基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点，使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段，建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数，以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段，应用设置最优参数的VMD分解负荷数据，并使用LSSVM处理各分量，以完成对电力负荷的高精度预测。数据分析结果表明，使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于VMD和DBN的结构健康状态趋势预测

为了能更好地反映结构状态变化趋势,提高限制玻尔兹曼机(RBM)对非线性信号的特征提取能力,该文在深度置信网络(DBN)的预训练阶段引入动量学习率,提出了一种基于VMD-DBN的结构健康状态趋势预测方法。将待处理信号用变分模态分解(VMD)方法进行分解,对分解的分量经希尔伯特变换得到瞬时频率;将瞬时频率作为改进DBN预测模型的输入进行结构健康状态趋势预测。仿真和工程实验表明,VMD方法有效地消除了模态混叠,分解出信号的各个固有分量。改进DBN模型的预测精度优于传统DBN、长短时记忆网络(LSTM)和传统BP神经网络,说明改进DBN模型能够很好地应用于结构健康状态趋势预测。     

基于EEMD和PSO-LSSVM模型的短期电力负荷预测

短期电力负荷预测是电力系统规划、运行、维护的基础。精确的负荷预测对电网的运行和供电调度提供了可靠的指导。为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法。该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测。通过引进粒子群算法下的LSSVM模型与b P神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比b P神经网络方法在绝对误差、相对误差以及均方根误差都有提升。     

基于变分模态分解与集成深度模型的 锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。     

基于AO-VMD和IAO-SVM的齿轮箱故障诊断

针对提高变分模态分解（Variational Mode Decomposition,VMD）的自适应性、优选本征模态分量（Intrinsic Mode Function,IMF）及多故障分类的问题,提出一种天鹰优化器（Aquila Optimizer,AO）优化VMD、综合评价模型优选IMF、改进天鹰优化器（Improved Aquila Optimizer,IAO）优化支持向量机（Support Vector Machine,SVM）的齿轮箱故障诊断方法。首先,采用AO优化VMD的参数并分解原始信号;其次,构建基于相关系数、峭度、包络熵、能量熵的CRITIC-TOPSIS综合评价模型,优选IMF,提取能量熵建立特征向量;最后,将其输入IAO-SVM识别故障类型。通过实验验证所提出方法的有效性。     

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解（variationalmodedecomposition,简称VMD）与多尺度卷积神经网络（multi-scaleconvolutionalneural netwo,简称MCNN）的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态（intrinsic mode functions,简称IMF）,依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。     

基于VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）;然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。     

IVMD对泵站管道振动响应趋势的预测分析

采用改进的变分模态分解(improved variational mode decomposition,简称IVMD)与支持向量机(support vector machine,简称SVM)相联合的方法,对泵站管道的振动响应趋势进行预测。首先,基于互信息准则确定IVMD的分解模态数,克服变分模态分解(variatronal mode decomposition,简称VMD)盲目选取分解参数的缺点,利用IVMD将机组和管道的振动序列分解为多个固态模量(intrinsic mode function,简称IMF),分别作为SVM模型的输入和输出;其次,利用粒子群优化(particle swarm optimization,简称PSO)分别寻找各模态分量对应SVM模型的最优参数并对各分量分别进行预测;最后,将各测点对应的IMFs预测结果重构作为最终的预测值。结合某大型泵站2号压力管道振动响应数据,分别采用IVMD-SVM,PSO-SVM和BP神经网络3种模型对管道振动响应趋势进行预测,并将预测结果进行对比分析。结果表明,IVMD-SVM模型得到的预测结果和实测值更加接近,计算精度更高,且误差较小,该方法对管道及类似工程结构的振动趋势预测具有一定的参考价值。     

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。     

基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法（BWO）优化变分模态分解（VMD）联合小波阈值（WT）的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法（BWO）对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数（IMF）分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法（GWO）优化VMD联合小波阈值和麻雀搜索算法（SSA）优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题，提出了一种基于变分模态分解（variational mode decomposition，简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering，简称KFCM）联合的故障诊断方法。首先，针对VMD算法中分解层数K的选择问题进行了自适应优化；然后，从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值，并将其作为3维的特征向量输入KFCM算法中进行分类识别；最后，对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition，简称EMD）方法分别进行分解与识别。结果表明，笔者提出的方法明显改善了模态混叠现象，提高了模式识别的诊断正确率，提出的联合算法具有更好的应用前景。     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于自适应VMD和改进功率谱估计的球磨机负荷特征提取

磨矿过程中的球磨机运行实时工况复杂,球磨机内部负荷状态难以准确获取。提出以原始筒体振动信号与本征模态函数的能量差作为自适应变分模态分解(VMD)层数的评价参数,构建新型自相关函数,引入Rife-Vincent自卷积窗结合能量重心法对本征模态函数进行处理,据此提出一种基于自适应VMD和改进功率谱估计的球磨机负荷特征提取方法,并开发基于LabVIEW的球磨机负荷识别系统。该方法能自适应地确定本征模态函数分解层数,提高算法的抗模态混叠、虚假分量能力,从而提高球磨机负荷检测的准确性。实测结果表明,所提方法可有效提取磨矿过程中球磨机内部负荷特征,实现球磨机负荷状态的准确识别,为磨矿优化控制和效率提高提供准确、可靠的依据。