速分离与重构,在烧烫伤患者、传染病患者、新生儿等特殊人群的非接触生命体征检测及灾后掩埋伤员搜救等领域具有很好的应用前景。

基于鲸鱼优化变分模态分解联合小波阈值的光电容积脉搏波降噪方法研究

为探究光电容积脉搏波(photoplethysmography, PPG)的降噪方法,本研究提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)、变分模态分解(variational mode decomposition, VMD)和小波阈值(wavelet threshold, WT)结合的降噪方法。首先,通过WOA选取对VMD影响较大的模态分解数K和惩罚因子α;其次,利用VMD将含噪信号进行分解,根据相关系数去除噪声分量,保留有用信号分量,再利用WT对剩余的分量降噪;最后,重构得到处理后的PPG信号。实验表明,本研究方法可提高信号的信噪比并降低均方误差指标,能降低信号噪声并保留信号特征。

改进鲸鱼算法驱动的变分模态分解自适应降噪方法

为了更好地从振动信号中提取有效信息,提出了一种基于改进的鲸鱼优化算法(VSWOA)与变分模态分解(VMD)的振动信号降噪方法。首先,采用Sobol序列初始化种群,以确保种群的均匀分布和多样性。然后,从多个起始点进行搜索,并在搜索过程中引入精英柯西变异策略,以防止算法陷入局部最优解。通过这些改进措施,优化了VMD的参数,使得分解得到的本征模态分量(IMFs)在重构后实现了自适应降噪。实验结果表明,与传统的经验模态分解(EMD)、集合经验模态分解(EEMD)以及鲸鱼优化算法-变分模态分解(WOA-VMD)方法相比,所提方法在降噪后信号失真度更小,同时显著提高了降噪效果和故障特征的保留能力。这表明改进的鲸鱼优化算法能够有效地增强振动信号的降噪性能,为轴承故障诊断提供了更为可靠的方法。

基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题,提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化,得到最优参数组合;再将最优参数组合输入到变分模态分解算法中,对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量,对最优分量进行包络解调,分析其包络谱判断出轴承的故障类型。结果表明,提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解,提取出最优分量进行分析从而判断出轴承故障类型。

一种自适应选取参数的改进变分模态分解方法

针对传统的变分模态分解(VMD)方法中模态数和惩罚参数难以确定的问题,提出了一种自适应选取参数的改进变分模态分解方法。首先,综合考虑了故障的冲击性和周期性特点,以Gini指数和谱峰比指标为基础构建了加权谱峰比(WSPR)指标;然后,采用非洲秃鹫优化算法(AVOA)进行了寻优,得到了最佳的模态数和惩罚参数组合,克服了人为主观选择参数的弊端;最后,在VMD分解信号后,利用加权谱峰比最大原则自适应选取了敏感内涵模态分量,对最佳IMF进行了包络解调分析,提取了滚动轴承早期故障特征,利用仿真信号、单一故障滚动轴承试验信号及复合故障滚动轴承试验信号对所述方法进行了验证。实验结果表明:该方法可以准确地提取出仿真信号的故障频率(100 Hz)、单一故障信号的故障频率(236.4 Hz)和复合故障信号的故障频率(内圈故障频率149.14 Hz、外圈故障频率86.39 Hz),并且在与其他方法和指标的对比中,其最佳IMF的包络谱图中故障特征频率及其倍数频的谱峰更加明显,准确率更高且鲁棒性更强。研究结果表明:该方法能够有效提取轴承早期故障信号的微弱特征,实现故障类型准确识别的目的。

变分模态分解方法在轴承故障诊断中的应用研究进展

作为旋转机械的核心和易发生故障的部件,滚动轴承及其故障诊断是目前研究的热点和前沿。有效的特征提取方法对于滚动轴承故障诊断至关重要,其中变分模态分解算法(VMD)因对复杂信号具有较强的分析能力和自适应性,应用潜力较好。对VMD的基本原理及其优势、VMD在轴承故障特征提取方面的应用、VMD参数优化方法以及最新进展进行归纳总结,针对VMD参数优化问题,从适应度函数构造和群智能算法改进上,提出一种新的解决方法,并探讨VMD在诊断滚动轴承早期微弱故障和复合故障等方面的不足之处,最后从理论研究和工程应用的角度,展望VMD未来的发展方向,可为从事滚动轴承故障诊断的相关研究人员提供参考。

基于变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络的短期负荷预测

针对传统的电力负荷预测模型中出现的模态分解混叠、长短期记忆网络参数难以选择等问题,提出一种新的模型,即基于变分模态分解、排列熵组合和改进鹈鹕优化算法的长短期记忆网络模型。首先,利用变分模态分解将电力负荷数据分解为多个复杂程度较低的模态,并利用排列熵对子序列进行重组,降低预测难度;接着,引入Logistic混沌映射、融合柯西变异和反向学习两种策略改进鹈鹕优化算法,提高全局寻优能力;然后利用改进后的鹈鹕优化算法对长短期记忆网络参数进行优化,提高模型的泛化能力和实际操作性;最后,对重组后的子模态分别进行预测并叠加,得到最终预测结果,并使用两份不同地区数据集与多种优化算法预测模型进行比较。实验结果表明,变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络模型具有更高的预测精度和稳定性,可以有效地进行短期电力负荷预测。

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群(PSO)优化变分模态分解(VMD),结合支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。

基于参数优化变分模态分解的电缆故障点中点行波测距

针对传统的电缆行波测距方法中由计算得到的行波速度与实际速度间存在误差及行波波头标定不准确的问题,提出了一种新的相模变换来获取行波模值分量,并采用了中点行波测量法,使用乌燕鸥优化算法优化的变分模态分解对行波特征进行分解,用Teager-Kaiser能量算子来进行波头标定。在MATLAB/Simulink仿真模型中进行测试,所提方法与小波变换及经验模态分解相比,在一定的噪声范围内均具有优异的准确度。

一种基于逐次变分模态分解和改进深度极限学习机的滚动轴承故障分类方法

为应对滚动轴承故障诊断中特征提取较难和故障类型识别准确率偏低等问题,提出一种基于逐次变分模态分解(SVMD)与分形维数(FD)结合算术优化算法(AOA)优化深度极限学习机(DELM)的轴承故障诊断方法。通过SVMD对轴承原始振动信号进行多尺度分解,得到一系列固有模态分量(IMFs);计算不同状态下各个IMF分量的FD,归一化后作为故障特征向量;利用AOA-DELM模型实现轴承的故障诊断。采用美国凯斯西储大学(CWRU)轴承数据集作为实验数据进行实验验证,结果表明,所提方法在滚动轴承故障诊断中具有优越性,识别准确率可达98.80%。

自适应变分模态分解与RCNN-3结合的扬声器异常声分类方法

针对扬声器异常声分类准确率较低问题,提出基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)与残差卷积神经网络(residual convolutional neural network,RCNN)相结合的异常声分类方法。AVMD中首先利用灰狼优化(grey wolf optimizer,GWO)算法优化变分模态分解(variational mode decomposition,VMD)的二次惩罚因子(α)和模态分解数(K),然后用VMD提取特征,最后通过随机森林递归特征消除(random forest recursive feature elimination,RF-RFE)算法提取最优特征数据,RCNN-3是在卷积神经网络(convolutional neural network,CNN)基础上引入残差网络(residual network,ResNet)进行异常声分类。实验结果表明,提出的方法具有更好的分类准确率和稳定性,其分类平均准确率可达99.3%。

基于优化分解与误差修正的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于优化分解降噪联合误差修正模型。该模型分为3个阶段,第一阶段,首先用基于全局搜索的鲸鱼优化算法(GSWOA)选取变分模态分解(VMD)的参数,之后运用优化后的VMD对原始数据进行分解;然后利用互相关分析重构高频分量,最后对高频分量进行小波软阈值降噪(WTSD);第二阶段,运用门控循环单元(GRU)对每个分量进行预测,将所有分量预测结果叠加起来得到初步预测结果;第三阶段,对初始预测结果进行误差修正(EC)。为验证模型的有效性,利用宁夏太阳山光伏电站2021年1、4、7、10月份的光伏实测数据进行实验,实验结果表明,相比于LSTM、GRU、VMD-LSTM,该混合模型表现出更好的性能。

基于改进变分模态分解和小波阈值法的单相接地故障电流降噪

针对电力系统输配电线路发生单相接地故障时,电气设备间的电磁环境复杂,现场环境干扰严重导致故障录波装置采集到的故障零序电流信号含有大量噪声,影响后续选线准确率的问题,提出了一种改进变分模态分解(variational mode decomposition,VMD)和小波阈值法联合的单相接地故障的零序电流降噪方法,通过北方苍鹰优化算法优化改进VMD对零序电流信号分解,引入自适应相关阈值对分解后的分量进行筛选,对噪声分量进行小波阈值法降噪,最后将信号进行重构。通过搭建模型进行仿真实验,所提算法比传统VMD降噪算法信噪比提高了5.52%~35.99%,均方根误差降低了12.78%~30.88%,与小波阈值降噪方法、经验模态分解(ensemble empirical mode decomposition,EEMD)-小波阈值降噪方法、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-小波阈值降噪方法相比,也都有明显的优势,并且在标准测试信号Heavy Sine信号和Bumps信号中进行实验,验证了算法的适用性。

采用变分模态分解的微型燃气轮机发电系统混合储能功率分配策略

为缓解大功率脉冲负载投切造成的船舶燃气轮机发电系统功率波动,将由飞轮储能装置和蓄电池组成的混合储能系统应用于船舶燃气轮机发电系统,提出一种采用变分模态分解(VMD)和模糊控制策略的船舶微型燃气轮机发电系统混合储能功率分配策略。基于算术优化算法优化的变分模态分解(AOA-VMD),实现混合储能系统中飞轮储能和蓄电池功率的初级分配;考虑飞轮储能转速和蓄电池荷电状态安全运行范围,设计两个并列的模糊控制器,调节飞轮储能和蓄电池的初级功率,实现飞轮储能和蓄电池功率的二次分配。建立包括燃气轮机、发电机、混合储能系统和脉冲功率负载的船舶微型燃气轮机发电系统模型并开展性能仿真。结果表明,考虑混合储能后,脉冲负载投切所造成的直流母线电压最大波动减小了6.4%,对应的微燃机转速最大变化率减小了0.02%。对比采用传统滤波器和未经优化VMD的算法,采用AOA-VMD算法分解脉冲负载的功率波动信号:投入峰值功率为40 kW的脉冲功率负载时,直流母线电压波动量分别减小3 V和2.4 V,对应的微燃机转速波动率分别减小0.012%和0.014%;切除上述负载时,电压分别减小2.7 V和0.6 V,转速波动率分别减小0.018%和0.012%。仿真结果验证了所提采用变分模态分解的混合储能功率分配策略的有效性与优越性。

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。