基于行波模态分解的特高压直流输电线路双端行波测距方法

基于晶闸管换流器的特高压直流输电系统(ultra-high voltage direct current based on line commutated converter,LCC-UHVDC)的故障定位算法对智能电网的安全稳定运行起着重要作用。针对长距离特高压直流输电系统故障测距方法精准度低、快速性差的问题,提出了一种基于变分模态分解法(variational mode decomposition,VMD)和Teager能量算子(Teager energy operator,TEO)的双端行波故障测距方法。首先,研究了LCC-UHVDC线路故障电压行波的传播特性。利用零模电压随线路传播衰减明显的特征,通过VMD算法提取采样点处零模电压行波的时频特性。针对VMD参数选择不当导致的模态混叠问题,利用K-L散度(Kullback-Leibler divergence)对提取的模态指标进行优化。然后采用TEO对分解后信号进行瞬时能量谱提取,精确标定波头到达时间,最后采用双端迭代测距法迭代求解故障距离。在PSCAD/EMTDC搭建±800 kV LCC-UHVDC仿真模型进行验证。结果表明,所提方法在不同故障位置、过渡电阻和故障类型下具有较强的鲁棒性。

基于动态模态分解-自适应变步长油浸式电力变压器绕组瞬态温升快速计算方法

为了改善当前油浸式电力变压器绕组瞬态温升计算过慢的问题,该文结合动态模态分解法和自适应变步长法提出了一种动态模态分解(DMD)-自适应变步长(ATS)快速计算方法。首先,该方法引入了动态模态分解算法,利用动态系统中前若干时步提取得到的变化特征,近似拟合其后一段时间内的系统变化,并通过选取主模态降低计算时间。其次,为了提高DMD算法性能,进一步提出结合ATS方法,通过自适应调整计算步长,提高瞬态计算效率;为了验证算法的计算精度和效率,建立了八分区分匝绕组数值传热模型并在此基础上将该文所提算法与仿真软件Fluent的计算结果进行对比,结果表明,在计算精度方面,二者结果几乎一致,计算误差最大不超过0.3 K;对于计算效率,该文算法的总计算时间为5.99 s,仅为Fluent总计算时间的1/89,且算法时间步数仅为Fluent的4.7%。最后,为了验证DMD-ATS算法的工程实用性,基于产品级油浸式电力变压器绕组结构搭建温升实验平台,并将所提算法计算结果与实验结果进行对比,结果表明所提算法在各测量线饼的误差均处在可接受的范围内,最大误差仅为4.57 K,且包含预处理时间在内的计算时间仅为69.14 s,计算时步仅需17步,较当前主流的计算方法效率有明显提高。综合算法的精度和效率,充分说明所提算法具有一定工程价值。

基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

混凝土缺陷信号变分模态分解与超声成像方法

混凝土的强散射特性限制了其中缺陷声波成像的分辨率。该文采用一种依据变分模态分解与全聚焦成像相结合的方法,将接收信号分解成多个本征模态函数,计算各本征模态函数与激励信号的相关系数,对信号加权重构以实现对特征信号的提取,从而提高成像算法对混凝土缺陷间散射波互干扰的鲁棒性。通过设置对比试验,研究了不同缺陷混凝土结构中该信号处理方式对于成像结果的影响。试验结果表明,该方法对于弱散射及散射干扰具有更好的鲁棒性,相比基于原始数据的成像方法能够更好地还原混凝土内部结构。

基于极点对称模态分解的中长期径流预报组合模型

为提高径流预报精度,解决径流序列分解后高频分量波动范围大、预报精度差的问题,基于极点对称模态分解法(ESMD)平稳化处理技术将径流序列分解,通过分析不同频率分量特征,择优选取预报方法,结合粒子群优化最小二乘支持向量机(PSO-LSSVM)全局优化和非线性建模能力及适应性强的特点,对高频分量进行预测,利用BP神经网络非线性映射能力和逼近任意非线性函数的优势对中低频分量和趋势分量进行预报,构建了ESMD-PSO-LSSVM-BP组合预报模型,对西江干流上中下游三座水文站的年、月尺度径流开展中长期径流预报。结果表明,对不同频率分量采用不同预报方法的组合模型可以有效提高径流预报精度。

基于动态模态分解的Π形梁涡振流场特征分析

为探索Π形桥梁断面的涡振机理及气动措施的抑振原理,采用动态模态分解方法,结合计算流体动力学数值模拟,对某Π形桥的不同工况进行流场解耦和对比分析.结果表明,主梁下表面方腔内的不稳定涡是导致Π形梁涡激振动的重要因素,增设2道四分点下稳定板将空腔分割成3个较小的区域,可减少下缘分离涡的形成空间并降低空腔内涡的强度和尺度,从而有效抑制涡振.第2阶分解模态与结构振动同频,是引起涡激振动的主导模态;此模态能够直观揭示流场中主涡的形成和发展,简化流场分析的复杂性.第3、4分解阶模态与结构的涡振频率存在明显的倍频关系,能够精确捕获涡激力中的高频成分,有利于深入理解涡激振动的瞬时变化特性,制定更为精细的抑振措施.

基于经验模态分解的单端BOTDA系统降噪方法研究

针对单端布里渊光时域分析(BOTDA)系统存在噪声大、信噪比较低等不足,提出一种基于经验模态分解的降噪方法。理论分析经验模态分解的降噪原理和少模光纤单端布里渊光时域分析传感原理,通过搭建的单端结构布里渊光时域分析温度传感系统,对经验模态分解的降噪效果进行对比分析。实验和仿真结果表明,经验模态分解算法对温度传感系统具有良好的降噪效果,降噪后信噪比提升了约3.06dB,温度测量精度提升了约0.98℃。

GPR信号去噪的变分模态分解

为了进一步提高探地雷达(ground penetrating radar,GPR)数据的信噪比,压制由随机扰动引起的随机绕射能量,将二维变分模态分解(two-dimensional variational mode decomposition,2D-VMD)引入二维GPR数据的噪声压制处理中。首先,对GPR数据进行2D-VMD处理,并分析各阶本征模态函数(intrinsic mode function,IMF)分量及其对应的频率-波数域谱来确定雷达剖面中的各回波类型。然后,计算IMF分量与原始数据的互相关系数来确定信号模态和噪声模态,并对信号模态进行重构得到降噪后的数据。理论数据和实测数据测试表明,相比于传统的1D-VMD法,2D-VMD滤波后的含噪正演记录峰值信噪比由6.44 dB增加到7.72 dB;经2D-VMD降噪处理后的雷达剖面在保留有效信号的基础上,可以有效压制随机扰动带来的噪声,并且得到的雷达剖面同相轴连续性更好。

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。

基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

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。

基于模态分解与SRU网络的时间序列预测

时间序列预测在工业、农业、金融及军事等领域中具有重要的应用价值。为了进一步提高预测的可靠性和准确性,构建一种基于模态分解与SRU网络的杂交预测模型。首先,针对模态个数难以确定的问题,构建基于平均样本熵来确定模态个数的自适应变分模态分解(AVMD)模型,以减少不同频率上的混叠及降低随机噪声的干扰。通过在Adam算法中引入了随机调整参数,来提高SRU网络的训练速度及增强网络跳出局部最优解的能力。最后,发展一种基于AVMD与SRU网络的杂交模型。为评估提出的预测模型的可靠性和准确性,将之与一些最新预测方法做比较。电力负荷序列的实验结果表明,所提出的杂交预测模型具有较高的准确性和可靠性。

模态分解的电能质量检测探究实验教学实践

针对“现代信号处理”课程的教学难点,以模态分解法(EMD)的电能质量扰动信号检测为例,进行了探究性实验教学仿真与实践。在教学过程中,引导学生对传统EMD电能质量检测法精度偏低的问题进行探究。然后根据探究结果,融合SVD滤波、ICEEMDAN及排列熵(PE)等多种现代信号处理技术,提出了SVD-ICEEMDAN-PE的电能质量扰动检测方法,能够提高精测精度。在此基础上,设计信号降噪、算法性能分析、扰动信号检测、实验信号检测等多个仿真对方法的有效性进行了验证。探究性实验教学是理论教学的延伸和拓展,教学过程注重以学生为中心,引导学生体会思考-探索-解决问题的科研方法,从而激发学生求学—求知—钻研的科研精神。

基于双模态分解的发电站母线短期负荷预测

母线负荷预测是电力系统运营和规划中至关重要的一项任务,针对电力负荷数据的非线性强以及影响因素多等问题,提出了一种基于双模态分解、深度学习和注意力机制的负荷预测模型。首先,对输入数据进行经验模态分解(Empirical mode decomposition,EMD),通过K-means聚类分析对复杂度相似的分量进行集合得到三个组合分量。其次,使用变分模态分解(Variational mode decomposition, VMD)对组合分量再次进行分解得到不同分量,使用麻雀搜索算法(Sparrow search algorithm,SSA)对变分模态分解的参数进行优化。再次,将变分模态分解得到的分量与影响因素连接并输入长短期记忆网络(Long short-term memory network, LSTM),通过注意力机制挖掘数据内部的相关性,并使用SSA对LSTM网络的参数进行优化。最后,采用宁夏某电站一年的负荷数据进行验证,经过与不同模型的对比分析,所提模型有更高的预测精度。

基于模态分解和神经网络的锂电池RUL预测

为了准确地预测锂电池剩余使用寿命(RUL)的整体退化趋势和局部容量恢复现象,此处提出了一种将改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与卷积神经网络(CNN)和双向长短期记忆(BiLSTM)神经网络相融合的模型。首先选取电池容量数据作为输入量,利用ICEEMDAN将本征模态分量和残余模态分量进行分离,然后根据两种分量的特征分别选取BiLSTM神经网络和CNN进行预测,最后将两者进行叠加得到预测结果。采用某机构数据集进行RUL预测实验,与单一模型进行对比实验。实验结果表明,基于模态分解的混合神经网络预测模型具有更高的稳定性和精确度;采用NASAPCoE数据集进行泛化性实验,验证了该模型在不同型号电池的RUL预测中都具有良好的准确性,可以被广泛使用。

模态分解下的无线局域网室内全覆盖通信方法

室内无线局域网的覆盖率是影响用户网络通信效率的关键因素。若室内面积越大以及墙体过厚,且终端使用环境密封会导致通过折射等途径传输通信信号非常微弱,严重影响无线局域网的通信覆盖范围。为此,提出模态分解下的无线局域网室内全覆盖通信方法。通过划分局域网模态单元和确定室内信号振幅阈值,构建模态振幅阈值模型,消除无线局域网室内信号滤波噪声。从终端无线访问节点(AccessPoint,AP)的信号容量和天线传播损耗两方面分析影响无线局域网通信覆盖范围的原因。基于此,利用非朗伯发射器扩充无线局域网终端AP的信号容量,实现无线局域网的室内全覆盖通信。实验结果表明,研究方法应用下无线局域网的室内通信的盲点面积小,覆盖效率更高,实验场景室内通信信息传输率约为6.8Mbit·s^(-1),说明上述方法的可应用性更强。

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

基于经验模态分解停止准则的振动筛轴承故障诊断

在数控振动筛运行速度大幅增加对轴承的运行稳定性提出了更高的要求,分析其故障信号并及时诊断是关键。为了弥补经验模态分解EMD方法依然有着模态混叠、包络过度以及包络不足等问题,筛分引入分解停止准则对其迭代计算进行加强,设计了一种基于经验模态分解停止准则的轴承故障诊断方法。通过仿真信号分析得到,该方法得到较少的本征模态函数(IMF)和均方根差(RMSE)数值,在算法时间层面具有优势性。所提方式在噪声较大的环境下对于分解信号有着较强的鲁棒性。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

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。