基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于ICEEMDAN多尺度熵与NGO-HKELM的转子故障诊断

针对电机转子故障信号非平稳、敏感的故障特征不能有效提取,传统分类器参数智能优化算法存在优化速度慢、调整参数多、易陷入局部最优等问题提出基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断方法。首先,采用改进的自适应噪声完全集合经验模态分解(improved complete empirical mode decomposition with adaptive noise,ICEEMDAN)方法对转子振动信号进行分解和重构;计算重构信号的多尺度样本熵(multiscale sample entropy,MSE),形成特征向量,通过核主成分分析(kernel principal component analysis,KPCA)方法对高维的特征向量进行降维;最后,将降维后的特征向量输入北方苍鹰算法(northern goshawk optimization,NGO)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)进行转子故障分类。研究结果表明,基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断模型,平均识别准确率可达97.7273%,平均寻优时间为1.0681 s,收敛速度快、准确率高以及分类效果好。

ICEEMDAN-ISSA-LSTM短期电力负荷预测

针对传统短期负荷预测方法误差大的问题,提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先,针对负荷序列波动性大,导致直接使用负荷数据进行预测难以获取内在特征的问题,运用ICEEMDAN方法将原始负荷序列进行分解,得到时间尺度各异的IMF分量;其次,针对LSTM模型参数较难选取的问题,采用ISSA对LSTM的超参数寻优,利用Fuch混沌映射、反向学习策略和自适应t变异改进麻雀算法,减小SSA陷入局部最优的风险,提高麻雀算法的寻优能力和收敛速度;最后,依据分解得到的各组数据特征,建立ISSA-LSTM模型并进行预测,再将各组分量的预测值进行叠加,得到最终的电力负荷预测结果。仿真结果表明:与其他预测模型相比,ICEEMDAN-ISSALSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为9.39 kW,均方根误差为11.47 kW,平均绝对百分比误差为0.19%。

联合ICEEMDAN与多种智能优化算法的径流预测及对比研究

为提高径流预测的精度及可靠性,引入EMD处理非稳态时间序列的优势,建立改进自适应噪声完整集合经验模态分解(ICEEMDAN)和鲸鱼算法(WOA)优化的BP神经网络预测模型。以陕西省黑河金盆水库入库径流预测为例,建立基于多种智能优化算法的模拟模型对水库入库径流进行预测,同时分别选用降水、径流等不同时间序列历史资料作为输入因子,对比在相同输入因子条件下BP、WOA-BP、ICEEMDAN-BP、ICEEMDAN-WOA-BP模型的预测能力。结果表明,就输入序列而言,以降水为输入因子的模型预测效果优于以径流为输入因子的模型;就不同算法而言,ICEEMDAN-WOA-BP模型具有较好的稳定性,纳什系数可达80%~90%,预测精度更高。说明所提出的ICEEMDAN-WOA-BP模型可为河川径流预测、水库水文预报和流域水资源管理等提供技术支撑。

基于ICEEMDAN-盲源分离联合的微震信号降噪方法研究

针对黔西南锦丰金矿巷道施工采集的微震信号非平稳特征和背景噪声干扰问题,引入一种基于完善的自适应噪声完备集成经验模态分解(ICEEMDAN)与盲源分离联合的降噪方法。该方法通过ICEEMDAN算法对微震信号进行初步分解,再利用MATLAB平台计算出信号的相关系数和边际频谱,筛选出含噪模态分量和信号的主频率分量,最后通过FastICA算法进行盲源分离,实现降噪。实际应用结果表明,与经验模态分解(EMD)和小波包阈值传统方法相比,该方法信噪比更大(24.142 5 dB)、标准误差更小(0.012 18)、降噪效果更好。

基于ICEEMDAN和松鼠算法优化极限学习机的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)和松鼠搜索算法(SSA)优化极限学习机(ELM)的轴承故障诊断方法。该方法首先通过ICEEMDAN对滚动轴承振动信号进行分解,得到若干本征模态函数(IMF);其次,根据相关系数筛选出相关性高,具有代表意义的IMF分量并计算出其奇异值来构建特征向量;最后,将提取到的特征向量输入到松鼠搜索算法优化后的ELM中进行故障识别。将所提出的方法应用于西储大学轴承试验台中滚动轴承的故障诊断与识别,其故障识别准确率达98.18%。诊断结果表明:该方法具有较高的精准度,并可将该方法推广应用于各类旋转机械滚动轴承故障的诊断与识别。

基于HBA-ICEEMDAN和HWPE的行星齿轮箱故障诊断

针对行星齿轮箱的故障特征提取和模式识别问题,提出了结合蜜獾算法(HBA)优化改进自适应噪声完备经验模态分解(ICEEMDAN)、层次加权排列熵(HWPE)和灰狼算法(GWO)优化支持向量机(SVM)的行星齿轮箱故障诊断方法。首先,利用HBA优化了ICEEMDAN的白噪声幅值权重和噪声添加次数,并对行星齿轮箱的振动信号进行了HBA-ICEEMDAN分解,得到了若干个本征模态函数,筛选出其中相关系数较大的分量进行了重构;然后,利用HWPE提取了重构低噪信号的敏感特征值,获得了故障特征向量;最后,利用GWO优化了SVM的惩罚系数和核系数,训练GWO-SVM多故障分类器,对行星齿轮箱损伤进行了识别;利用行星齿轮箱的振动数据进行实验,验证了算法的有效性。研究结果表明:结合HBA-ICEEMDAN、HWPE和GWO-SVM的行星齿轮箱故障诊断方法能够准确地识别行星齿轮箱的典型单点故障和复合故障,识别准确率达到了98.15%。相较于其他组合方法,该方法在行星齿轮箱故障诊断中更具有有效性,更具有优越性。

基于ICEEMDAN-ICA-ELM的中国采购经理人指数预测研究

文章引入机器学习算法,基于改进的带有自适应白噪声的完全集合经验模态分解(ICEEMDAN)-帝国竞争算法(ICA)—极限学习机(ELM),构建中国采购经理人指数预测模型,引入Diebold-Mariano统计量进行预测结果的比较。结果发现:ICEEMDAN技术可以准确提取数据中的有效信息,改进模型拟合效果;提出的组合模型ICEEMDAN-ICA-ELM预测效果优良,泛化能力强,误差较小,能够为PMI的走势提供新的预测方法。

基于GWO优化ICEEMDAN分解的混合储能系统功率分配策略

针对风电波动降低电网对其消纳水平的问题,设计了一种采用灰狼算法优化(Grey wolf optimizer,GWO)改进的自适应噪声的完备集成经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的混合储能系统功率分配策略。首先,以风电并网功率与原始功率的互相关系数,以及经ICEEMDAN分解获得的各固有模态函数(Intrinsic modal function,IMF)样本熵作为适应度函数,采用GWO进行ICEEMDAN算法中参数信噪比μ和高频、低频功率分量分界点k进行寻优。其次,采用ICEEMDAN分解风电功率,将低频IMF信号作为风电并网功率,高频IMF信号作为混合储能系统功率,以各相邻高频IMF信号信息熵为依据,实现混合储能系统功率的一次分配;根据超级电容的荷电状态,利用模糊控制对蓄电池、超级电容器的功率进行修正,实现混合储能系统功率的二次分配。最后,将上述平抑风电波动控制策略同其他风电平抑策略进行对比,验证了所提策略的有效性和优越性。

基于ICEEMDAN能量矩和MFOA-PNN的轴承故障诊断

为了提高滚动轴承故障诊断的准确性,实现对故障的精准定位,提出一种基于改进的自适应噪声的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和修正型果蝇优化算法-概率神经网络(Modified Fruit Fly Optimization Algorithm-Probabilistic Neural Network,MFOA-PNN)的轴承故障诊断方法。首先利用ICEEMDAN算法对滚动轴承原始序列信号进行预处理,通过能量矩计算公式求取特征值,并将其作为PNN模型的输入;其次运用MFOA搜索PNN模型的最优平滑参数,通过建立MFOA-PNN模型诊断故障类别。实验表明,MFOA-PNN模型相比PNN模型的诊断准确性有所提高,准确率可以达到99.50%,提高了滚动轴承的经济性和安全性。

改进黑猩猩算法和LSSVR-BiLSTM双尺度模型的短期风功率预测

为提高风功率预测精度,提出一种基于改进自适应白噪声完全集合经验模态分解(ICEEMDAN)、排列熵(PE)、改进黑猩猩优化算法(ICHOA)、最小二乘支持向量回归机(LSSVR)和双向长短时记忆(BiLSTM)网络相结合的短期风功率预测混合模型。通过ICEEMDAN将非平稳的原始风电序列分解为相对平稳的模态分量,并使用PE聚合来降低计算复杂度。分别将BiLSTM模型和LSSVR模型应用于高频分量和低频分量的预测。采用ICHOA用于优化模型的参数。将每个预测分量值叠加得出最终预测结果。算例分析结果表明,所提LSSVR-BiLSTM双尺度深度学习模型与其他模型相比,能更好地拟合风功率数据,具有较高的预测精度和可行性。

基于网络搜索信息的多模态数据驱动航空客流集成预测

为了对机场旅客吞吐量进行更高精度的预测,提出了一种基于网络搜索信息的“分解-重构-集成”组合预测新方法。首先,采用平均影响值和时差相关分析法对机场旅客吞吐量相关的网络搜索关键词进行筛选,合成综合搜索指数。其次,利用改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)方法分别将机场旅客吞吐量和综合搜索指数分解为若干子模态序列,依据子序列的样本熵值重构为高、中、低频序列。以搜索指数中的不同频率成分作为辅助输入信息,分别对机场旅客吞吐量的高频和中频序列采用麻雀搜索算法优化的BP神经网络(SSA-BP)模型进行预测,而低频序列采用自回归分布滞后模型进行预测,最后将不同频率序列预测值用SSA-BP模型进行综合集成得到最终的预测值。通过实证发现,该组合预测新方法能显著提高预测的精度,并表现出较好的鲁棒性。

融合两阶段分解与iJaya-ELM的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。针对已有文献在风速预测问题中采用的单一分解策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与iJaya-ELM的混合预测模型。首先,对原始风速序列进行ICEEMDAN分解,得到12个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异谱分解滤去序列噪声;提出一种改进的Jaya算法iJaya,利用iJaya算法获取极限学习机ELM的最优连接权值与阈值,最后将各个分量的预测结果线性集成得到最终结果。以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁棒性与通用性。实验结果表明,iJaya算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模型能够有效提升风速预测精度,平均绝对误差与均方误差分别为0.0679和0.1345。

基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法

工业用户的负荷通常由多种负荷类型共同组成,结构较为复杂,并且常常含有较大的冲击性负荷。传统的负荷预测方法难以准确预测负荷突变,导致预测精度不高。将负荷分解成不同频率的分量再分别进行预测是较为可行的解决方式。提出了基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法。首先,采用ICEEMDAN算法将工业用户的负荷分解为高、低频模态分量。该算法利用局部均值来替换模态的估计,避免了高斯噪声对模态分解的影响,改善了传统模态分解方法中模态混叠的现象。其次,采用长短期记忆神经网络、最小二乘支持向量回归算法分别建立高、低频分量的预测模型。最后,将各分量的预测结果进行叠加重构,得到了最终的预测结果。相比于单一预测方法、其他组合预测方法等多种预测方法,所提方法的平均绝对百分比误差分别降低了26.35%,12.75%,具有最高的预测精度。

基于能量熵与SATCSSA-LSSVM滚动轴承故障诊断

为解决轴承故障特征不易提取,轴承故障的辨识效果不佳等一系列问题,提出基于改进自适应完整集成经验模态分解(ICEEMDAN)-自适应混沌麻雀搜索算法(SATCSSA)优化最小二乘支持向量机(LSSVM)的滚动轴承故障诊断方法。首先,通过ICEEMDAN对滚动轴承信号进行故障特征提取,产生多个本征模态函数分量,结合相关系数原则通过提取能量(Shannon)熵,计算其能量百分比作为特征值输入;针对LSSVM易受核参数与惩罚函数影响,引入混沌理论、自适应理论、高斯变异等来改进麻雀搜索算法优化LSSVM参数,构建故障诊断模型。最后,将提取到的特征值输入最小二乘支持向量机进行故障诊断。对比结果表明所提方法能有效进行故障辨识,并且准确率更高,与其他方法相比,故障诊断精度明显提高。

基于改进的经验模态分解和SSA联合算法的GPS坐标时间序列重构

基于ICEEMDAN算法无需先验信息即可准确分离和提取低频信号与趋势信息的特性,以及SSA具有较好的信号重构优势,提出基于ICEEMDAN和SSA的联合重构方法。该方法将弱周期信号利用ICEEMDAN方法进行提取与重构,可弥补SSA方法中当弱周期信号对应的Hankel矩阵的奇异值和噪声Hankel矩阵的奇异值接近时容易被噪声掩盖而难以提取的不足。通过模拟实验和真实站点数据验证该算法分解和重构精度,并与奇异谱分析法、小波分解法、滑动最小二乘法进行比较。实验结果表明,ICEEMDAN-SSA联合算法相对于已有方法具有更好的重构精度。

基于ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题,提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号,并计算不同状态的特征信号在多尺度上的样本熵值,构成多尺度样本熵MSE特征向量;通过灰狼算法对SVM的核参数c和g进行全局寻优,增强SVM模型的分类性能,实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性,结果表明:ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别,准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比,文中所提方法的故障识别率分别提高了23.57%和3.48%。

改进CEEMDAN算法与CNN融合的深度学习系泊故障研究

针对海上漂浮式风力机在长期的海洋环境作用下,受到风、浪、流等复杂载荷的影响,发生腐蚀、蠕变和失效等故障问题,基于深度学习理论,提出了一种改进的完全集合经验模态分解(Improved Complete Ensemble EMD,ICEEMDAN)结合卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法,用于对海上漂浮式风力机的系泊系统进行故障识别。该方法基于平台艏摇响应信号状态,计算系泊蠕变与失效阶段,并分析不同位置系泊对漂浮式风力机稳定性的影响,诊断出系泊是否产生蠕变以及系泊蠕变位置。研究结果表明:改进后的方法能够较好地识别系泊蠕变到失效过程,挖掘了纵荡、横荡、横摇及艏摇等因素对风力机稳定性的影响,其在不同信噪比下均可有效地诊断出系泊状况与不同位置的蠕变,且准确率最高可达99.83%。