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77篇文章
< 1 2 … 4 >
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：
融合IVMD的海表温度时空智能预测方法
1
作者 韩莹 曹允重 +2 位作者 张凌珺 赵芮晗 董昌明 《海洋测绘》 CSCD 北大核心 2024年第3期53-57,61,共6页
精准的海洋表面温度(sea surface temperature, SST)预测在海洋和气象领域具有重要意义,如海洋渔业捕捞和海洋天气预报等。提出一种融合改进变分模态分解(improved variational mode decomposition, IVMD)的时空混合模型来预测SST,采用... 精准的海洋表面温度(sea surface temperature, SST)预测在海洋和气象领域具有重要意义,如海洋渔业捕捞和海洋天气预报等。提出一种融合改进变分模态分解(improved variational mode decomposition, IVMD)的时空混合模型来预测SST,采用中心频率观察法、残差指数最小化和皮尔逊相关系数改进变分模态分解(variational mode decomposition, VMD),去除SST序列冗余,利用图卷积神经网络(graph convolutional network, GCN)提取SST交互特征并结合长短时记忆网络(long short-term memory, LSTM)捕捉时间动态,提高预测精度。选取中国东海海域进行实证分析,实验结果表明:与现有模型对比,本文模型在均方根误差、平均绝对误差和平均绝对百分比误差3个指标上均有显著提升,验证了本文模型的有效性和稳定性。 展开更多
关键词 海洋表面温度预测 改进变分模态分解 皮尔逊相关系数 图卷积神经网络 长短时记忆网络
在线阅读 下载PDF
基于数据驱动和机理模型的机械钻速预测 被引量：1
2
作者 郑双进 江厚顺 +4 位作者 熊梦园 孟胡 詹炜 程荣升 王立辉 《钻采工艺》 北大核心 2025年第1期78-87,共10页
为准确预测复杂工况下的机械钻速,提出了一种基于数据驱动和机理模型的机械钻速预测方法。首先对收集的8000余条钻井数据进行斯皮尔曼和曼特尔特性分析,筛选出有效施工参数,采用变分模态分解算法(VMD)进行数据降噪,然后构建时序卷积网... 为准确预测复杂工况下的机械钻速,提出了一种基于数据驱动和机理模型的机械钻速预测方法。首先对收集的8000余条钻井数据进行斯皮尔曼和曼特尔特性分析,筛选出有效施工参数,采用变分模态分解算法(VMD)进行数据降噪,然后构建时序卷积网络结合长短期记忆网络(TCN-LSTM)作为数据驱动模型,并融合多元钻速预测机理模型,通过物理约束增强数据驱动模型的准确性与可解释性,实验表明融合模型比单一数据驱动模型或机理模型预测精度更高。随后,为进一步提升模型性能,采用了改进的蜣螂优化算法(IDBO)对TCN-LSTM模型进行优化,通过改进种群初始化和更新策略,实现了参数的高效搜索。消融实验及现场应用结果表明,对比BP、RF、LSTM、TCN模型,TCN-LSTM-IDBO模型可以实现机械钻速的精确预测,并且具有较好的泛化能力,可为钻井施工人员提供有力参考。 展开更多
关键词 机械钻速预测 时序卷积网络 长短期记忆网络 变分模态分解 蜣螂优化算法 数据分析
在线阅读 下载PDF
一种SCNGO-MMPE-VMD的滚动轴承故障诊断方法
3
作者 张涛 魏彪 +2 位作者 李永健 马赫 何勇 《现代电子技术》 北大核心 2025年第12期54-60,共7页
针对滚动轴承故障诊断中种群分布不均匀及算法早熟收敛问题,提出一种SCNGO-MMPE-VMD的滚动轴承故障诊断方法。首先,利用折射反向学习方法初始化种群,并生成反向解,有效扩大搜索范围;然后,将正余弦算法(SCA)策略引入北方苍鹰优化算法(NGO... 针对滚动轴承故障诊断中种群分布不均匀及算法早熟收敛问题,提出一种SCNGO-MMPE-VMD的滚动轴承故障诊断方法。首先,利用折射反向学习方法初始化种群,并生成反向解,有效扩大搜索范围;然后,将正余弦算法(SCA)策略引入北方苍鹰优化算法(NGO)勘察阶段,通过非线性加权系数ω动态调节步长搜索因子,降低个体位置更新对局部信息的依赖,显著提高算法收敛速度与精度;最后,构建多尺度均值排列熵(MMPE)与峭度的融合指标作为适应度函数,增强故障特征敏感性。通过对不同的实测信号进行测试,结果表明,在强噪声干扰下,相较传统方法,所提方法可提前300 min(初期故障)和700 min(微弱故障)识别故障特征,验证了其工程实用性。 展开更多
关键词 正余弦算法 滚动轴承 故障诊断 改进北方苍鹰优化算法 多尺度均值排列熵 变分模态分解
在线阅读 下载PDF
基于VMD和改进Transformer模型的镍镉蓄电池SOH预测研究
4
作者 于天剑 冯恩来 +1 位作者 伍珣 张庆东 《铁道科学与工程学报》 北大核心 2025年第7期3266-3279,共14页
动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征,严重影响传统动车组电池健康状态(state of health,SOH)预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性,基于变分模态分解(variational mode d... 动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征,严重影响传统动车组电池健康状态(state of health,SOH)预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性,基于变分模态分解(variational mode decomposition,VMD)和改进的Transformer模型,提出一种综合预测框架。首先,通过白鲸优化算法(beluga whale optimization,BWO)对VMD的超参数进行优化,利用VMD分解重构准确捕捉电池在其整个生命周期中的容量退化特性,消除蓄电池记忆效应对SOH预测研究带来的不良影响;其次,在Transformer编码模块中嵌入了长短时记忆网络自编码模块(long short-term memory network autoencoder,LSTM Autoencoder),以有效提取电池健康退化的短期特征信息并压缩数据维度,从而降低模型复杂度;最后,将Transformer解码层替换为全连接神经网络,以降低模型复杂度和减少预测误差累积现象,从而提高模型的预测性能和运行效率。并且在验证方案中,以实际动车组蓄电池为研究对象,通过消融实验以及横向对比实验双向证明研究算法具有最高的预测精度,输出预测结果在均方根误差、平均绝对误差相较于其他模型平均降低了60.83%和62.14%,在决定系数上平均提升了6.73%,具有高度的准确性和鲁棒性。可以实现对电池SOH实现精确的预测,对电池健康状态进行有效监控,为电池检修工作提供数据支撑和方法支持。 展开更多
关键词 镍镉蓄电池 SOH预测 变分模态分解 长短时记忆网络自编码器 改进Transformer模型
在线阅读 下载PDF
基于优化VMD和BiLSTM的短期负荷预测
5
作者 谢国民 陆子俊 《电力系统及其自动化学报》 北大核心 2025年第4期30-39,共10页
针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集... 针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集成预测模型。首先,对原始电力负荷数据进行变分模态分解,降低数据复杂度,在变分模态分解中,引入白鲸算法对分解层数和惩罚因子寻优,优化分解效果。其次,采用Logistic混沌映射、螺旋搜索和麻雀思想引入的多策略改进方法,增加原始沙猫群优化算法的种群多样性,提升收敛精度和全局搜索能力,并用改进后的算法对BiLSTM中的超参数进行优化。然后,结合AdaBoost集成学习算法构建ISCSO-Bi LSTM-AdaBoost预测模型,将分解后的各分量输入模型预测。最后将各预测值叠加,得到最终预测结果。实验结果表明,本文建立的组合模型预测精度高,稳定性强。 展开更多
关键词 电力负荷预测 变分模态分解 双向长短期记忆网络 改进沙猫群优化算法 集成学习算法
在线阅读 下载PDF
基于VMD-IDBO-LSTM的光伏功率预测模型 被引量：1
6
作者 乔雅宁 贾宇琛 +1 位作者 高立艾 温鹏 《现代电子技术》 北大核心 2025年第6期168-174,共7页
针对光伏发电功率波动性强和预测准确度低的问题,提出一种基于变分模态分解(VMD)、改进蜣螂算法(IDBO)优化长短期记忆(LSTM)网络的光伏功率预测模型。利用VMD对光伏功率时序数据进行分解,得到不同频率但具有一定规律的子序列,从而达到... 针对光伏发电功率波动性强和预测准确度低的问题,提出一种基于变分模态分解(VMD)、改进蜣螂算法(IDBO)优化长短期记忆(LSTM)网络的光伏功率预测模型。利用VMD对光伏功率时序数据进行分解,得到不同频率但具有一定规律的子序列,从而达到减少光伏功率波动性的目的。利用可变螺旋搜索策略、Lévy飞行策略和自适应t分布变异策略来改进蜣螂算法,对改进后的蜣螂算法与其他优化算法进行性能测试对比,经过改进的蜣螂算法来优化LSTM中的网络隐含层个数和初始学习速率并建立预测模型,将各个子序列的预测值相加,从而得出最后的预测功率结果。通过实际算例表明,与LSTM预测模型、DBO-LSTM预测模型、VMD-DBO-LSTM预测模型相比,VMD-IDBO-LSTM模型预测精度较高,更具有准确性。 展开更多
关键词 光伏发电 功率预测 变分模态分解 改进蜣螂算法 长短期记忆网络 优化算法
在线阅读 下载PDF
IVMD融合奇异值差分谱的滚动轴承早期故障诊断 被引量：31
7
作者 唐贵基 王晓龙 《振动．测试与诊断》 EI CSCD 北大核心 2016年第4期700-707,810,共8页
针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分... 针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。 展开更多
关键词 改进变分模态分解 奇异值差分谱 滚动轴承 早期故障
在线阅读 下载PDF
基于IIVY-SVMD-MPE-SVM的开关柜局部放电故障识别
8
作者 解骞 郑胜瑜 +3 位作者 刘兴华 李辉 党建 解佗 《实验技术与管理》 北大核心 2025年第4期26-36,共11页
针对开关柜局部放电故障信息表征困难及局部放电故障识别准确率低等问题,该文提出了一种基于改进常青藤算法(improved Ivy algorithm,IIVY)的自动优化连续变分模态分解(successive variational mode decomposition,SVMD)与支持向量机(su... 针对开关柜局部放电故障信息表征困难及局部放电故障识别准确率低等问题,该文提出了一种基于改进常青藤算法(improved Ivy algorithm,IIVY)的自动优化连续变分模态分解(successive variational mode decomposition,SVMD)与支持向量机(support vector machine,SVM)的模式识别算法,实现了局部放电类型的故障识别。首先,融合空间金字塔匹配混沌映射、自适应t分布与动态自适应权三种策略提出IIVY算法;其次,对局部放电原始超声波信号进行SVMD并提取多尺度排列熵(multivariate permutation entropy,MPE),建立基于IIVY-SVMD-MPE的局部放电特征提取策略,利用IIVY算法自适应地选取SVMD惩罚因子α,结合相关系数筛选出最大的三个本征模态函数(intrinsic mode function,IMF)分量提取MPE,构建多维融合特征数据集;再次,提出并建立基于IIVY-SVM的开关柜局部放电故障识别模型,利用IIVY对SVM中惩罚参数C及核参σ进行自适应寻优;最后,通过对比验证表明所建立模型综合识别率更高、在不同评价指标上表现更佳,综合识别准确率达到98.8%,有效提高了故障识别的准确性与可靠性。 展开更多
关键词 超声波 改进常青藤算法 连续变分模态分解 多尺度排列熵
在线阅读 下载PDF
基于改进卷积神经网络的新能源并网短路电流预测技术
9
作者 于琳琳 蒋小亮 +2 位作者 贾鹏 孟高军 丁咚 《可再生能源》 北大核心 2025年第3期408-415,共8页
随着新能源的大规模并网,大电网短路电流特征更加复杂、难以预测。基于此,文章提出了一种基于改进卷积神经网络的新能源并网短路电流预测技术。首先,分析短路电流特点,对短路电流进行变分模态分解,得到本征模态函数;其次,对卷积神经网... 随着新能源的大规模并网,大电网短路电流特征更加复杂、难以预测。基于此,文章提出了一种基于改进卷积神经网络的新能源并网短路电流预测技术。首先,分析短路电流特点,对短路电流进行变分模态分解,得到本征模态函数;其次,对卷积神经网络进行改进,利用多尺度特征提取将电流故障数据特征最大化,引入注意力机制提取重要信息,卷积过程中使用跳跃连接的方式防止前向传递时信息丢失,有利于提高预测的准确性,构建基于改进卷积神经网络的短路电流预测模型;最后,经过PSCAD/EMTDC电网模型进行验证。结果表明,所提方法对短路电流峰值预测有着较高的精度,与常见的极限学习机、支持向量机相比,平均相对误差分别降低了0.61%,1.09%,验证了文章所提方法的有效性。 展开更多
关键词 新能源 改进卷积神经网络 短路电流预测 变分模态分解 注意力机制
在线阅读 下载PDF
轴承剩余使用寿命预测的IDSA-LSTMNN
10
作者 梁天添 刘健 +2 位作者 梁贺焱 郑皓谦 王茂 《振动.测试与诊断》 北大核心 2025年第2期273-280,410,共9页
针对长短期记忆神经网络提取特征信息相关性和时间信息依赖性不足的问题,提出基于改进双多头注意力机制的长短期记忆神经网络(improved dual stage attention-based long short-term memory neural networks,简称IDSA-LSTMNN),以提高滚... 针对长短期记忆神经网络提取特征信息相关性和时间信息依赖性不足的问题,提出基于改进双多头注意力机制的长短期记忆神经网络(improved dual stage attention-based long short-term memory neural networks,简称IDSA-LSTMNN),以提高滚动轴承剩余使用寿命(remaining useful life,简称RUL)的预测精度。首先,采用改进的蜘蛛蜂优化器(improved spider wasp optimizer,简称ISWO)优化变分模态分解(variational mode decomposition,简称VMD)的关键参数,以提取更优的时频域特征;其次,结合时域和频域特征,构建特征数据集;然后,利用非线性成分改进核主成分分析(kernel principal component analysis,简称KPCA)的核函数,以优化特征降维过程;最后,利用多头注意力权重改进特征注意力机制和时间注意力机制提出IDSA,设计了轴承RUL预测的IDSA-LSTMNN,并进行了对比试验、抗噪性试验和泛化性试验。结果表明,相较于仅具有单头注意力机制的LSTMNN,不同工况、不同噪声环境下,IDSA-LSTMNN在预测精度、抗噪性和泛化性上具有显著优势。 展开更多
关键词 轴承寿命预测 变分模态分解 特征降维 长短期记忆神经网络 改进的注意力机制
在线阅读 下载PDF
SO-VMD和IHFDE在旋转机械耦合故障辨识中的应用
11
作者 张文军 宋琳璐 +1 位作者 左小勇 王冠华 《机电工程》 北大核心 2025年第4期714-725,共12页
采用传统旋转机械故障诊断模型诊断单点故障而忽略多点故障缺陷,无法准确判断旋转机械的故障来源,提出了一种基于蛇优化器的优化变分模态分解(SO-VMD)、改进层次波动散布熵(IHFDE)和支持向量机(SVM)的旋转机械耦合故障诊断方法。首先,... 采用传统旋转机械故障诊断模型诊断单点故障而忽略多点故障缺陷,无法准确判断旋转机械的故障来源,提出了一种基于蛇优化器的优化变分模态分解(SO-VMD)、改进层次波动散布熵(IHFDE)和支持向量机(SVM)的旋转机械耦合故障诊断方法。首先,以模态分量的最大互信息系数为适应度函数,采用蛇优化器对变分模态分解的参数进行了优化,并对旋转机械振动信号进行了分解以得到模态分量;然后,对各模态分量的IHFDE特征值进行了提取,从而构建了故障特征矩阵;最后,将故障特征输入至SVM分类器中进行了分类识别,并实现了对旋转机械的故障诊断。利用滚动轴承和齿轮箱的多点故障数据集进行了实验分析,从信号处理和特征提取两方面进行了对比分析。研究结果表明:SO-VMD-IHFDE故障诊断方法在诊断旋转机械的单点和多点故障时分别取得了98.75%和100%的识别精度,验证了该方法的有效性。SO-VMD方法能够有效去除信号中的干扰噪声,提高特征的质量。和未采用SO-VMD方法得到的诊断结果相比,滚动轴承和齿轮箱的诊断准确率分别提高了3.33%和5.42%。IHFDE方法能够有效反映旋转机械的故障特性,准确率高于其他广泛使用的特征提取方法。旋转机械的故障诊断结果验证了改进层次分析在诊断准确率方面要优于粗粒化处理和传统层次分析。 展开更多
关键词 旋转机械 耦合故障诊断 变分模态分解 改进层次波动散布熵 蛇优化器 多点故障 耦合故障 信号高频特征信息
在线阅读 下载PDF
基于参数优化的JTC补偿电容容值估计与故障识别
12
作者 王世林 王钟锐 +2 位作者 陈光武 周鑫 李鹏 《铁道科学与工程学报》 北大核心 2025年第2期909-920,共12页
为满足“十四五”规划中提出的安全发展要求,针对无绝缘轨道电路中补偿电容故障识别困难、工作状态难以监测的问题,基于电磁场理论与传输线理论,建立了模拟轨道检测车技术的联合仿真模型,对补偿电容的工作状态进行分析并依据分析结果进... 为满足“十四五”规划中提出的安全发展要求,针对无绝缘轨道电路中补偿电容故障识别困难、工作状态难以监测的问题,基于电磁场理论与传输线理论,建立了模拟轨道检测车技术的联合仿真模型,对补偿电容的工作状态进行分析并依据分析结果进行故障识别与定位。首先,提出一种“相关性中心频率比”的适应度函数,以解决变分模态分解需要预先设置模态个数与惩罚因子的问题;其次,改进蜣螂优化算法,并利用改进后的算法对变分模态分解的参数进行寻优;最后,利用优化参数对仿真数据进行变分模态分解,以能量为特征进行特征提取,根据每个补偿电容的作用区域的能量特征来表征相应补偿电容的工作状态,得到区段中每个补偿电容的特征与容值大小的关系曲线,拟合后得到补偿电容容值估计公式,并利用轨道电路真实数据进行了验证。结果表明,改进算法较未改进的算法及其他主流优化算法,具备更快的收敛速度和更好的寻优结果,补偿电容容值估计值与实际数据的绝对误差仅为2.7μF,故障电容识别准确率达96.6%。研究结果表明,本文所提方法在检测车这一技术环境下,可以为现场补偿电容故障识别与容值估计提供了较为可靠的参考。 展开更多
关键词 补偿电容 容值估计 变分模态分解 有限元模型 改进的蜣螂优化算法
在线阅读 下载PDF
基于误差补偿及IDBO-BiLSTM的风电功率短期预测
13
作者 魏振宇 姜雪松 杨立发 《科学技术与工程》 北大核心 2025年第6期2397-2405,共9页
针对风电出力稳定性差、随机性强而导致的模型精度差的问题。提出了一种基于二次分解误差补偿的风电功率短期预测模型。首先建立双向长短期记忆(bidirectional long short-term memory,BiLSTM)预测模型对风电功率进行预测并输出预测误... 针对风电出力稳定性差、随机性强而导致的模型精度差的问题。提出了一种基于二次分解误差补偿的风电功率短期预测模型。首先建立双向长短期记忆(bidirectional long short-term memory,BiLSTM)预测模型对风电功率进行预测并输出预测误差。其次,采用了一种利用混沌映射初始化种群、引入黄金正弦策略更新滚球蜣螂位置,并添加动态自适应性权重系数来更新偷窃蜣螂的位置的改进蜣螂优化算法(improved dung beetle optimizer,IDBO)对预测模型参数寻优,防止网络陷入局部最优解,自适应搜寻最优参数组合。然后,采用分解-重构-分解的策略,利用自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)进行首次分解,并且引入样本熵(sample entropy,SE)与K均值(K-means)将序列按频率进行重构并通过变分模态分解(variational mode decomposition,VMD)将高频误差序列分解成不同频段的误差序列,提高后续模型的预测效率及预测精度。最后,将各分量输入误差补偿模型进行预测并引入Attention机制学习不同时间步的特征关系,并给与不同权重值,加强对关键信息的注意力。通过新疆达坂城风电场实测数据验证了所提模型预测精度高,具有显著优势。 展开更多
关键词 风电功率短期预测 双向长短期记忆网络 改进蜣螂优化算法 完全集合经验模态分解 变分模态分解
在线阅读 下载PDF
基于VMD-IBWO-BiLSTM的短期风电功率预测
14
作者 黄益 胡骅 魏云冰 《电网与清洁能源》 北大核心 2025年第5期148-158,共11页
准确预测风电功率对实现风电场稳定运行和电网优化调度具有重要意义。为了提高风电功率预测的稳定性和精准性,提出一种基于变分模态分解(variational modal decomposition,VMD)、融合Logistics混沌映射、折射反向学习策略的改进白鲸优... 准确预测风电功率对实现风电场稳定运行和电网优化调度具有重要意义。为了提高风电功率预测的稳定性和精准性,提出一种基于变分模态分解(variational modal decomposition,VMD)、融合Logistics混沌映射、折射反向学习策略的改进白鲸优化算法(improved beluga whale optimization,IBWO)和双向长短期记忆(bi-directional long short-term memory,BiLSTM)神经网络的组合模型。首先,利用模糊熵为适应度函数的北方苍鹰优化算法(northern goshawk optimization,NGO)优化VMD的核心参数,通过NGO-VMD对采集到的原始风电功率数据分解,得到模态分量。然后,利用改进白鲸优化算法IBWO对双向长短期记忆BiLSTM神经网络中的超参数进行寻优,再使用IBWO-BiLSTM模型对各模态分量预测。最后,将各模态分量的预测值叠加得到风电功率的预测值。实验表明,该组合模型较其他普通组合模型在预测精度上有较大提高。 展开更多
关键词 风电功率预测 变分模态分解 北方苍鹰优化算法 改进白鲸优化算法 双向长短期记忆神经网络 深度学习
在线阅读 下载PDF
基于IGWO-VMD-EMD-KELM联合预测模型的海上短期风速预测
15
作者 刘轲 张潇阳 +4 位作者 贾子晖 周彩凤 程浩宇 林瑞阳 魏子宸 《绿色科技》 2025年第10期222-228,共7页
准确、可靠的风速预测有利于保障电力系统的安全运行。为提高预测精度,提出一种融合变分模态分解(VMD)、经验模态分解(EMD)、改进灰狼优化算法(IGWO)以及核极限学习机(KELM)的短期风速预测模型。首先利用IGWO对VMD参数进行智能优化。之... 准确、可靠的风速预测有利于保障电力系统的安全运行。为提高预测精度,提出一种融合变分模态分解(VMD)、经验模态分解(EMD)、改进灰狼优化算法(IGWO)以及核极限学习机(KELM)的短期风速预测模型。首先利用IGWO对VMD参数进行智能优化。之后利用VMD将风速数据分解为若干子序列和残差项。针对残差项具有较强非平稳性的问题,利用EMD对残差项进一步分解。最后对各子序列分别利用KELM模型进行预测,并将各子序列预测结果叠加得到最终预测结果。结果表明:该模型的评价指标R 2达到了98.865%,相较于其他对比模型具有更高的预测精度。 展开更多
关键词 风速预测 变分模态分解 经验模态分解 改进灰狼优化算法 核极限学习机
在线阅读 下载PDF
基于优化变分模态分解的混凝土浅层空洞病害识别 被引量：2
16
作者 赵维刚 石壮 +3 位作者 杨勇 田秀淑 鞠景会 李一凡 《振动与冲击》 EI CSCD 北大核心 2024年第14期91-102,共12页
针对开放环境下混凝土空洞病害检测的病害特征识别中噪声干扰、成分识别问题进行了研究,提出了基于优化变分模态分解(improved variational mode decomposition,IVMD)与自由振动衰减速度的混凝土浅层病害声振信号识别方法。该研究建立... 针对开放环境下混凝土空洞病害检测的病害特征识别中噪声干扰、成分识别问题进行了研究,提出了基于优化变分模态分解(improved variational mode decomposition,IVMD)与自由振动衰减速度的混凝土浅层病害声振信号识别方法。该研究建立了混凝土浅层空洞病害的理论模型,仿真了不同工况下的病害特征频率及其变化规律;提出了基于IVMD的信号分解方法,设计了基于Tent混沌与柯西变异优化的麻雀搜索算法联合搜索变分模态分解的关键参数k和α,在最佳分解的基础上提出了基于自相关函数图形、相关系数、衰减系数与频域分布情况的浅层空洞病害本征模态函数(intrinsic mode function,IMF)识别方法;选取幅值衰减评估了特征IMF的衰减速度,得出了基于振动衰减特征的空洞病害识别方法;通过预埋病害模型试验对比分析,验证了所提方法的有效性。研究结果表明,基于IVMD的分解方法能够有效降低噪声及其他成分的干扰,提高空洞病害识别精度和准确度。 展开更多
关键词 病害检测 优化麻雀搜索算法 优化变分模态分解(ivmd) 时域衰减速度 声振法
在线阅读 下载PDF
基于VMD-ISSA-GRU组合模型的短期风电功率预测 被引量：5
17
作者 王辉 邹智超 +2 位作者 李欣 吴作辉 周珂锐 《热力发电》 CAS CSCD 北大核心 2024年第5期122-131,共10页
为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效... 为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明:VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.2118MW、1.8900及1.5916MW;相较于传统的GRU、长短时记忆(LSTM)神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题. 展开更多
关键词 风电功率预测 变分模态分解 改进麻雀搜索算法 门控循环神经网络 超参数
在线阅读 下载PDF
基于特征选择及ISSA-CNN-BiGRU的短期风功率预测 被引量：9
18
作者 王瑞 徐新超 逯静 《工程科学与技术》 EI CAS CSCD 北大核心 2024年第3期228-239,共12页
针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD... 针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。 展开更多
关键词 短期风功率预测 变分模态分解 特征选择 改进麻雀搜索算法 卷积神经网络 双向门控循环单元
在线阅读 下载PDF
改进蜣螂算法优化LSTM的光伏阵列故障诊断 被引量：13
19
作者 李斌 高鹏 郭自强 《电力系统及其自动化学报》 CSCD 北大核心 2024年第8期70-78,共9页
为提高光伏阵列故障诊断精度,提出一种基于变分模态分解VMD(variational mode decomposition)和改进蜣螂算法IDBO(improved dung beetle optimizer)优化长短期记忆LSTM(long short-term memory)网络的光伏阵列故障诊断方法。首先,针对... 为提高光伏阵列故障诊断精度,提出一种基于变分模态分解VMD(variational mode decomposition)和改进蜣螂算法IDBO(improved dung beetle optimizer)优化长短期记忆LSTM(long short-term memory)网络的光伏阵列故障诊断方法。首先,针对蜣螂算法DBO(dung beetle optimizer)收敛精度低且易陷入局部最优的问题,提出一种融合Levy飞行策略、T分布扰动策略及多种群机制的IDBO算法,通过与DBO、麻雀搜索算法、鲸鱼优化算法寻优测试对比,证明IDBO算法的优越性,再与LSTM结合搭建IDBO-LSTM故障诊断模型。其次,为充分挖掘故障特征,利用VMD提取故障数据多个层面的特征分量,作为IDBO-LSTM模型输入量。最后,实验对比结果表明,该方法的故障诊断准确率达到98.34%,优于其他5种模型,证明了所提方法的可行性及优越性。 展开更多
关键词 光伏阵列 改进蜣螂算法 变分模态分解 长短期记忆 故障诊断
在线阅读 下载PDF
基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法 被引量：2
20
作者 李俊卿 刘若尧 何玉灵 《机床与液压》 北大核心 2024年第12期193-201,共9页
目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VM... 目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。 展开更多
关键词 变分模态分解(VMD) 北方苍鹰优化(NGO)算法 改进GoogLeNet 齿轮箱故障诊断
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 … 4 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