检索结果-南通市图书馆

维普期刊数据库博看期刊

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

在线全文

学校读者我要写书评

暂无评论

现代电力 2024年第4期41卷 631-641页

作者：崔明勇董文韬卢志刚电力电子节能与传动控制河北省重点实验室(燕山大学) 河北省秦皇岛市066004

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition wi... 详细信息

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

关键词：风电功率预测密度聚类自适应噪声完备集成经验模态分解卷积神经网络长短期记忆网络

基于CEEMDAN⁃KELM的锅炉对流受热面状态预测研究

在线全文

学校读者我要写书评

暂无评论

热能动力工程 2023年第6期38卷 122-128页

作者：董利斌杨程赵海晓刘传奇浙江大唐乌沙山发电有限责任公司浙江宁波315722

为了解决表征锅炉受热面表面健康状态的清洁因子在未来时间段内预测时呈现非平稳问题,以省煤器受热面为例,提出一种结合核极限学习机(Kernel Extreme Learning Machine,KELM)和自适应噪声完备集成经验模态分解(Complete Ensemble Empiri... 详细信息

为了解决表征锅炉受热面表面健康状态的清洁因子在未来时间段内预测时呈现非平稳问题,以省煤器受热面为例,提出一种结合核极限学习机(Kernel Extreme Learning Machine,KELM)和自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)的清洁因子预测方法。首先,通过CEEMDAN分解算法对省煤器表面清洁因子序列进行分解和降低复杂程度,获得各固有模态函数(Intrinsic Mode Function,IMF);其次,利用皮尔逊相关性分析确定主蒸汽流量、进出口烟温等9个参数为输入,建立核极限学习机模型对清洁因子的各IMF进行预测;最后,将各IMF预测结果相加获得最终预测结果。结果表明:与基本核极限学习机、支持向量机等预测模型相比,本文模型具有较高的预测精度和较优预测时间,可为基于受热面状态开展的锅炉智慧吹灰应用提供参考。

关键词：受热面清洁因子核极限学习机自适应噪声完备集成经验模态分解

同方期刊数据库

基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测

在线全文

学校读者我要写书评

暂无评论

山东大学学报（工学版） 2022年第6期52卷 146-156页

作者：武新章梁祥宇朱虹谕张冬冬广西大学电气工程学院广西南宁530004 广西大学计算机与电子信息学院广西南宁530004

为提高风电功率的预测精度,提出基于数据分解和输入变量选择的短期风电功率预测方法。利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对原始风电功率和风速数据进... 详细信息

为提高风电功率的预测精度,提出基于数据分解和输入变量选择的短期风电功率预测方法。利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对原始风电功率和风速数据进行分解,平缓数据波动以提取内部隐藏信息。通过排列熵算法(permutation entropy,PE)将风电功率分量简化重构以降低模型复杂度。为提升输入变量与风电功率之间的关联程度,剔除冗杂信息,降低输入数据维度,结合Pearson相关系数(Pearson correlation coefficient,PCC)和灰色关联分析(grey relation analysis,GRA)对各风电重构功率分量的输入变量进行选择。最后利用基于注意力的时序卷积网络(attention-based temporal convolutional network,ATCN)对各重构功率分量进行预测,将各预测值叠加得到最终结果。试验结果表明,基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测方法能够提取更多风电数据内部的关键信息,降低输入数据的维度,强化输入变量与风电功率之间的关联性,有效提高预测精度。

关键词：风电功率预测时序卷积网络自适应噪声完备集成经验模态分解灰色关联分析 Pearson相关系数注意力机制

同方期刊数据库

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

在线全文

学校读者我要写书评

暂无评论

机电工程 2024年第5期41卷 817-826页

作者：马卫东刘子全姚楠朱雪琼西北师范大学物理与电子工程学院甘肃兰州730070 兰州石化职业技术大学电子电气工程学院甘肃兰州730087 国网江苏省电力有限公司电力科学研究院江苏南京210000

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDA... 详细信息

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-Ⅱ型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明:相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和融合特征提取以及RF分类器的故障诊断方法为齿轮箱的故障特征提取和故障诊断提供一种可行的思路和方案。

关键词：齿轮箱本征模态函数算术优化算法自适应噪声完备集成经验模态分解随机森林

基于CEEMDAN和层次波动离散熵的滚动轴承声音信号故障检测

在线全文

学校读者我要写书评

暂无评论

机床与液压 2023年第12期51卷 195-203页

作者：姚楠张能刘子全李利荣南京大学电子科学与工程学院江苏南京210000 国网江苏省电力有限公司电力科学研究院江苏南京210000 国网电力科学研究院武汉南瑞有限责任公司系统检测部湖北武汉430074

声音信号在收集时具有非接触测量的优势,但容易受到周围环境噪声的干扰而导致信噪比较低,不利于特征信息的获取。为从滚动轴承声音数据中提炼出有效的特征信息,并实现故障的精准识别,提出一种基于自适应噪声完全集成经验模态分解(CEEMD... 详细信息

声音信号在收集时具有非接触测量的优势,但容易受到周围环境噪声的干扰而导致信噪比较低,不利于特征信息的获取。为从滚动轴承声音数据中提炼出有效的特征信息,并实现故障的精准识别,提出一种基于自适应噪声完全集成经验模态分解(CEEMDAN)和层次波动离散熵(HFDE)的声音信号故障诊断策略。在该策略中,CEEMDAN缓解了集成经验模态分解(EEMD)的模态混淆缺陷;针对传统多尺度波动离散熵(MFDE)无法考虑时间序列的高频信息的缺陷,提出一种基于层次化处理的层次波动离散熵非线性动力学指标。将所提策略用于滚动轴承的故障识别,能够检测出不同故障状态下的声音数据。通过数值模拟和滚动轴承实验数据分析,将所提方法与CEEMDAN-MFDE、EEMD-HFDE、EEMD-MFDE、HFDE和MFDE进行对比。结果表明:所提方法达到了100%的识别准确率,多次实验的平均识别准确率也达到了99.5%,均高于对比方法,从而验证了该策略的有效性和优越性。

关键词：滚动轴承声音信号故障检测自适应噪声完备集成经验模态分解层次波动离散熵层次处理

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

在线全文

学校读者我要写书评

暂无评论

人民黄河 2024年第1期46卷 146-150页

作者：程小龙张斌刘相杰刘陶胜江西理工大学土木与测绘工程学院江西赣州341000

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... 详细信息

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。

关键词：自适应噪声完备集成经验模态分解数据处理群集法差分自回归移动平均模型算法大坝变形预测江西上犹江水电站

维普期刊数据库博看期刊

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2022年第35期22卷 15612-15616页

作者：庞聪马武刚李查玮江勇王磊廖成旺中国地震局地震研究所武汉430071 地震预警湖北省重点实验室武汉430071 湖北省地震局武汉430071 河北省地震动力学重点实验室三河065201 航天工程大学电子与光学工程系北京101416

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程烦琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合自适应噪声完备集成经验模态分解多尺度模糊熵和麻雀搜索算法... 详细信息

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程烦琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合自适应噪声完备集成经验模态分解多尺度模糊熵和麻雀搜索算法(sparrow search algorithm,SSA)优化反向传播神经网络(back propagation neural network,BPNN)的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)信号得到本征模态函数(intrinsic mode function,IMF)的多尺度模糊熵,然后基于SSA优化BPNN的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMDAN多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.7581、6.3216个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。

关键词：倾斜仪故障识别自适应噪声完备集成经验模态分解麻雀搜索算法反向传播神经网络多尺度模糊熵

基于CEEMAND与IHHO优化GRU的短期风电功率预测

在线全文

学校读者我要写书评

暂无评论

基于CEEMAND与IHHO优化GRU的短期风电功率预测

作者：刘君辽宁工程技术大学

学位级别：硕士

风能是具有巨大发展潜力的新型能源,利用风能发电可以有效地缓解电力紧张、能源紧缺等社会问题。风能波动性大、稳定性差,将影响发电机组的平稳运行,大规模风电并入系统后,势必会影响系统的稳定性。因此,准确预测未来一段时间风电输出... 详细信息

风能是具有巨大发展潜力的新型能源,利用风能发电可以有效地缓解电力紧张、能源紧缺等社会问题。风能波动性大、稳定性差,将影响发电机组的平稳运行,大规模风电并入系统后,势必会影响系统的稳定性。因此,准确预测未来一段时间风电输出功率的大小,对优化风电场运行调度,缓解调峰、调频压力,保障电力系统安全运行,稳定电力市场等具有重要意义。为提高风电功率预测的精确度,本文提出了一种基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改进哈里斯鹰算法(Improved Harris Hawk Optimization,IHHO)优化门控循环神经网络(Gated Recurrent Unit,GRU)风电功率短期预测模型。首先,分析了风速、风向、气压、温度、湿度等对风电功率预测影响。针对选择影响因素数量过多可能存在一些无效冗余数据,增加预测模型运算的复杂性,而选择影响因素太少难以充分解释风电功率数据的内在特征等问题,采用皮尔逊相关系数(Pearson Correlation Coefficient,PCC)对风电功率预测影响因素与风电机组实际发电功率之间的关联度进行了定量评估,选定关联度高的影响因素作为预测模型输入参量。其次,为减少风电功率时间序列随机性和不确定性带来的影响,采用CEEMDAN对风电功率时间序列进行分解,利用样本熵进行重构,得到各个发电功率分量。为了验证CEEMDAN的有效性,分别对风电功率时间序列进行了经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和样本熵重构,在使用均方根误差指标衡量准确率上,CEEMDAN优于EMD和EEMD。再次,考虑到风电功率时间序列的非线性特征,本文构建了基于GRU的风电功率预测模型,并对基于GRU、递归神经网络(Recurrent Neural Network,RNN)、长短记忆神经网络(Long Short-Term Memory,LSTM)、BP(Back Propagation)、支持向量机(Support Vector Machine,SVM)、极限学习机(Extreme Learning Machine,ELM)等预测模型的风电功率预测结果进行了对比分析。与其他几个预测模型相比,GRU风电功率预测模型准确度更高。最后,针对人为设置GRU风电功率预测模型相关超参数,导致预测效果不佳等问题,提出IHHO-GRU风电功率预测模型。首先通过Sin混沌初始化、柯西变异、自适应收敛三种策略对哈里斯鹰算法(Harris Hawk Optimization,HHO)进行改进,并采用7个基准测试函数对多策略改进的哈里斯鹰算法(Improved Harris Hawk Optimization,IHHO)进行性能验证,通过对正弦余弦算法(Sine Cosine Algorithm,SCA)、粒子群优化算法(Particle Swarm Optimization,PSO)、蚱蜢优化算法(Grasshopper Optimization Algorithm,GOA)、HHO的对比,得出多策略改进后的哈里斯鹰算法在收敛速度、迭代次数以及跳出局部最优方面均有一定的提升。采用IHHO算法对GRU模型的相关超参数进行寻优,建立IHHOGRU风电功率预测模型,探索出一组最优的参数组合来提升风电功率预测精度。最后,分别对比分析了经不同优化算法优化后的GRU预测结果,经过EMD、EEMD和CEEMDAN分解方法的PCC-IHHO-GRU的预测模型预测结果,结果证明本文提出的CEEMDAN-PCCIHHO-GRU预测模型效果最优,更能提升风电功率预测精度,具备一定的实用价值。该论文有图46幅,表26个,参考文献70篇。

关键词：风电功率预测自适应噪声完备集成经验模态分解改进哈里斯鹰算法门控循环神经网络

基于双注意力机制的CEEMDAN-BiGRU-TCN短期电力负荷预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双注意力机制的CEEMDAN-BiGRU-TCN短期电力负荷预测研究

作者：关慧俊湖南工业大学

学位级别：硕士

电能是现代社会不可或缺的重要能源形式,对人类社会具有深远而重大的意义。其推动了工业生产的革新与进步,改善了人们的日常生活品质和促进了科技进步和社会发展。因此在推动疫情时代后世界经济“绿色复苏”的背景下,实现准确的电力负... 详细信息

电能是现代社会不可或缺的重要能源形式,对人类社会具有深远而重大的意义。其推动了工业生产的革新与进步,改善了人们的日常生活品质和促进了科技进步和社会发展。因此在推动疫情时代后世界经济“绿色复苏”的背景下,实现准确的电力负荷预测可以推动能源消耗转型,是响应全球节约能源、低碳环保、安全生产政策和号召的重要举措,具有巨大的当代价值和时代意义。但精准的电力负荷预测目前还具有难点:如何进一步提升预测精度以及解决预测模型在处理大数据时的高实时响应能力和运算效率低下等问题。针对上述难点,本文做了以下工作:1、针对提高电力系统短期负荷预测精度问题,提出了一种基于双注意力机制的CEEMDAN-Bi GRU-TCN模型。该模型融合了自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMDAN)、双向门控循环单元(Bi-directional Gated Recurrent Unit,Bi GRU)和时间卷积网络(Temporal Convolutional Network,TCN)三者的优势。CEEMDAN算法能有效分离电力负荷数据中的多尺度特征,降低非平稳性;Bi GRU和TCN则分别处理长期和局部记忆信息,共同捕捉复杂动态变化。自注意力机制和通道注意力机制进一步强化了模型对关键输入信息的关注,提高了预测精度。实验证明,本文所提出的基于双注意力机制的CEEMDAN-Bi GRU-TCN模型在模拟实际负荷数据变化时表现出卓越的预测性能,并在多个评价指标上优于传统预测技术和其它深度学习组合预测模型,为电力调度决策制定提供了精准的数据支持。2、为进一步提升模型的实时能力,提出采用CEEMDAN和排列熵对负荷序列进行分解再重构,从而降低模型的训练时间和推理时间。虽然采用双向门控循环单元神经网络和时间卷积网络组合的预测方法,对经过CEEMDAN处理后的序列进行预测,提高了负荷预测的精度,但子序列较多、运行较慢,不利于数据庞大的预测,很难得到进一步推广。且短期电力负荷预测要求模型具备较高的实时性和快速响应能力,并且长时间的模型计算会增加数据中心或服务器的能耗与运维成本,有必要采用IMF重构的方法以减少IMF的数量。实验证明该方法通过重构序列分量后显著的提高了运算速度,简化了预测复杂程度。

关键词：负荷预测自适应噪声完备集成经验模态分解时空卷积网络双向门控循环单元注意力机制