周期误差自适应分离算法研究

动态测量误差信号通常为多分量的非平稳信号,可能包含非周期性趋势项误差、周期性误差、随机误差等分量,为了更精确的修正误差,需将各误差分量分离出来.主要研究周期性误差的分离,分别使用LMS算法和RLS算法构成神经网络自适应线性元件模型,实现周期性误差成分的分离,通过1个动态测试仿真系统进行验证,得出基于RLS算法的神经网络...     

基于1D-CNN-LSTM混合神经网络模型的风电机组行星齿轮箱故障诊断

风力发电机组行星齿轮箱振动信号是一种非线性非平稳的复杂信号,传统的故障诊断方法面对此类信号时,能够很好处理的范围有限.为提高在强外界干扰条件下故障智能识别的准确率,提出了一种基于一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)混合模型的故障智能诊断方法.首先利用自参考自适应噪声消除技术(SANC)将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量成分,再对包含齿轮箱故障特征的周期性信号成分进行智能特征提取和识别.经验证,所提方法较其他不同方法有明显优势,故障识别率达到99.85％,说明能有效抑制干扰信号,提高故障识别的准确率.     

电气设备在线监测系统动态误差来源分析方法

运用动态测试误差建模理论,对电气设备在线监测系统的误差特性以及误差来源进行分析。针对傅里叶变换、小波变换等方法在分解动态测量误差时存在的不足,提出经验模态分解法与Fisher距离判别算法相结合的方法。首先,利用经验模态分解法对测量误差信号进行自适应分解;其次,提取每条分解子曲线的时域自相关、互相关以及频域特征信息,构建特征空间;最后,引入Fisher距离判据对构建的特征空间进行分类,最终确定每条误差分解子曲线的来源。为验证所提方法的有效性,对超高频局部放电监测系统开展附加误差实验,并用所提方法对系统的总误差信号进行分解与溯源。结果表明,该方法能够有效地追溯到误差产生的源头,具有较强的适用性和可靠性。     

基于AVMD-自适应小波包法的电缆局部放电去噪研究

为准确提取检测到的局部放电信号,针对高压电力电缆的噪声抑制问题,提出了自适应变分模态分解(AVMD)结合自适应小波包分解的方法提取纯净的局放信号。首先运用AVMD将周期性窄带干扰、白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤出,得到仅含有白噪声的局放信号。再运用自适应小波包分解,将信号分解在高中低频的分量中,根据阈值法将不含局放信号的分量滤出,得到较为纯净的局放信号,并将所提方法分别与其中单独一种算法进行去噪比较分析。仿真结果表明,所提方法抑制噪声效果更明显,与仿真信号的相似度最高。     

基于EEMD和BPNN的动态误差溯源研究

针对动态测试系统在测试过程中存在误差导致精度损失的问题,提出了一种基于集合经验模态分解和BP神经网络的动态误差溯源方法.该方法在全系统动态精度理论的基础上,首先通过EEMD对动态测试系统输出总误差进行分解,对分解得到的单项误差进行希尔伯特变换,分析误差信号的幅频特性,然后采用BP神经网络拟合溯源.通过仿真分析,结果表明该方法可以有效地追溯到动态测试系统中误差产生的模块,并且偏差精度达到10-2,比经验模态分解的方法溯源效果更好,避免了EMD存在的模态混叠等问题,具有可行性和应用性.     

基于平稳小波包分解和希尔伯特变换的故障特征自适应提取

提出一种自适应地提取信号特征分量的故障检测方法.采用逐层推进的平稳小波包分解算法,运用希尔伯特变换,在对信号进行小波包分解的同时,对分解结果进行瞬时频率和瞬时幅值分析,根据设定的分量提取和信号分解规则,实现信号分解路径的自主搜索,自适应地构建信号的小波包分解树,对信号进行多分辨率的频谱分析,达到信号消噪和特征分量提取的目的.仿真研究表明该方法的分量提取规则简单、目标明确,信号分析结果简洁,具有运算时间少、数据存储量小的特点和良好的抗噪性能,所提取的故障特征分量的时-频-幅值信息清晰、易于检测.     

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果.为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型.首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解.然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测.最后,将预测结果进行重构得到最终预测结果.通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度.     

自适应迭代滤波在水轮发电机组振动分析中的运用

水轮发电机组的振动和水轮机压力脉动是衡量机组运行状态稳定性的重要指标,为了确保机组的正常运行,通常采集机组的振动信号进行识别判断。通常,水轮发电机组的振动信号为非平稳信号,并且会参杂着的噪声。针对水轮机振动信号,提出一种基于自适应迭代滤波分解和独立分量分析的水轮机振动信号特征提取方法,介绍其基本原理及求解步骤。先使用独立分量分析对原始信号进行分解,将背景中多余的噪声去除,接着对每个通道的信号进行自适应迭代滤波分解,计算每个模态分量的能量集中度并设定相关的边界值,将超出该值的模态分量去除,并将剩余的分量进行重构,获得除去噪声成分后的重组信号。通过对仿真信号以及实际信号的分析,该方法可以将振动信号中的噪声成分去除,并对相关物理特征进行有效的提取。最后得出结论:1)独立分量分析可将水轮机振动信号中的噪声去除,并突出特征;2)采用自适应迭代滤波分解并以能量集中度作为模态筛选指标,能够将含有少量噪声的模态提取出来,获取相关特征信号。     

含确定性分量和随机噪声分量的宽频带信号分解方法

可再生能源发电、储能、电动汽车等基于电力电子变流器的并网设备快速增加导致配电网信号日趋复杂。将电力系统宽频带信号分为确定性分量和随机噪声分量,建立了电力系统宽频带信号模型,并基于此模型提出了一种宽频带信号分解方案。首先,应用鲁棒局部回归平滑滤波方法提取并过滤随机噪声分量;提出了基于均值和标准差估计的自适应阈值确定方法,用于分解随机噪声分量。然后,提出了基于间谐波子群频谱的自适应阈值确定方法,用于提取间谐波分量。最后,用无限脉冲响应滤波器组将确定性分量分解为独立的子信号,并基于泰勒傅里叶变换估计确定性分量的频率和相量,实现确定性信号的分解。仿真验证了所提方案能在低信噪比、系统频率动态变化等情况下实现间谐波分量的自适应捕获和宽频带信号的高精度分解并应用所提分解方案分析了实测电压信号。     

基于小波自适应阈值滤波的VMD降噪方法

本文提出了一种基于小波自适应阈值滤波的可变分模式分解（VMD）降噪方法。该方法降噪过程为：先将含噪声信号进行VMD分解,进而将VMD分解分量中含大部分噪声的高频模态分量进行小波自适应阈值滤波降噪,滤波降噪后的分量与其他模态分量重构降噪信号。三个实例表明：所提方法能有效减低信号噪声,适应性广。 关键字：可变分模式分解（VMD）;小波变换; 自适应阈值     

基于EMD与粗糙集及神经网络相结合的短期负荷预测

为了提高预测具有周期性和随机性的电力负荷精度,提出了一种基于经验模式分析(EMD)与粗糙集及神经网络相结合的短期负荷预测方法.该方法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量.考虑影响电力负荷的气象因子和模式分量信息量较大,利用粗糙集进行了属性约简,约简后的各个分量采用相匹配BP神经网络模型分别进行预测,然后,相加各分量预测值得到最终预测结果.仿真试验表明,该方法与EMD - BP模型预测方法相比,具有较高的精度和较强的适应能力.     

基于一阶导数的电力系统频率测量新算法

在异步采样的情况下,离散傅里叶变换(DFT)由于频谱泄漏及栅栏效应,计算结果不够精确,不能满足同步相量测量精度的要求.对现有的同步采样的误差产生及消除的方法进行了分析,提出了一种基于一阶导数的系统频率测量新算法.通过前一次的系统信号测量频率来修正采样频率,从而得到本次的计算频率.仿真结果表明:该算法具有高精度、计算量小...     

基于经验模式分解的电晕放电辐射信号阈值降噪处理方法

随着输电电压等级的提高,电晕放电已成为影响高压、特高压输电线路安全稳定运行的重要因素。鉴于此,提出了基于经验模式分解（empirical mode decomposition,EMD）的电晕放电辐射信号阈值降噪处理方法,首先利用EMD算法对采集到的电晕放电辐射信号做分解处理,得到不同的基本模态分量,然后利用阈值函数和给定阈值对各分量做降噪处理,并对处理后的分量重构,得到降噪后的信号。研究结果表明：与小波降噪和EMD时空降噪相比,基于EMD的阈值降噪方法不存在基函数选取和分解层数选取等问题,其降噪过程是完全由信号特征决定的自适应降噪,同时该方法保留了小波降噪中对各分量进行阈值处理来降噪的优点,并且在对信号的降噪过程中去除了可能存在于信号中的趋势项干扰,因而该方法更有利于对电晕放电辐射信号的降噪处理。     

改进型单神经元PID控制多电机同步传动系统

通过分析传统多电机同步传动系统的不足，引入了一种改进型PID智能控制策略。用同一给定转速作为系统的主令参考信号，采用单神经元自适应PID控制算法对各台电机的转速环PID参数进行自整定，并加入前馈补偿环节，以消除负载扰动带来的转速误差。仿真结果表明，该方法不仅能使系统保持良好的跟随性能，而且大大降低了系统中某电机负载发生变化引起的同步误差现象，较传统的PI控制具有更好的动、静态特性。     

三坐标测量机高速测量过程动态误差分析与补偿

三坐标测量机测量过程的动态误差制约着工业现场测量效率的提高,为此,提出一种三坐标测量机高速测量过程动态误差补偿方法以改善测量精度。为使研究具备典型性与代表性,以市场上较为广泛使用的移动桥式三坐标测量机为研究对象,通过建立误差分离平台分析测量机高速测量过程动态特性,确定了能够表征测量过程动态误差的四项参数,即最大定位误差(MPE)、残余定位误差(RPE)、最大逼近误差(MAE)、残余逼近误差(RAE)。采用正交实验方法分析了动态误差参数的共性影响因子(定位速度、定位距离、逼近速度、逼近距离)对动态参数的影响程度,并利用三坐标测量机测量标准球得到训练样本和测试样本,分别使用训练样本和测试样本对测量机测量过程动态误差进行建模和补偿。结果表明,经模糊神经网络模型补偿后动态过程误差分别减小了88.8%、80.2%、90.8%、71.3%,证明了模糊神经网络模型能够有效提高测量机的动态测量精度。     

改进型单神经元PID控制多电机同步传动系统

通过分析传统多电机同步传动系统的不足,引入了一种改进型PID智能控制策略。用同一给定转速作为系统的主令参考信号,采用单神经元自适应PID控制算法对各台电机的转速环PID参数进行自整定,并加入前馈补偿环节,以消除负载扰动带来的转速误差。仿真结果表明,该方法不仅能使系统保持良好的跟随性能,而且大大降低了系统中某电机负载发生变化引起的同步误差现象,较传统的PI控制具有更好的动、静态特性。     

非线性MIMO传感器信号重构中粗差的探测与修复

本文以多输入多输出(MIMO)非线性传感器系统为背景,在Ferguson-Srikantan检验法和RBF神经网络拟合法的基础上提出了一种训练样本集中粗差定位与修复方法。传统粗差检验方法以残差作为诊断统计量,容易对高杠杆点和粗差点产生误判。而建立在学生氏残差和外学生氏残差基础上的F-S检验法能高效地区分两者,并定位粗差点,然后利用RBF神经网络拟合法估计并替换粗差点,从而完成训练样本集的修复。实验表明,该方法具有很强的鲁棒性,在精确定位和准确修复粗差数据的同时提高了传感器信号重构的效率。     

基于经验模态分解的非平稳水文序列预测研究

在全球气候变化和人类活动影响下,降雨和径流过程的非平稳特征日趋显化,如何通过有效的方法提高预测精度,准确地预测非平稳时间序列变化,为管理者提供决策支持至关重要。经验模态分解(EMD)是"分解—预测—重构"预测模式中的重要方法之一,通过其与径向基神经网络(RBF)的耦合,构建了改进RBF预测方法,研究了"分解—预测—重构"预测模式对渭河流域降雨(弱趋势)和径流(强趋势)两种非平稳时间序列的预测效果,总结了"分解—预测—重构"模式的适应范围。同时,针对重构过程中高频分量误差偏大的问题,提出了误差控制的改进措施。计算结果显示,RBF神经网络对具有弱趋势的非平稳时间序列(降雨)可获得比较满意的预测效果,平均相对误差为11%,是否分解预测对其预测精度影响不大;而对具有强趋势的非平稳时间序列(径流),RBF神经网络模型的预测效果并不理想,平均相对误差达到54%,而经过分解—预测—重构处理后,平均相对误差可降至30%,基本满足中长期水文预测精度要求。且若实施误差控制,平均相对误差可再减小2%。研究表明,"分解—预测—重构"的处理方法适用于具有强趋势变化的非平稳时间序列,其特点在于可有效分离时间序列中的周期和趋势变化成分,预测中使不同成分得到有效外延。同时,这种处理思路与径流序列基于物理驱动机制的普遍认识较为相符,更有利于开展有关水文过程的扩展性分析。误差控制方法在径流预测中能有效降低高频分量预测误差对整体预测效果的影响,可为其他类似的非平稳时间序列预测提供借鉴。     

基于经验模态分解和计量经济学模型及混沌模型的短期负荷预测

为提高短期电力负荷的预测精度,提出一种基于经验模态分解、计量经济学模型和神经网络混沌模型的组合预测方法.首先,利用经验模态分解将负荷序列分解成一系列本征模态函数及余项;其次,针对不同分量的特性,建立不同的模型进行预测;最后,将所有分量的预测值求和作为最终的预测结果.以美国宾夕法尼亚州-新泽西州-马里兰州(Pennsyl...