基于神经元网络的制粉系统球磨机负荷软测量

分析了制粉系统球磨机磨筒内负荷（存煤量）的各种影响因素及影响特性,提出了基于人工神经网络测量磨筒内负荷的软测量方法,给出了基于前向复合型神经网络的分工况学习的变结构式负荷测量模型及神经网络训练算法,正常工况下采用延时神经网络,而接近堵磨工况时则采用回归神经网络,工况的一种模糊划分方法同时被给出。离线训练及计算机仿真结果证实了所提神经网络软测量方法的可行性,为球磨机制粉系统的优化运行和自动控制奠定了基础。对某DTM350／600型球磨机的实测数据分析进一步证实了所提方法的有效性,且在计算结果的指导下,提高该球磨机制粉系统的出力约达6t/h,取得了良好的效果。     

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果,提出一种基于3σ准则、自适应噪声完备集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理;运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数(IMF);分别对每个IMF分量构建LSTM模型进行预测;将所有IMF分量预测结果进行线性叠加,得到目标年基于Ⅰ类元胞的空间负荷预测结果,在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。     

抽水蓄能电站甩负荷实测压力处理及特性分析

针对抽水蓄能电站甩负荷过程蜗壳进口压力信号易受噪声干扰、压力脉动难以准确提取等问题，提出了一种变分模态分解和完全自适应噪声完备集合经验模态分解相结合的联合处理方法。首先对信号进行变分模态分解，以互信息为准则进行分量重构，降低排列熵值。然后对重构信号进行完全自适应噪声完备集合经验模态分解处理，叠加分量以获取与仿真信号排列熵一致的试验数据。通过工程实例研究证明，本文所提出的处理方法能较为快速和准确地分解蜗壳进口实测压力，同时利用互信息提升了使用相关系数选取分量重构的准确性，为压力脉动准确提取和分析提供了新参考。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用CEEMDAN将其分解为多个固有模式函数(IMF)，降低其非稳定性；采用LSTM网络分析各分量时序特征，获得多个预测结果 ；将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。     

基于LS-SVM和机理模型的球磨机料位软测量

提出了一种机理知识和最小二乘支持向量机(LS-SVM)相结合的球磨机料位混合软测量方法.基于机理模型建立料位理论模型;将料位机理特性融入LS-SVM的建模过程中,利用LS-SVM算法对机理模型进行校正,弥补它的不精确性.通过现场试验和实际运行分析表明,混合模型能够有效地反映出实际运行中料位的变化趋势和动态特性.     

基于混合高斯过程的多模型热力参数测量软仪表

为了解决工业过程中参数失效和优化运行中参数计算的问题，提出了一种新型软仪表，它是基于混合高斯模型，利用EM算法实现对混合模型中的参数估计。混合模型的使用既有利于降低单一高斯模型的计算负担，又能有效反映工业过程中的工况变化，判断出与特定工况相关程度最大的过程知识，利用它们建立与特定工况对应的局部模型，并将它们合并组成具有多模型结构的全局模型。作为示例，建立了测量火电厂烟气含氧量的软仪表。仿真结果表明，文中提出的方法能有效地实现工业过程参数的软测量，具有较大的实用价值。     

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果，提出一种基于3σ准则、自适应噪声完备集合经验模态分解（CEEMDAN）和长短期记忆神经网络（LSTM）的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理；运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数（IMF）；分别对每个IMF分量构建LSTM模型进行预测；将所有IMF分量预测结果进行线性叠加，得到目标年基于Ⅰ类元胞的空间负荷预测结果，在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于ICEEMDAN分解与SE重构和DBO-LSTM的滑坡位移预测

滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解（ICEEMDAN）、样本熵（SE）以及蜣螂算法（DBO）优化的长短期记忆网络（LSTM）组合模型进行位移预测。以八字门滑坡为研究对象,利用ICEEMDAN方法将滑坡累计位移进行分解,并用样本熵值表征分解得到的子序列,将其重构为趋势项和周期项位移。之后利用LSTM模型预测趋势项和周期项位移;通过灰色关联度的方法确定周期项位移的影响因素。考虑到LSTM网络中超参数的随机性会影响模型预测精度,引入蜣螂优化算法获取LSTM最优超参数,最终将预测得到的趋势项和周期项位移叠加得到累计位移。本文所提的ICEEMDAN-SE-DBO-LSTM模型预测周期项位移的RMSE、MAE、R2 3项指标分别为1.803 mm、1.584 mm、0.988,相较于DBO-BP,LSTM,GRU和BP模型预测效果更优,证明了模型的有效性。     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

基于CEEMDAN和SVR的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对系统的安全正常运行至关重要。提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归(SVR)的锂离子电池剩余使用寿命预测方法。首先,在放电过程中提取了一个可测量的健康因子,并使用Pearson和Spearman法分析健康因子与容量之间的相关性,然后利用CEEMDAN将健康因子进行分解,获得一系列相对平稳的分量,最后采用CEEMDAN分解后的健康因子作为SVR预测模型输入,容量作为输出,实现锂离子电池RUL预测。利用NASA PCoE提供的锂离子电池退化数据集进行试验,与标准SVR模型相比,实验结果表明利用该方法能够有效验证所提出的RUL预测模型的有效性,并且使预测误差控制在2%以下。     

基于信息融合技术的磨煤机负荷特征信息提取方法

磨煤机噪声信号含有能够表征磨煤机负荷的重要信息,是判断磨煤机运行状态的重要信号,但噪声信号各频段对负荷表征的灵敏度不同,仅靠噪声信号能量难以获取准确可靠的负荷变化信息。为此,研究出一种新的磨煤机负荷特征信息提取方法：利用信息融合技术中的多传感器一致性检测原理,将对负荷反应灵敏的多个磨煤机噪声特征频段提取出来,再按照最小二乘方法融合特征频段功率标定值,得到表征磨煤机负荷的特征信息。通过现场采集的磨煤机噪声信号,对所研究的方法进行了仿真验证,结果表明该方法有效可靠。     

基于因散经验模式分解的电力负荷混合预测方法

针对目前常用负荷分析方法多依赖主观经验,而经典经验模式分解有时出现混频现象的问题,提出了一种基于因散经验模式分解的电力负荷混合预测方法。首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度。     

基于EEMD-ARIMA模型的地区月负荷量预测

负荷预测是电网规划运行安排的基础,预测的准确性关系到电网安全、可靠和经济运行。为了解决原始数据不平稳造成预测精度低下的问题,本文提出了基于集合经验模态分解(EEMD)的自回归积分滑动平均(ARIMA)预测模型,对某地区的月负荷量做加噪处理后进行经验模态分解,使其分量平稳化,再对各分量进行ARIMA模型预测,最后将各预测结果相加得到最终预测值。算例表明,基于EEMD-ARIMA模型的地区月负荷量预测精度高于传统ARIMA模型。     

基于自适应噪声完备经验模态分解?样本熵?长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。     

基于改进 CEEMDAN 的应答器上行链路信号降噪研究

针对在高速铁路复杂电磁环境中应答器上行链路(balise uplink, BU)信号传输受扰的问题,提出了一种基于自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波包自适应阈值的联合降噪方法。首先,采用CEEMDAN算法将模拟BU信号分解为12个模态分量,根据相关系数判断分量为相关分量或无关分量;然后,相关分量经小波包降噪处理后重构为降噪后的BU信号;最后,选用信噪比(signal-noise ratio, SNR)和均方根误差(root mean square error, RMSE)作为评价指标,将该方法与目前广泛采用的6种降噪方法进行对比,信噪比提高了0.486 1～6.144 dB,均方根误差降低了0.054 9～11.091。为检验该方法的实际应用效果,采用联合降噪方法对实测BU信号进行降噪处理。仿真验证和实验验证的结果表明,采用联合降噪方法降噪后的BU信号不仅噪声分量得到了有效去除,而且信号特征保存完好,证明该方法能够应用于解决实际BU信...     

一种WACEEMDAN和MSB的轴承故障诊断方法*

针对滚动轴承发生故障时的冲击信号易被噪声淹没和其非平稳的特性,以及传统使用自适应白噪声平均总体经验模态分解（CEEMDAN）时固有模态函数（IMFs）中的有效信息不能被充分利用等问题,提出了一种基于加权自适应白噪声平均总体经验模态分解（WACEEMDAN）和调制信号双谱（MSB）的滚动轴承故障特征提取方法。首先,使用CEEMDAN将采集的非平稳振动信号分解成若干具有平稳特性的IMFs;然后,构建了一种强调敏感分量的新型指标：相关—峭度值,利用该指标对各个IMFs加权并重构为WACEEMDAN信号;最后,应用调制信号双谱（MSB）分解WACEEMDAN信号中的调制分量并提取故障特征频率。研究结果表明,通过使用西安交通大学通用轴承数据集和我们试验台进行了验证,所提出的WACEEMDAN—MSB方法能够准确的提取出轴承故障特征频率,从而验证了WACEEMDAN—MSB方法的有效性。     

空间负荷预测中确定元胞负荷合理最大值方法

针对实测的元胞负荷数据中存在随机波动现象而使空间负荷预测精度降低的问题,提出一种利用互补集合经验模态分解(CEEMD)和游程检验技术确定元胞负荷合理最大值的方法。该方法通过互补集合经验模态分解技术将各Ⅰ类元胞负荷序列分别进行分解,每个Ⅰ类元胞得到一组本征模态函数,采用游程检验技术对每个本征模态函数进行随机性检验,建立识别其中高频分量的判据,剔除刻画元胞负荷随机波动性的高频本征模态函数,对余下表征元胞负荷规律性与趋势性的本征模态函数进行重构得到主体分量,将其中最大值作为Ⅰ类元胞负荷合理最大值,最后利用该合理最大值进行基于Ⅰ类元胞和Ⅱ类元胞的空间负荷预测。工程实例表明了该方法正确有效。