排序方式: 共有270条查询结果,搜索用时 46 毫秒
81.
82.
针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵(FE)将不同天气类型量化并作为输入量;然后利用集成经验模态分解(EEMD)将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计(KDE)方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率(PICP)。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。 相似文献
83.
A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram. 相似文献
84.
为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数(IMF)分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。 相似文献
85.
串联型故障电弧是供电系统的常见故障,会严重影响供电可靠性,甚至引发供电安全事故。在搭建低压串联型故障电弧实验平台的基础上,以三相异步电机和三相变频器为实验负载,针对接触松动和机械振动两种原因引起的串联型故障电弧开展实验研究。利用集合经验模态分解EEMD(ensemble empirical mode decomposition)方法将实验电流信号分解为若干本征模态函数IMF (intrinsic modal function);选取前4阶IMF组成初始向量矩阵,对其进行奇异值分解SVD(singular value decomposition);构建以奇异值平均值为特征量的特征向量,从而获得了不同生弧方式下串联型故障电弧电流信号在奇异值大小上的变化规律。研究结果表明,对不同生弧原因引起的故障电流信号,将经EEMD分解得到的前4阶IMF分量的奇异值作为串联型电弧故障的特征量是可行的。 相似文献
86.
为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。 相似文献
87.
提出一种基于集合经验模态分解(EEMD)的谐振接地配电网暂态量选线新方法。提取故障发生后各线路1/4周期暂态零序电流作为数据窗长度,用EEMD将1/4周期暂态零序电流分解为有限个固有模态函数(IMF)分量和一个剩余分量 r;将每条线路的IM F分量与原始信号做相关分析,选出与原始信号相关程度最大的前3个IM F分量作为暂态零序电流特征IM F分量,计算特征IM F分量和剩余分量的能量和作为线路的固有模态能量;计算各线路的固有模态能量权重因子,比较能量权重因子的大小选出故障线路。为了判断母线故障,选出能量权重因子最大的前3条线路做进一步比较。该方法利用暂态量,不受消弧线圈影响,可以同时适用于中性点不接地和谐振接地配电网,而且针对故障条件比较苛刻的高阻接地和小角接地故障同样适用。MATLAB仿真验证了方法的正确性。 相似文献
88.
改进的EEMD去噪方法及其在谐波检测中的应用研究 总被引:1,自引:0,他引:1
针对低信噪比条件下集合经验模态分解(EEMD)在分解过程中产生的模态混叠问题,本文提出改进的EEMD阈值去噪方法。首先利用白噪声经EEMD分解后其固有模态函数(IMF)分量中能量密度与平均周期乘积为常量的特性确定有用信号与含噪信号的分界点,对含噪信号进行"粗筛";进而对粗筛出的含噪模态进行"细筛",在此过程中采用"3σ法则"对第一层噪声信号进行细节处理,从而更好地保留有用信号的细节特征,继而通过能量估算方式对其他各个含噪模态进行阈值处理;最后进行信号重构。选取信噪比与均方误差作为去噪效果评价标准,经与实验对比分析,结果表明本文方法达到了最佳的去噪效果,尤其在低信噪比时优势更加明显。基于以上去噪方法,本文又进一步提出了基于二次EEMD分解的谐波检测方法,结果表明该方法可实现在低信噪比下的谐波检测,进一步证明了所提去噪方法的有效性。 相似文献
89.
90.
针对传统频谱占用度分析模型由于未考虑序列的非线性非平稳特性,导致无法准确描述频谱占用度特性的问题,该文提出将集合经验模式分解(EEMD)方法与人工神经网络(ANN)的方法结合应用于频谱占用度时间序列建模方法中,采用EEMD+ANN的频谱占用度序列建模和预测方法.首先应用EEMD分解算法把原始频谱占用度时间序列分解成不同尺度的基本模态分量,再根据不同尺度的基本模态分量分别构建ANN模型,提高了模型针对复杂频谱占用度时间序列的学习能力.结合实测数据分析,表明该模型相对传统频谱占用度模型具有更高的拟合和预测精度,验证了该方法的正确性与有效性. 相似文献