基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法

绕组变形是变压器内部的主要故障类型之一,严重威胁电力系统正常运行。为有效提高绕组变形在线检测的准确性,结合变压器在运行中遭受暂态过电压冲击的特性,提出基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法。当暂态过电压信号侵入变压器绕组时,在绕组末端获取电压行波信号,采用具有自适应白噪声的完整集成经验模态分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对其进行分解,得到本征模态分量(Intrinsic Mode Function,IMF),计算各IMF分量下的相关系数,对比分析后选取一些IMF的相关系数作为绕组变形的故障特征量,最后结合BP神经网络构建故障特征和故障点的映射关系,实现绕组变形的在线故障定位。仿真结果验证了本方法的可行性。     

基于注意力时间卷积网络的农产品期货分解集成预测

针对农产品期货时间序列数据受多方面因素影响,非线性、非平稳数据特征难以提取而导致预测准确性不高的问题,基于“分解-集成”的预测思想,本文提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与Transformer-Encoder-TCN的农产品期货预测方法.首先,使用CEEMDAN将时间序列分解为多尺度多频率的本征模态分量(IMF)与残差,降低了序列建模复杂度;其次,使用融合多阶段自注意力单元Transformer-Encoder的时间卷积网络(TCN)对各个分量子序列进行特征提取与预测,优化了序列显著特征建模权重;最后,将各个子序列预测值线性相加集成得到最终预测结果.以南华期货公司农产品指数中的大豆期货指数为研究对象,采用时序交叉验证与参数迁移的方式进行模型重训练,消融和对比实验结果表明,提出的新模型在RMSE、MAE和DS三个评价指标上具有良好的效果,验证了该模型对农产品期货预测的有效性.     

基于广义S变换突变识别的暂稳态谐波检测方法

为解决谐波分析中经验模态分解(EMD)存在模态混叠现象与加窗插值FFT无法准确检测含暂态分量信号的问题,提出一种基于广义S变换突变识别的谐波检测方法。首先,使用广义S变换得到信号的模时频矩阵,根据模时频矩阵中模值较大频带的能量连续性将信号分为稳态、含暂态分量信号。然后,针对两种信号分别使用加hanning窗三谱线插值FFT和基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进HHT计算谐波和间谐波参数。最后,构建稳态、含幅值突变和频率突变信号的验证表明,该方法能自适应判别稳态、含暂态分量信号,对两种信号均能达到较高检测精度,具有较好的实用性。     

基于CEEMDAN-KELM的锅炉对流受热面状态预测研究

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。     

基于改进CEEMDAN分解与时空特征的低压供电线路串联故障电弧检测

针对低压线路中的串联故障电弧检测难题,提出基于改进CEEMDAN分解与时空特征的串联故障电弧检测方法。首先,采用CEEMDAN算法实现电流信号的完备分解,并以各IMF分量的峭度指标、裕度指标、能量特征和能量熵特征为判定依据,实现高频段信号粗选。然后,提出空间尺度和时间尺度相融合的特征构建方法,捕获各粗选高频IMF分量的局部特征,增强电流特征对比度和判别力。最后,采用子空间变换算法实现电流时空特征集合的二次降维,并基于SVM实现串联故障电弧检测。实际试验证明,所提算法的平均故障电弧检测准确率达88.33%,能够实现高效的串联故障电弧检测。     

基于CEEMDAN-RVM-EC的还原冶炼温度预报

针对高炉炼铁还原过程中非线性和大时滞等特点造成温度监测难度大的困境, 提出一种融合数据分 解、机器学习和误差修正的高炉铁水温度组合预测新模型. 首先, 引入带自适应白噪声的完备集合经验模态分解方 法对铁水温度序列进行分解处理, 通过提取不同频率的规律特征, 使复杂的非线性序列转化为规律性较强的子序 列; 随后, 采用相关向量机对子序列进行学习, 充分挖掘铁水温度序列的信息, 获得精度较高的预测结果; 最后, 将对 铁水温度影响较大的硅含量和富氧率等相关因素作为辅助参数, 使用经主成分分析处理后的辅助参数序列对预测 结果进行修正, 提高模型的预测准确性. 结果表明: 相较于整合移动平均自回归模型等传统模型, 所提出的新模型 综合性能更优, 即平均绝对误差百分比减小53.57%, 铁水温度为±10 ?C范围内的预测命中率提高25%. 所提出的模 型为实现高炉温度实时精细化调控提供了理论支撑, 对保证炉况稳定、提升产品质量和降低冶炼能耗具有重大实 际意义.     

融合CEEMDAN分解与敏感IMF精选的串联电弧故障检测

针对串联电弧故障检测困难,以及基于分解策略的检测方法难以捕获敏感判别分量的问题,提出一种融合自适应噪声的完备经验模态分解(CEEMDAN)和敏感本征模态函数(IMF)精选的串联电弧故障检测方法。本方法采用CEEMDAN算法对故障电弧电流进行完备分解;并定义了电弧电流的12个特征指标,以敏感性较强的峭度指标和能量特征作为判定依据,从而实现了IMF分量的频段划分;在此基础上,提出了基于时间窗的特征计算方法,通过获取各高频IMF分量的时间维度局部特征,并通过比较方差、均方根值等特征指标实现敏感IMF分量的准确选取。最后,针对电流特征集,采用主成分分析实现二次降维,并基于支持向量机(SVM)实现串联电弧故障检测。实验证明了所提方法的可行性和电弧故障检测的有效性。     

CEEMDAN-WT降噪提升BOTDA信噪比研究

针对布里渊光时域分析仪(BOTDA)存在的信号噪声问题,提出一种自适应噪声完备集合经验模态分解联合小波阈值 (CEEMDAN-WT)的降噪方法。 首先,分析了 CEEMDAN-WT 算法降噪原理,基于微波扫频测量原理建立了 BOTDA 信号解调模 型,通过仿真研究验证了 CEEMDAN-WT 方法可有效去除信号中的随机噪声。 其次,搭建了 BOTDA 测温系统,在不同传感距离 和不同空间分辨率下进行了降噪效果实验验证。 结果表明,在 30 km 的传感距离和 2 m 的空间分辨率下,CEEMDAN-WT 方法 将光纤末端的信噪比提升了 8. 89 dB。 研究证明,CEEMDAN-WT 方法可为 BOTDA 信噪比提升提供一种有效方案。     

2017年8月28日贵州纳雍县张家湾镇普洒村崩塌特征与成因机理研究

采用针对岩体崩塌监测研发的无线微震传感器及声发射监测技术,通过分级蠕变加载的方式模拟岩体崩塌孕育过程渐变自然应力作用,研究了白云岩拉裂型崩塌室内模拟试验过程声信号特征。研究发现：针对微震信号,自适应噪声完全集合经验模态分解(CEEMDAN)与小波相结合的联合去噪方法效果较好,可显著提高信噪比;各分级蠕变加载后,均在加载前期出现大量微震信号,最后一级破坏荷载段微震信号幅值和数量显著增大,临近破坏时微震信号主频降低明显。定义了声发射信号k值(AF/RA)并将其作为张拉破裂和剪切破裂的判据,岩体破坏前5 s内剪切破裂所占比例开始增大,破坏前1 s内突增。对比分析了试验中岩体变形监测结果,表明变形监测对小尺度岩石加载破坏全过程响应微弱,难以提取有效的破坏前兆信号。研究成果可为发展岩体崩塌突变失稳破坏监测技术提供重要支撑。

     

变时间尺度城轨客流的本征模量分解及组合深度学习预测

城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括：基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。