电熔镁砂生产用电需量多步智能预报方法

电熔镁砂生产 (Fused magnesia smelting process, FMSP)用电需量会出现先升后降的尖峰现象, 当峰值达到用电需量限幅值, 会将电熔镁炉(Fused magnesia furnace, FMF)拉闸断电. 为避免尖峰时刻的不必要拉闸需要对需量尖峰进行识别, 因此需要进行需量多步预报. 利用电熔镁砂生产过程熔化电流闭环控制系统方程建立了由线性模型和未知非线性动态系统组成的需量多步预报模型, 将系统辨识与深度学习相结合提出了端边云协同的电熔镁砂生产用电需量多步智能预报方法. 采用电熔镁砂生产过程的工业大数据的实验结果验证了所提的预报方法可以准确预报需量的变化趋势.     

基于EEMD分解与相关系数的变压器振动信号特征量提取

基于振动信号分析的变压器机械故障诊断中,从振动信号中提取反映故障前后变化的特征信息量是关键技术之一.本文提出基于EEMD分解、相关系数提取敏感IMF分量的方法对信号进行处理并重构,以提取特征频率、峭度、幅值、均值四个特征,构成多维度的变压器状态特征向量.将该方法应用于提取试验变压器正常空载、空载铁心松动状态下的特征向量...     

基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

基于Stacking多模型融合的超短期电网负荷预测

为提升超短期电网负荷预测精度,提出基于Stacking多模型融合的超短期电网负荷预测法。首先,结合5-折交叉验证法分别训练第一层的LSTM、LightGBM、XGBoost三个初级学习器,将训练结果进行Stacking融合;然后将融合结果作为新特征用于训练第二层LightGBM次级学习器,使用次级学习器得到电网负荷预测的最终结果;最后利用山东省公共数据开放平台提供的某市实际超短期电网数据验证所提方法的有效性。实验结果表明,比起单一模型预测,所提的Stacking多模型融合预测法,在预测结果的平均精度与峰谷变化的适应能力方面更具优势。     

一种基于多步预测的多变量自校正控制算法

本文提出一种简单的基于多步预测的自校正控制算法.该算法以 CARIMA 模型为基础,采用多步预测、优化,使其具有较强的鲁棒性.本文提出的算法简单、易于实现,只需较少的关于系统的验前知识.     

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。     

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大,电力系统的需求也越来越大,准确的电力负荷预测有助于电力调度、能源规划。对此,提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN＿LSTM模型、Attention＿LSTM模型、CNN＿Attention＿LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率,还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示,平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。     

基于模型预测控制的统一电能质量调节器

随着电力电子器件和装置在电力系统中广泛应用,电网中的非线性负荷不断增加,进而导致谐波畸变大量产生,电能质量问题日益严重.为了改善电网电能质量,提出了基于模型预测控制理论以及卡尔曼滤波方法的统一电能质量调节器的设计.首先介绍了统一电能质量调节器的基本结构和基本原理,并进行建模得到其状态空间模型,然后在此模型基础上,采用卡...     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

基于EEMD-MIPCA-LSTM的燃气短期负荷预测

燃气负荷受到天气状况和经济发展等多种因素的影响, 造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性, 造成预测精度的下降. 为了解决这个问题, 在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法, 将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项. 在解决特征因子之间的冗余性中, 在PCA中加入互信息分析, 使用互信息代替协方差矩阵的特征值选择特征向量, 可以有效避免PCA仅仅考虑特征之间的相关性, 忽略了与燃气负荷值关系的缺点. 最后针对不同的子序列建立对应的LSTM模型, 重构各个分量的预测值产生最后的结果. 使用上海的燃气数据进行验证, 实验结果证明本文提出的方法测试集MAPE达到6.36%, 低于其他模型的误差.     

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。     

基于总体平均经验模态分解的主动噪声控制系统研究

为了提高宽窄带混合噪声的消噪效果,本文提出一种基于总体平均经验模态分解（Ensemble empirical mode decomposition,EEMD）的主动噪声控制（Active noise control,ANC）系统,利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数（Intrinsic mode functions,IMF）分量.因为这些IMF分量的频带各不相同,所以实现了混合噪声中宽带分量和窄带分量的有效分离,独立进行ANC处理后成功解决了处理混合噪声时带来的“火花”现象,而且避免了传统混合ANC（Hybrid ANC,HANC）系统中频率失调的影响. EEMD算法也是对混合噪声的平稳化处理过程,因此当混合噪声中出现非平稳变化时,本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析,提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

一种基于EEMD域统计模型的话音激活检测算法

该文提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsic Mode Function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的 VAD算法,特别在噪声强度大时体现出明显的优势。     

基于考虑滞后性LSTM模型的电商需求预测

消费者网络购物浏览时间碎片化、对价格更敏感的特征带来滞后性消费。为了掌握顾客消费趋势,通过获取Q企业纸类商品的历史销售数据和消费者购买行为数据,分析消费者行为对销售数据的影响,并利用随机森林分别选取不考虑滞后性和考虑滞后性的特征因子;基于LSTM神经网络建立快消品的需求预测模型;根据Q企业纸类商品的数据进行预测及验证,结果表明考虑滞后性LSTM模型预测相对误差更小,预测精度更高。     

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化,严重影响高速列车运行的安全性和舒适度。为此,提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验,得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数,分别提取能量矩特征,反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入,在列车行驶200km/h的速度下进行转向架故障识别,结果表明,该方法的识别正确率可达到95％以上。     

改进的EMD及其在风电功率预测中的应用

针对非平稳信号在经验模态分解(Empirical Mode Decomposition,EMD)过程中包络拟合时出现的过冲/欠冲问题,提出采用分段三次Hermite插值代替三次样条插值作为新的包络拟合算法.针对神经网络对非平稳性功率序列预测困难问题,采用EMD和神经网络相结合的方法对发电功率进行预测.使用改进的EMD对...