摘要: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. 067 9 和 0. 134 5。

摘要:针对 S700K 转辙机健康状态分类过于粗放、诊断速度慢、效率低的问题,提出一种基于 CEEMDAN 与改进核极限学习机( kernel based extreme learning machine,KELM)的诊断方法。 首先,对 S700K 转辙机功率数据进行自适应噪声完备集合经验模态分解,得到 6 个本征模态函数(intrinsic mode function,IMF);然后,计算本征模态函数的模糊熵值(fuzzy entropy, fuzzyEn, FE)作为表征转辙机健康状态的特征参数;最后,利用麻雀算法(sparrow search algorithm,SSA)改进的核极限学习机对 9 种健康状态进行健康诊断,并与 SVR 和 ELM 模型进行对比。 仿真结果表明,改进核极限学机模型准确率、精确率、召回率等指标分别达到97. 8%、98. 0%、97. 8%,相较于 SVR 和 ELM 模型,SSA-KELM 模型在保证运行速度的基础上,将诊断准确率至少提高 2. 2%。

摘要:为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。 首先采用 CEEMDAN 降低风速序列的不稳定性,提高其可预测性。 其次对分解得到的各子序列建立 LSTM 预测模型,并采用 ICS 优化 LSTM 的关键参数,提高 LSTM 预测模型的回归性能。 然后对各个子序列采用最优参数 LSTM 预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。 经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为 0. 82 和 0. 95,对比研究表明本文所提预测模型的优越性。

摘要:针对布里渊光时域分析仪(BOTDA)存在的信号噪声问题,提出一种自适应噪声完备集合经验模态分解联合小波阈值(CEEMDAN-WT)的降噪方法。 首先,分析了 CEEMDAN-WT 算法降噪原理,基于微波扫频测量原理建立了 BOTDA 信号解调模型,通过仿真研究验证了 CEEMDAN-WT 方法可有效去除信号中的随机噪声。 其次,搭建了 BOTDA 测温系统,在不同传感距离和不同空间分辨率下进行了降噪效果实验验证。 结果表明,在 30 km 的传感距离和 2 m 的空间分辨率下,CEEMDAN-WT 方法将光纤末端的信噪比提升了 8. 89 dB。 研究证明,CEEMDAN-WT 方法可为 BOTDA 信噪比提升提供一种有效方案。

摘要:针对配电变压器故障特征提取困难、故障识别难度大的问题,提出一种将振动信号、自适应噪声完备集合经验模态分解(CEEMDAN)与图卷积神经网络(GCN)三者有机结合的故障诊断方法。 首先,采用 CEEMDAN 对来自加速度传感器的振动信号进行处理,获得一组固有模态分量(intrinsic modal function);其次求取边际谱信息作为特征向量;然后,对特征向量矩阵构造无向加权完全图,并使用改进灰狼优化算法对高斯核带宽进行寻优;最后,搭建一个具备多通道和多连通的改进 GCN 模型进行特征二次挖掘与故障分类。 与此同时,还在模型中加入一种名叫“峰值因子”指标实现对未知类型故障的辨识。 在实例分析中,分别对油浸式和干式变压器进行故障模拟,提取不同状态的样本进行测试。 实验结果表明,所提方法对油浸式和干式变压器的故障识别准确率分别达到 97. 73%和 95. 6%,优于其他两种对比方法。 在面对未知类型故障以及运行工况发生变化时,也具备较高是识别能力。

摘要:针对串联电弧故障检测困难,以及基于分解策略的检测方法难以捕获敏感判别分量的问题,提出一种融合自适应噪声的完备经验模态分解(CEEMDAN)和敏感本征模态函数(IMF)精选的串联电弧故障检测方法。 本方法采用 CEEMDAN 算法对故障电弧电流进行完备分解;并定义了电弧电流的 12 个特征指标,以敏感性较强的峭度指标和能量特征作为判定依据,从而实现了 IMF 分量的频段划分;在此基础上,提出了基于时间窗的特征计算方法,通过获取各高频 IMF 分量的时间维度局部特征,并通过比较方差、均方根值等特征指标实现敏感 IMF 分量的准确选取。 最后,针对电流特征集,采用主成分分析实现二次降维,并基于支持向量机(SVM)实现串联电弧故障检测。 实验证明了所提方法的可行性和电弧故障检测的有效性。

摘要:在 GPS / BDS 组合系统中,BDS 系统的 MEO 轨道卫星与 BDS(GEO、IGSO) / GPS 轨道卫星的回归周期存在较大差异,表现为与其对应的恒星日滤波模型不唯一,其多路径误差的抑制效果也千差万别。 为了取得更好的形变监测效果,采用CEEMDAN-WT 联合滤波消除基线坐标序列的噪声影响,然后构建适用于 GPS / BDS 组合的恒星日滤波模型,基于模型提取到的多路径信息,对后一天基线序列的多路径误差进行改正。 实测结果表明,经 BDS(GEO、IGSO) / GPS 组合的恒星日滤波模型抑制多路径误差后,基线的水平定位精度小于 5 mm,高程定位精度小于 1. 33 cm,总体定位精度提升在 40%以上。

摘要:为了提高单分类支持向量机(one class support vector machine, OCSVM)在滚动轴承性能退化评估的准确性,提出了一种基于具 有 自 适 应 白 噪 声 的 完 备 经 验 模 态 分 解 方 法 ( complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、粒子群优化算法(particle swarm optimization, PSO)和 OCSVM 相结合的性能退化评估方法。 首先采用 CEEMDAN将采集的振动信号计算展开为多个固有模态函数(intrinsic mode functions,IMFs),根据 IMFs 的能量密度获得典型的特征信号;其次,通过粒子群算法优化 OCSVM 的参数 ν 和径向基核函数参数 g,增强 OCSVM 的学习能力和泛化能力;最后,使用 3σ 设置自适应阈值,确定轴承早期失效阈值并用 CEEMDAN 和 Hilbert 包络解调的方法验证评估结果的正确性,采用辛辛那提大学的轴承实验全寿命数据验证所提模型的有效性。 结果表明,PSO 算法优化 OCSVM 的模型可以准确地对轴承运行全寿命状态监测,与支持向量描述(support vector data description, SVDD)和参数自选的 OCSVM 模型相比,该方法的性能退化评估模型更有效和优越。

摘要:为提高传统自适应噪声完备经验模态分解算法(CEEMDAN)对电机轴承故障特征信号的精确提取率,降低重构信号失真,提出了一种改进自适应噪声完备经验模态分解算法。 首先利用传统 CEEMDAN 对原始信号初步分解,获得若干特征分量(IMFs)和固有模态分量,将若干 IMFs 运用熵权法进行初步故障特征信号消噪和提取,对筛选后的 IMF 分量进行二次分解和二次筛选,获得典型故障敏感信号,再运用 SG(Savitzky-Golay)平滑滤波进行信号重构,最终实现电机轴承信号降噪。 最后利用凯斯西储大学轴承数据进行改进算法性能分析,结果表明该方法对电机轴承信号能够有效的进行信号降噪,其信噪比相比于原始信号提高 2. 2 dB。