自适应提升及预测误差修正的风电功率超短期预测

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优化ELM权值和阈值提高模型的泛化性,同时引入AdaBoost提高预测模型的精确度和稳定性;最后,在学习历史训练误差的基础上提出修正预测值的策略,进一步提高预测精度。算例结果验证了所提方法的有效性。     

基于CEEMDAN法的隧道爆破信号趋势项去除

以京张高铁某隧道工程为背景,引入一种通过CEEMDAN（complete ensemble empirical mode decomposition with adaptive noise）法消除隧道爆破信号趋势项的方法。首先,利用CEEMDAN法分解实测爆破信号,得到一系列本征模态分量及余项。然后,通过均值比法识别筛选信号趋势项的有效组成部分,并去除含有趋势项的分量。为验证CEEMDAN法去趋势项的可行性,通过数值仿真信号进行校核。结果表明,与现有EMD(empirical mode decomposition)法、EEMD(ensemble empirical mode decomposition)法比较,基于CEEMDAN法筛选得到的趋势项与人为添加的趋势项最为接近。同时,利用此方法处理实测爆破信号,解决了原始信号中存在的基线偏移及低频超高异常等问题。     

基于CEEMDAN的希尔伯特变换在海底天然气水合物地震探测中的应用

当地层中填充了天然气水合物后,沉积物的一些物理性质会发生相应的改变,最终引起地震属性的变化,因此地震属性中包含了大量地质特征,是识别海底地层是否存在天然气水合物的一个重要标志。通常用来识别天然气水合物的瞬时振幅、相位、频率可以应用希尔伯特变换来获得,但单纯的希尔伯特变换获得的瞬时属性有效信息较少,为了获得更高的分辨率,提出了基于EMD算法的希尔伯特变换,由于EMD算法模态混叠严重,最终提出了改进后的CEEMDAN算法。本文利用CEEMDAN算法对地震属性信号进行分解,选择了包含有效信息的IMF分量与希尔伯特变换相结合,获得了瞬时属性,将方法用于OBS(海底地震仪)和垂直缆的天然气水合物数据中,得到的属性结果分辨率较高,清晰地表明了海底似反射BSR(Bottom Simulating Reflector)的瞬时振幅和频率信息,为识别天然气水合物提供了依据。     

基于CEEMDAN-HD-云模型特征熵的油气管道工况识别

针对长输油气管道泄漏检测过程中泄漏信号特征信息提取困难,提出一种新的管道负压波信号特征提取方法。采用添加自适应噪声的完备集合经验模态分解算法对采集的负压波信号进行去噪,通过评估CEEMDAN分解后分量与原始信号的概率密度之间的豪斯多夫距离选取有效模态并重构。计算重构信号的云模型特征熵、峭度作为特征参数,用支持向量机进行分类识别。通过实验室数据验证,CEEMDAN、豪斯多夫距离与云模型特征熵结合的方法可以有效提高油气管道泄漏检测的准确性,实现了对流量小于m/h的微小泄漏信号的识别,具有一定的现场应用价值。     

基于CEEMDAN与VNWOA-LSSVM的供输弹系统早期故障诊断研究

由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机(LSSVM)的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF);然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征;最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明：这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。     

考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归(SVR)相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解(CEEMDAN)方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解(VMD)方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。     

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。     

无人直升机尾桨轴承超声信号故障映射模型

无人直升机被广泛应用于军事民用领域中执行高危任务,对其进行健康维护具有重要意义。尾桨轴承是无人直升机尾桨的关键零件,关系到无人直升机的平衡与航向控制。传统基于振动信号的监测诊断方法易受环境噪音干扰,诊断算法也易受噪声混叠影响。为解决以上问题,提出了一种基于超声信号的无人机尾桨轴承故障映射模型。首先,采集轴承不同故障状态下的超声信号。然后,利用自适应噪声完备集合经验模态分解(CEEMDAN)算法将信号分解,对分解后的信号分量计算各类熵值并融合构造特征向量。最后,将特征向量输送到基于粒子群优化算法的最小二乘支持向量机中建立特征向量与故障类型的映射模型,实现故障诊断。该方法在超声信号下对尾桨轴承早期故障诊断具有有效性和敏感性。     

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法。根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪比的目的;对处理后的信号进行CEEMDAN,得到一系列模态分量,再求各模态分量的峭度值,从中选取峭度值高的即含有较多故障特征的若干分量进行重构;对重构后的信号求其Hilbert包络谱,从中提取故障频率。采用仿真信号与西储大学轴承数据集进行仿真与实验研究,验证所提方法的有效性。     

基于改进的CEEMDAN与关联维数的石化轴承故障特征提取

针对石化机组轴承振动信号难以自动区分的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(CEEMDAN)与关联维数的石化轴承故障特征提取方法。选取某故障诊断重点实验室实测的轴承故障数据中4种工况下的轴承振动信号进行测试分析,采用改进的CEEMDAN分解测得的振动信号得到多个模态分量IMF,对得到的高频分量进行叠加求和后求取数据的嵌入维数和延迟时间并进行相空间重构,结合G-P算法求不同嵌入维数下的关联维数进行特征提取。通过极限学习机进行实验,准确率达到92.5%,证明了方法的有效性。