期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到237篇文章
< 1 2 … 12 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于CEEMD-SE-PSR-BP的短期风速预测 被引量：1
1
作者 高晟扬 李法社 《太阳能学报》 北大核心 2025年第4期415-422,共8页
为提升预测的准确度,提出一种互补集合经验模态分解(CEEMD)、样本熵(SE)、相空间重构(PSR)以及神经网络(BP)的短期风速预测新模型。首先运用CEEMD技术对风速时间序列进行拆解,化繁为简,分离出多个子序列。随后,计算每个子序列的SE,从SE... 为提升预测的准确度,提出一种互补集合经验模态分解(CEEMD)、样本熵(SE)、相空间重构(PSR)以及神经网络(BP)的短期风速预测新模型。首先运用CEEMD技术对风速时间序列进行拆解,化繁为简,分离出多个子序列。随后,计算每个子序列的SE,从SE的特征中重组风速序列。继而,将各子序列的预测结果进行相空间重构,获取神经网络预测的输入输出样本。最后运用神经网络预测每个样本,并将所有预测结果累加。此外,还对风电场的实际运行数据进行试验,并将模型的预测结果与其他预测方法进行对比,实验结果显示出此模型在提高风速预测精度方面的显著优势。 展开更多
关键词 风速预测 样本熵 互补集合经验模态分解 相空间重构 神经网络 时间序列
在线阅读 下载PDF
基于CEEMDAN-LSTM的管道输送稀饲料浓度研究
2
作者 于慧泽 刘玉健 +1 位作者 刘涛 许少鹏 《饲料工业》 北大核心 2025年第10期8-18,共11页
为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题,提出一种基于完全自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆神经网络(LSTM)相组合的分类预测方法。该方法先通过CEEMDAN分解算法,将采集到的声音信号和振动信号分解为... 为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题,提出一种基于完全自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆神经网络(LSTM)相组合的分类预测方法。该方法先通过CEEMDAN分解算法,将采集到的声音信号和振动信号分解为多层具有不同特征的子序列分量本征模态函数(intrinsic mode function,IMF),然后分别建立LSTM网络模型进行单步预测,最后通过叠加预测结果得出管道输送稀饲料浓度最终预测值。结果表明:CEEMDAN分解算法优于经验模态分解(empirical mode decomposition,EMD)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)算法,可克服EMD模态混叠现象和EEMD带来的冗余噪声影响。CEEMDAN-LSTM模型分类预测振动信号的平均绝对误差(mean absolute error,MAE)指标为0.001、均方根误差(root mean square error,RMSE)指标为0.001,分类预测声音信号的MAE指标为0.036、RMSE指标为0.044。相较神经网络(back propagation,BP)、长短期记忆网络、支持向量回归(support vector machines,SVM)等分类预测模型具有更高的准确性。该方法可在管道输送稀饲料时精确预测其浓度提供理论依据,具有一定的实际应用意义。 展开更多
关键词 管道输送 浓度 完全自适应噪声完备集合经验模态分解(ceemdAN) 长短期记忆神经网络(LSTM) 分类预测
在线阅读 下载PDF
CEEMDAN改进的CNN-LSTM短期电离层TEC预测模型
3
作者 焦迎香 李克昭 岳哲 《导航定位学报》 北大核心 2025年第3期107-115,共9页
针对电离层总电子含量(TEC)值的时序变化通常呈现非线性和随机性的问题,提出一种结合完全集合经验模态分解(CEEMDAN)和基于卷积神经网络和长短时记忆网络的时空网络(CNN-LSTM)神经网络的TEC预测模型:采用分解、预测和重构的方法,结合CEE... 针对电离层总电子含量(TEC)值的时序变化通常呈现非线性和随机性的问题,提出一种结合完全集合经验模态分解(CEEMDAN)和基于卷积神经网络和长短时记忆网络的时空网络(CNN-LSTM)神经网络的TEC预测模型:采用分解、预测和重构的方法,结合CEEMDAN在时间序列分解上和CNN-LSTM在预测精度上的优势,对电离层TEC值进行短期预测;然后利用国际全球卫星导航系统服务组织(IGS)中心发布的2019和2023年4个季节,以及分布在中高低纬度的6个格网点的TEC格网数据进行实验分析。实验结果表明,CEEMDAN-CNN-LSTM组合模型的预测结果能很好地反映电离层TEC的时间变化特性,在2019年太阳活动低年和2023年太阳活动高年的预测精度均方根误差(RMSE)相较于长短时记忆(LSTM)网络模型可分别平均提升2.62总电子含量单位(TECU)和10.44TECU,相较于CNN-LSTM模型可提升1.85TECU和7.23TECU。 展开更多
关键词 电离层总电子含量(TEC) 长短期记忆(LSTM)神经网络 卷积神经网络(CNN) 完全集合经验模态分解(ceemdAN) 预测模型
在线阅读 下载PDF
基于CEEMD-PF的甲烷气体直接吸收信号降噪研究
4
作者 孙思奇 李正友 +1 位作者 杨沅锦 杨炳雄 《激光杂志》 北大核心 2025年第2期62-72,共11页
为提高可调谐半导体激光器吸收光谱学(TDLAS)技术甲烷气体浓度的检测精度,解决检测过程中直接吸收信号的噪声干扰问题。提出了一种互补集合经验模态分解(CEEMD)结合排列熵和S-G滤波的降噪方法,通过排列熵和S-G滤波来解决CEEMD分解中出... 为提高可调谐半导体激光器吸收光谱学(TDLAS)技术甲烷气体浓度的检测精度,解决检测过程中直接吸收信号的噪声干扰问题。提出了一种互补集合经验模态分解(CEEMD)结合排列熵和S-G滤波的降噪方法,通过排列熵和S-G滤波来解决CEEMD分解中出现的虚假分量和噪声残留问题。通过仿真含不同噪声的甲烷气体吸收信号,并将所提方法与传统的CEEMD方法和小波变换方法作对比,验证所提方法的有效性。实验结果表明,相较于对比方法,所提方法吸收光谱曲线的Lorentz线型拟合的拟合度最高为0.991 1,吸收光谱幅值与甲烷气体浓度拟合度为0.998 46。该方法能够有效降低气体吸收信号中的噪声干扰,提高了系统的测量精度。 展开更多
关键词 TDLAS 直接吸收技术 互补集合经验模态分解 排列熵 S-G滤波
在线阅读 下载PDF
强噪声背景下基于CEEMDAN与BRECAN的船舶电机故障诊断
5
作者 朱仁杰 宋恩哲 +1 位作者 姚崇 柯赟 《中国舰船研究》 北大核心 2025年第2期20-29,共10页
[目的]针对船舶航行中机舱背景噪声导致故障诊断方法在实际使用时精度差的问题,提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)和贝叶斯残差高效通道注意力网络(BRECAN)的船舶电机故障诊断方法。[方法]首先,通过CEEMDAN将含噪声电... [目的]针对船舶航行中机舱背景噪声导致故障诊断方法在实际使用时精度差的问题,提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)和贝叶斯残差高效通道注意力网络(BRECAN)的船舶电机故障诊断方法。[方法]首先,通过CEEMDAN将含噪声电机故障信号分解为多个本征模态函数(IMF)分量,并基于去趋势波动分析(DFA)划分IMF中噪声和信息的主导信号,对于噪声主导信号使用经验小波变化(EWT)予以降噪;然后,构建BRECAN网络,基于变分贝叶斯理论,使用网络参数代替传统网络点估计的训练方式,使用参数建模,拟合噪声对模型训练的干扰,并通过残差高效通道注意力(RECA)模块引导网络提取故障差异特征;最后,通过电机故障模拟实验台,验证所提方法的有效性。[结果]结果表明,所提方法在强噪声下能够实现船舶电机故障的精确诊断,在信噪比为-12dB的条件下仍能保持90%以上的诊断精度。[结论]研究成果可为强噪声下船舶电机故障诊断提供参考。 展开更多
关键词 电动机 故障分析 故障诊断 人工智能 完全集合经验模态分解(ceemdAN) 贝叶斯残差高效通道注意力网络(BRECAN)
在线阅读 下载PDF
基于综合距离相似的CEEMDAN-Informer光伏功率组合预测模型研究
6
作者 詹莹 王潇添 +3 位作者 王旭 许野 李薇 王雯雯 《太阳能学报》 北大核心 2025年第8期315-326,共12页
针对当前光伏发电功率预测相似日选取结果失真、信号分解质量较差和预测模型训练时间长且易陷入局部极值等缺陷导致的预测精度较差的问题,构建融合综合距离相似日选取、自适应噪声的完备集合经验模态分解和Informer算法光伏出力组合预... 针对当前光伏发电功率预测相似日选取结果失真、信号分解质量较差和预测模型训练时间长且易陷入局部极值等缺陷导致的预测精度较差的问题,构建融合综合距离相似日选取、自适应噪声的完备集合经验模态分解和Informer算法光伏出力组合预测模型。在利用皮尔逊相关系数法完成关键气象因素筛选的基础上,使用灰色关联度、动态时间弯曲、欧氏距离和夹角余弦的加权组合的综合相似距离法选定待预测日的历史相似日,并利用自适应噪声完备集合经验模态分解(CEEMDAN)算法对历史出力序列进行分解,生成高质量的模型训练样本集,最后基于Informer算法构建光伏出力组合预测模型,实现对光伏出力的精确预测。通过在云南某光伏电站的实际应用,结果表明相较于其他组合预测模型,所提基于综合距离相似的CEEMDAN-Informer模型可捕捉光伏出力的骤变趋势,预测精度较高,可为光伏电站后续的优化调度奠定较好的基础。 展开更多
关键词 预测 光伏电站 神经网络 Informer模型 完备集合经验模态分解 综合距离相似
在线阅读 下载PDF
基于CEEMD和统计参数的斜拉桥损伤识别方法研究 被引量：2
7
作者 刘杰 丁雪 +2 位作者 刘庆宽 王海龙 卜建清 《振动与冲击》 EI CSCD 北大核心 2024年第19期326-336,共11页
为解决仅使用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法的斜拉桥信号分解存在含噪固有模态函数(intrinsic mode function,IMF)分量且不能进行损伤定量的问题,提出了一种基于CEEMD与统计参... 为解决仅使用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法的斜拉桥信号分解存在含噪固有模态函数(intrinsic mode function,IMF)分量且不能进行损伤定量的问题,提出了一种基于CEEMD与统计参数方法相结合的斜拉桥损伤识别方法。该方法基于CEEMD方法对斜拉桥动力响应信号进行自适应性分解,确定适用的白噪声幅值标准差并推导CEEMD方法的集成次数,得到各阶IMF分量;采用欧氏距离对分解的IMF分量进行谱系聚类分析以避免模态混叠现象;采用峰度统计参数的有效权重峰度指标方法滤除含噪IMF分量,提取有效IMF分量并重构为有效IMF分量和;利用变异系数统计参数、二阶中心差分法和泰勒展开式推导损伤定位指标,根据四阶统计矩峰度统计参数推导损伤定量指标。用所提方法对某斜拉桥进行损伤识别研究,结果表明:仿真分析的损伤定位识别精度为100%,损伤定量最大误差为1.80%;在高斯白噪声干扰下,损伤定位不受影响,损伤定量最大误差为1.88%;进行实桥的损伤识别,结果表明实桥主梁无损伤。 展开更多
关键词 斜拉桥 损伤识别方法 互补集成经验模态分解(ceemd) 统计参数 损伤定量 噪声干扰
在线阅读 下载PDF
基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测 被引量：12
8
作者 杨国华 祁鑫 +4 位作者 贾睿 刘一峰 蒙飞 马鑫 邢潇文 《中国电力》 CSCD 北大核心 2024年第2期55-61,共7页
为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门... 为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。 展开更多
关键词 短期风电功率预测 互补集合经验模态分解 样本熵 长短期记忆网络 门控循环单元
在线阅读 下载PDF
基于CEEMD-IDWT的受载煤岩微震电压去噪算法 被引量：2
9
作者 李鑫 刘志勇 +4 位作者 杨桢 李昊 周婧 卜婧然 王艺儒 《电子测量与仪器学报》 CSCD 北大核心 2024年第8期124-136,共13页
受载复合煤岩变形破裂过程中产生的微小震动信号包含煤岩内部结构破裂信息,传统设备采集的微震信号存在大量环境噪声而无法直接进行分析。为有效提取受载煤岩变形破裂过程微震信号的变化特征,采用互补集合经验模态分解算法(CEEMD)与改进... 受载复合煤岩变形破裂过程中产生的微小震动信号包含煤岩内部结构破裂信息,传统设备采集的微震信号存在大量环境噪声而无法直接进行分析。为有效提取受载煤岩变形破裂过程微震信号的变化特征,采用互补集合经验模态分解算法(CEEMD)与改进dmey小波(IDWT)算法相融合,提出一种新型CEEMD-IDWT联合去噪算法。该算法首先利用CEEMD算法对原始信号进行分解,然后对分解得到的IMF分量应用IDWT算法进行去噪处理,最终将处理过的分量进行重构得到去噪信号。利用仿真分析和单轴压缩实验对该算法的有效性进行验证,结果表明:CEEMD-IDWT联合算法在仿真分析中,相比传统算法信噪比最大提高204.5%,对于其他改进去噪算法信噪比最少提高11.8%,去噪能力具有明显优势;将该算法嵌入自研微震电压采集设备,在复合煤岩单轴压缩实验中得到的微震电压信号噪噪比仅为0.08975,实际去噪效果明显;经CEEMD-IDWT联合算法去噪之后的微震电压具有明显的变化特征,显著提升了信号去噪效果,有效避免了微震电压信号的失真,可以作为受载煤岩变形破裂微震电压信号去噪处理的理想算法,为煤岩动力灾害的准确预判提供了一种可靠且先进的技术参考。 展开更多
关键词 受载煤岩 微震电压 互补集合经验模态分解 改进dmey小波 去噪算法
在线阅读 下载PDF
CEEMD-FastICA-CWT联合瞬态响应阶次的电驱总成噪声源识别 被引量：2
10
作者 张威 景国玺 +2 位作者 武一民 杨征睿 高辉 《中国测试》 CAS 北大核心 2024年第4期144-152,共9页
以某增程式电驱动总成为研究对象,提出基于联合算法的噪声分离识别模型。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)联合快速独立分量分析(fast independent component analysis,FastI... 以某增程式电驱动总成为研究对象,提出基于联合算法的噪声分离识别模型。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)联合快速独立分量分析(fast independent component analysis,FastICA)方法提取纯电模式稳态工况下单一通道噪声信号特征,利用复Morlet小波变换及FFT对各分量信号时频特性进行识别。其次,采用阶次分析法和声能叠加法对稳态分量信号对应的各瞬态响应阶次能量进行对比分析,并结合皮尔逊积矩相关系数(Pearson product moment correlation coefficient,PPMCC)相似性识别确定不同噪声激励源贡献度。结果表明:减速齿副啮合噪声对该增程式电驱总成纯电模式运行噪声整体贡献度最大。 展开更多
关键词 电驱动总成 噪声源识别 互补集合经验模态分解 快速独立分量分析 连续小波变换 阶次分析
在线阅读 下载PDF
基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法 被引量：1
11
作者 彭继慎 夏玲云 王燚增 《电气工程学报》 CSCD 北大核心 2024年第4期407-415,共9页
油中溶解气体浓度的预测可为电力变压器状态评估与早期故障诊断提供重要的数据依据。由此,针对长短期记忆网络(Long short-term memory network,LSTM)预测模型参数选择困难的问题,同时为提高变压器油中溶解气体浓度预测的精度,提出一种... 油中溶解气体浓度的预测可为电力变压器状态评估与早期故障诊断提供重要的数据依据。由此,针对长短期记忆网络(Long short-term memory network,LSTM)预测模型参数选择困难的问题,同时为提高变压器油中溶解气体浓度预测的精度,提出一种基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法。利用互补集合经验模态分解算法(Complementary ensemble empirical mode decomposition,CEEMD)将原始气体浓度序列分解为一系列具有一定频率特征的分量,以提高原始序列的可预测性能;针对各分量分别建立LSTM预测模型,同时利用经Tent映射随机初始化种群与高斯扰动改进的沙丘猫群优化算法(Sand cat swarm optimization,SCSO)对LSTM网络参数进行优化选取,以提高算法的预测精度;最后重构各个分量的预测结果以获取最终的油中溶解气体浓度预测结果。利用某500 kV变压器实际气体浓度数据对所提方法进行对比试验,试验结果表明,所提方法油中溶解气体浓度预测性能优良,具有较好的应用价值。 展开更多
关键词 油中溶解气体 互补集合经验模态分解 沙丘猫群优化算法 长短时记忆神经网络
在线阅读 下载PDF
CEEMDAN和盲源分离在轴承复合故障诊断中的应用
12
作者 古莹奎 林忠海 刘平 《机械设计与制造》 北大核心 2024年第3期148-152,共5页
滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解(CEEMDAN)和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN... 滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解(CEEMDAN)和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN分解,得出一组固有模态函数(IMF),利用加权峭度因子选取其中有效IMF重构信号,再将重构的信号进行BSS分离。对分离出的信号做解调包络分析,从其解调谱中提取故障信号的特征频率。结果证明了此方法可以有效地分离轴承的内外圈故障,使故障特征更易被提取。 展开更多
关键词 滚动轴承 自适应白噪声的完备集成经验模态分解 盲源分离 加权峭度因子 特征提取
在线阅读 下载PDF
基于CEEMD-BiLSTM-RFR的短期光伏功率预测 被引量：7
13
作者 冯沛儒 江桂芬 +2 位作者 徐加银 叶剑桥 李生虎 《科学技术与工程》 北大核心 2024年第5期1955-1962,共8页
由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomp... 由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition,CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression,RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network,BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。 展开更多
关键词 光伏功率预测 互补集合经验模态分解 相关性分析 BiLSTM 随机森林回归
在线阅读 下载PDF
基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究 被引量：5
14
作者 程小龙 张斌 +1 位作者 刘相杰 刘陶胜 《人民黄河》 CAS 北大核心 2024年第1期146-150,共5页
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... 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。 展开更多
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
在线阅读 下载PDF
CEEMD与AO-SVM结合的风机轴承故障诊断 被引量：1
15
作者 孙润发 汤占军 《机械科学与技术》 CSCD 北大核心 2024年第6期962-966,共5页
由于风机的运行环境恶劣,当轴承发生故障时,其振动信号往往受到环境噪声的干扰,导致对于振动信号的故障信息提取困难。针对这一问题,本文提出了一种基于互补集合经验模态分解(CEEMD)和样本熵(SE)结合的特征提取方法,并将天鹰优化算法(AO... 由于风机的运行环境恶劣,当轴承发生故障时,其振动信号往往受到环境噪声的干扰,导致对于振动信号的故障信息提取困难。针对这一问题,本文提出了一种基于互补集合经验模态分解(CEEMD)和样本熵(SE)结合的特征提取方法,并将天鹰优化算法(AO)与支持向量机(SVM)结合进行故障分类,实现对风机轴承的故障诊断。本文采用凯斯西储大学轴承数据进行实验,并采用真实风机轴承数据进行进一步的验证。实验结果表明本文所提出方法具有很高的故障识别准确率。 展开更多
关键词 特征提取 互补集合经验模态分解 样本熵 天鹰优化算法 支持向量机
在线阅读 下载PDF
基于改进CEEMD和RF的低压串联故障电弧识别方法 被引量：11
16
作者 江永鑫 陈丽安 +1 位作者 郭梦倩 徐子萌 《电力系统保护与控制》 EI CSCD 北大核心 2024年第1期97-108,共12页
为了解决完整集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEM... 为了解决完整集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest,RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明:改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。 展开更多
关键词 故障识别 串联故障电弧 改进ceemd T检验 方差贡献率 随机森林
在线阅读 下载PDF
CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测 被引量：1
17
作者 王凯 肖星星 +2 位作者 余永明 贾庆磊 赵思仲 《导航定位学报》 CSCD 北大核心 2024年第5期156-163,共8页
为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDA... 为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。 展开更多
关键词 沉降预测 自动化监测 时序数据 混合模型 自适应噪声完备集合经验模态分解(ceemdAN)-卷积神经网络(CNN)-双向长短期记忆网络(BiLSTM)
在线阅读 下载PDF
PCA优化CEEMD的DSQ水管倾斜仪信号随机噪声压制方法
18
作者 郭晓菲 欧同庚 刘天龙 《大地测量与地球动力学》 CSCD 北大核心 2024年第9期978-984,共7页
提出一种基于主成分分析(PCA)优化完备集合经验模态分解(CEEMD)的DSQ水管倾斜仪信号随机噪声压制方法CEEMD-PCA。该方法融合了相关系数、分布熵、MSE、R^(2)、SSE、RMSE、MAE、MAPE等8个IMF分量质量评价指标,借助PCA实施指标值矩阵的降... 提出一种基于主成分分析(PCA)优化完备集合经验模态分解(CEEMD)的DSQ水管倾斜仪信号随机噪声压制方法CEEMD-PCA。该方法融合了相关系数、分布熵、MSE、R^(2)、SSE、RMSE、MAE、MAPE等8个IMF分量质量评价指标,借助PCA实施指标值矩阵的降维压缩,将其转化为一个能代表全部不同类型指标特点的新参数,并构建IMF分量质量综合评价函数,根据分数排名结果完成原始含噪信号的线性重构。仿真信号和实测信号去噪实验结果皆表明,CEEMD-PCA模型优于卡尔曼滤波、70阶低通FIR滤波等经典模型,能提高原始信号的信噪比,精准完成信号重构,更好地保留有效成分。 展开更多
关键词 DSQ水管倾斜仪 随机噪声压制 完备集合经验模态分解 主成分分析 特征融合
在线阅读 下载PDF
基于CEEMD的云贵高原降水序列周期性特征分析
19
作者 郝海宁 王新鹏 +1 位作者 袁荣才 赵庆志 《科学技术与工程》 北大核心 2024年第36期15362-15374,共13页
对云贵高原的降水量序列进行多尺度分析,可为喀斯特地区流域的综合治理、水资源的合理利用及地区的可持续发展提供保证。利用互补集合经验模态分解算法(complete ensemble empirical mode decomposition,CEEMD)结合快速傅里叶变换分析(f... 对云贵高原的降水量序列进行多尺度分析,可为喀斯特地区流域的综合治理、水资源的合理利用及地区的可持续发展提供保证。利用互补集合经验模态分解算法(complete ensemble empirical mode decomposition,CEEMD)结合快速傅里叶变换分析(fast Fourier transform,FFT)的特征提取方法。选取云贵高原60个站点20年、时间间隔为12 h的降水量观测数据进行周期识别。结果表明:CEEMD算法能够有效提取序列中的月、半周年、周年等特征分量,结合各气象站点位置,发现地理位置上临近站点的周期变化趋势数相似。与云贵高原的柯本-盖革气候分类指数图相对比,符合地区的气候特征,证明该分解方法可有效应用于气候统计;探讨在不同周期性特征影响下,实际降水序列如何响应于各种气候驱动因素,利用自相关函数(autocorrelation function,ACF)分析降水序列与准两年振荡(quasi biennial oscillation,QBO)、Nino3.4指数、热带气旋之间的时滞和相关性。发现区域的降水序列受厄尔尼诺南方涛动(El Nino-Southern Oscillation,ENSO)以及准两年期振荡的影响。区域48.3%站点固有模态函数(intrinsic mode functions,IMFs)呈现双峰年周期,使用极端降水事件与热带气旋降水事件对比,发现云贵高原降水序列双峰值周期的产生受热带气旋影响。 展开更多
关键词 降水量序列 周期性特征 互补集合经验模态分解(ceemd)算法 热带气旋
在线阅读 下载PDF
一种适用于风储微电网的混合储能系统的功率分配策略 被引量：2
20
作者 李艳波 杨凯 +3 位作者 陈俊硕 姚博彬 刘维宇 武奇生 《电测与仪表》 北大核心 2025年第2期43-50,共8页
混合储能系统是微电网的重要组成部分之一,研究其功率分配策略对电池的保护具有重要意义。在由超级电容-蓄电池组成的混合储能系统的基础上,提出互补集合经验模态分解的方法来平抑风力发电不稳定性而引起的功率波动。针对风力发电的波... 混合储能系统是微电网的重要组成部分之一,研究其功率分配策略对电池的保护具有重要意义。在由超级电容-蓄电池组成的混合储能系统的基础上,提出互补集合经验模态分解的方法来平抑风力发电不稳定性而引起的功率波动。针对风力发电的波动性及不确定性,互补集合经验模态分解法能够把风电原始能量信号分解为固有模态分量和余量,通过能量熵理论求出功率一次分配分界点,即初始功率分配;提出利用模糊控制对混合储能系统的荷电状态进行优化约束,自适应调整并修正混合储能系统功率分配指令。利用MATLAB程序及Simulink仿真模型并结合算例分析,结果说明了提出的策略可以使蓄电池SOC波动不超过8%,超级电容SOC波动不超过10%,有效提高了整个系统的工作效率和使用寿命。 展开更多
关键词 互补集合经验模态分解法 模糊控制 荷电状态 能量熵
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 12 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部