基于特征判定系数的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和特征熵权法(entropy weight method,EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis,CCWK)原则筛选CEEMDAN分量并重构信号,在实现剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数实现单一数据诊断变压器故障类型;通过主成分分析法减小混合域特征尺度,采用鸡群优化算法优化支持向量机(support vector machine,SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析,结果表明与概率神经网络和SVM等变压器故障诊断方法相比,文中方法能在提前定性故障类型的同时,进一步提高变压器故障诊断的准确率与效率。

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

基于校准窗口集成与耦合市场特征的可解释双层日前电价预测

随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。

考虑时序二维变化的日前市场电价预测模型

电价预测对电力市场参与者的运营决策及电力系统安全稳定运行关系重大。针对日前市场电价预测问题,本文提出一种考虑时序二维变化的日前市场电价预测模型和方法。首先采用改进的带自适应噪声的完全集成经验模式分解对日前市场电价历史数据进行分解,然后对其高、低频子序列分别采用考虑时序二维变化的Ti⁃mesNet和基于统计分析的差分自回归移动平均进行预测,二者结果之和构成日前市场电价的预测值。仿真结果表明,所提方法相较于现有单一或组合模型具有较高的预测精度。

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

为提高大坝变形预测精度,针对大坝变形数据的复杂性和非线性等特征,基于自适应噪声完备集成经验模态分解(CEEMDAN)、数据处理群集法(GMDH)和差分自回归移动平均模型算法(ARIMA)进行大坝变形预测研究。采用CEEMDAN将大坝变形原始数据分解为高频随机分量、中频周期分量和低频趋势分量,再分别采用GMDH模型、ARIMA模型对高中频分量、低频分量进行预测,建立基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型。以江西上犹江水电站为例,将该模型预测结果与反向传播(BP)、径向基函数(RBF)、GMDH和CEEMDAN-GMDH模型的预测结果进行对比分析。结果表明:CEEMDAN-GMDH-ARIMA模型的均方根误差(E_(RMS))、平均绝对误差(E_(MA))、相关系数(r)分别为0.048 mm、0.035 mm、0.994,均优于BP、RBF、GMDH、CEEMDAN-GMDH模型,模型预测效果最好,能够很好地体现监测点水平位移变化趋势。

基于双EEMD与重构的局部放电时延估计方法

对室内电气设备的局部放电检测与定位是保障设备长期稳定运行的有效手段,而时延估计精度是影响局部放电检测与定位准确度的重要因素。为解决局部放电信号在噪声及多径效应影响下的时延估计精度问题,本文提出了一种基于双集合经验模态分解(ensemble empirical mode decomposition,EEMD)与重构的局部放电信号预处理方法。模拟仿真与实验测试结果表明,本文所提出的方法与广义互相关算法相比有效提高了时延估计准确度,且稳定性与鲁棒性更好。本文所提方法有效提高了局部放电信号的信噪比(signal-to-noise ratio,SNR)以及时延估计算法的精度,可用于低SNR及多径效应明显的室内环境中局部放电信号的时延精确估计。

基于WAEEMD和MSB的滚动轴承故障特征提取

针对调制信号双谱(MSB)方法仅能处理平稳信号的不足,提出了一种基于加权平均集成经验模态分解(WAEEMD)和MSB的滚动轴承故障特征提取方法。首先,利用WAEEMD将滚动轴承的非平稳振动信号分解成一系列具有平稳特性的固有模态函数(IMF);然后,开发了一种基于Teager能量峭度(TEK)的加权平均方法以强调敏感IMF的重要性,并将加权后的IMF重构为WAEEMD滤波信号;最后,应用MSB分解WAEEMD滤波信号中的调制分量并提取故障特征频率。仿真和实验结果表明,相对于快速谱峭度(FK)和EEMD-MSB方法,WAEEMD-MSB方法能更准确地获取故障特征,从而验证了WAEEMD-MSB方法的有效性。

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明:相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。

基于数据预处理和集成机器学习的锂离子电池剩余使用寿命预测

针对锂离子电池容量退化存在局部再生现象,导致单一模型预测不准确问题,提出了一种基于数据预处理和集成机器学习的锂离子电池剩余使用寿命(RUL)预测方法。首先,利用自适应噪声完全集成经验模态分解(CEEMDAN)算法将锂离子电池容量退化序列分解成波动数据和主趋势两个部分。然后,使用时域卷积网络(TCN)和多头注意力机制(MHA)的组合模型预测波动数据部分。对于主趋势部分,选择差分自回归移动平均模型(ARIMA)进行预测。最后,集成各预测结果得到锂离子电池剩余使用寿命的预测结果。以NASA公开的数据集进行验证,实验结果表明:四组电池的均方根误差不超过1.85%,平均绝对误差在1.25%以内。证明了所提出的多模型融合方法具有良好的预测性能和鲁棒性。

基于AED-CEEMD-Transformer的锂离子电池健康状态估计

锂电池健康状态(state of health,SOH)的精确预测评估对电池设备安全稳定运行极为重要,通过对SOH的快速准确预测,可以提高电池设备的安全性并降低出现故障的风险。针对难以精确预测锂离子电池SOH的问题,本文采用电池容量作为SOH的指标,提出一种利用平均欧几里得距离(average euclidean distance,AED)和互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法建立基于Transformer网络结构的锂离子电池健康状态估计算法。首先,我们利用AED评估电池数据库中的电池与待预测电池初期循环容量之间的相似度,并选出具有相似容量退化趋势的电池作为训练集以提高模型的训练速度,然后利用CEEMD方法将电池容量曲线分解为容量再生部分以及退化趋势部分,将各个分量分别使用Transformer网络来建立锂电池退化模型,进而得到锂离子电池的SOH预测结果。本文使用分别来自斯坦福大学与马里兰大学的两个具有不同充放电策略与不同测试环境下的锂离子电池数据集来验证了所提出的电池预测算法的准确性。本文所提模型的均方根误差均能控制在4%以内,具有较好的精确性,并通过与基于LSTM、RNN、GRU的常用锂离子电池健康状态估计算法结果的比较,验证了所提出估计方法的优越性。

一种改进基尼指数加权的轴承健康指标构建方法

在轴承的状态监测中,构建一个可以准确描述轴承退化趋势且能及时识别早期退化点(EDP)的健康指标(HI)至关重要。目前大多学者提出的健康指标能较好地描述轴承的退化趋势,但不能准确识别早期退化点。提出了一种改进基尼指数(IGI)加权的轴承健康指标构建方法。利用集成经验模态分解(EEMD)对原始信号进行分解,根据各分量的故障特征能量比(FCER),对其进行加权重构得到重构信号;计算重构信号的IGI;将IGI作为重构信号的FCER进行加权计算,得到最终的指标IGI-FCER-HI。通过两个实验验证了所提方法的有效性,并与其他健康指标进行了对比。结果表明,所提方法构建的指标不仅具有良好的单调性和趋势性,而且能准确监测轴承的早期退化点。

基于数据分解及因果推理的设备可靠性预测模型

为解决设备的可靠性数据受多种因素影响而同时具有线性特征和非线性特征的问题,提出1种集合经验模态分解法辅助的设备可靠性预测组合模型,该模型结合差分整合移动平均自回归模型和因果推理模型。首先,对原始数据采用集合经验模态分解法,得到固有模态函数分量和余项;其次,将模态函数分量输入差分整合移动平均自回归模型得到线性分量,进而将线性分量和原始数据作差,得到非线性分量;最后,基于该非线性分量,提出因果分析模型,实现对设备可靠性的有效预测。研究结果表明:与流行的可靠性预测模型相比,组合模型分别在平均绝对误差和均方根误差指标上降低0.015 9和0.026 5,进一步证明本文所提方法的正确性和有效性。研究结果可为工业生产中提升设备可靠性预测提供新思路。

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。

EEMD⁃SARIMA⁃ETS组合模型在河南省人布鲁氏菌病发病趋势预测中的应用

目的探索集成经验模态分解(EEMD)⁃季节性差分自回归滑动平均(SARIMA)⁃基于状态空间的指数平滑(ETS)组合模型在人布鲁氏菌病发病趋势预测中的应用。方法采用周期分解法分解2005—2019年河南省人布鲁氏菌病的发病趋势和季节模式;采用EEMD方法分解序列包含的不同时间尺度本征模态分量(IMFs)和剩余分量,将数据划分为训练集(2005—2018年)和测试集(2019年),采用ETS和SARIMA模型分别模拟IMFs和剩余分量,构建EEMD⁃SARIMA⁃ETS组合模型,并将其预测准确性与单一SARIMA和ETS模型进行比较。结果2005—2015年河南省人布鲁氏菌病发病率呈上升趋势(APC=53.26%),2016—2019年呈下降趋势(APC=-18.65%),发病高峰在每年的3—6月。获得河南省人布鲁氏菌病发病的最优模型:ETS(A,AD,A)、SARIMA(2,1,3)(0,1,0)12,及由最佳ETS、SAR1MA模型构成的EEMD⁃SARIMA⁃ETS组合。EE⁃MD⁃SARIMA⁃ETS组合模型平均绝对百分比误差(10.36%)<ETS模型(16.20%)<SARIMA模型(27.31%),平均绝对误差、均方根误差、平均误差率和均方根百分比误差同样也小于单一的ETS和SARIMA模型。结论河南省人布鲁氏菌病是季节性疾病,EEMD⁃SARIMA⁃ETS组合模型能准确地预测其流行趋势,可为人布鲁氏菌病精准化动态防控提供参考。

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。

结合局部邻域特性和C-BEMD的图像融合方法

针对基于二维经验模态分解(BEMD)图像融合方法的不足,提出一种结合局部邻域特性和可协调二维经验模态分解(C-BEMD)的图像融合方法.为了克服BEMD应用于图像融合时存在的内蕴模函数(IMF)个数和频率不匹配问题,通过固定迭代次数和协调操作提出了适合图像融合的C-BEMD算法;然后利用C-BEMD对源图像进行分解获得IMF分量和残差分量,同时对IMF分量采用基于局部邻域能量的选择与加权平均策略,而对残差分量则采用基于局部邻域可见度的融合规则;最后将融合后的IMF分量与残差分量进行叠加,得到融合后的图像.融合仿真结果表明,该方法对于多聚焦图像、遥感图像和医学图像均可获得视觉效果佳、细节信息丰富的融合图像,优于基于行列交叉的经验模态分解和复数经验模态分解的图像融合方法.

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。

分数阶Fourier变换域中网络流量的自相似特性分析

通过分析网络流量数据在FrFT域的统计特性发现,实际网络流量在FrFT域满足自相似性,进一步地,针对网络流量在FrFT域的"时域"和"频域"展开,分别给出了基于改进的整体经验模态分解—去趋势波动分析(MEEMD-DFA)的Hurst指数估计法以及基于加权最小二乘回归(WLSR)的Hurst指数自适应估计法。实验结果表明,相比于现有估值算法,MEEMD-DFA法具有较高的估计精度,但计算复杂度高;而FrFT自适应估计法则具有更优的估计顽健性,且计算复杂度较低,可作为一种实时在线估计真实网络数据Hurst指数的方法。

形态滤波与EEMD在振动筛轴承故障诊断中的应用

轴承故障诊断的关键在于振动信号的前处理与故障特征参数的提取。形态滤波法可以利用特有的数学属性对故障信号进行有效的降噪处理,并突出故障信号的特征参数;同时利用集合平均经验分解对轴承的特有故障特征进行提取。将该振动信号提取方法应用到振动筛等振动机械的轴承故障特征提取中,通过试验表明,该方法可以有效提取振动机械中故障信号的频谱特征,便于工程应用。