基于改进互补集合经验模态分解的自适应 小波熵阈值地震随机噪声压制算法

针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构...     

基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和模糊熵（FE）改进长短时记忆网络（LSTM）的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.     

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得愈发重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(Fuzzy Entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳,波动性小的特点,采用麻雀算法(sparrowSsearch algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测;高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(Long Short-Term Memory,LSTM),同时引入注意力机制(Attention Mechanism,AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

基于经验模态分解和多分支LSTM网络汇率预测

作为一种新型信号变换算法,经验模态分解(empirical mode decomposition,EMD)能够解决傅里叶变换等方法受限于特定基函数的缺陷.本文针对人工神经网络对高频金融时间序列预测准确率不足的问题,结合EMD和韦布尔分布对金融时间序列进行预处理,提出一种基于经验模态分解和多分支长短期记忆网络的分类预测模...     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响,表现出强烈的非线性、非平稳性与随机性等特性,使得预测准确性受到极大考验.为提高风速预测准确性,创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先,利用变分模态分解将风速序列分解为一系列调幅调频信号,以降低数据复杂度,有效提取特征并提高噪声鲁棒性,减少风速自身对预测准确性的影响.其次,对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后,用实测数据验证所提方法的有效性.与其他典型风速预测模型相比,所提方法可有效提高风速预测准确性.     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行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),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition, VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy, SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine, SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

基于小波分解的统计模型对小时风速的预测

为提高小时风速的预测精度,提出了基于小波分解和AR模型的混合模型(WD-AR).模型应用小波分解技术将风速序列进行多层分解,再利用AR模型分别对各分解层的风速序列进行预测,最后将预测结果叠加得到预测值.采用河西地区风速观测数据对模型进行分析验证,结果表明:WD-AR模型预测精度指标R,RMSE和MAP E值分别是0.89,0.36和27%,与AR模型相比有了较大的改善,提高了小时风速的预测精度,说明WD-AR模型具有更好的预测能力.     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

联想神经网络的风速序列预测分析

为了提高风速序列预测的可靠性,针对具有混沌特性的风速序列,构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则,构造联想网络的存储样本模式,根据存储模式中蕴含的关联信息完成网络的无监督学习,从而完成具有自相似性的风速序列的一步或多步预测分析。与传统前向型神经网络相比,该网络预测机理明确,预测结果唯一,且可一次给出多步预测结果。仿真实验结果表明,该网络的具有良好预测性能,适用于风速序列的动态预测。     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。     

基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测

为进一步提高风电功率预测精度,提出一种基于麻雀搜索算法(SSA)优化VMD参数的组合预测方法。首先,使用麻雀搜索算法对VMD参数进行优化,并利用优化后的VMD对数据进行分解;其次,结合灰色关联分析法和熵权法对环境变量进行相关性分析,选择相关性最高的影响因素与分解得到的各模态分量组合作为LSTM预测模型的输入,获得更为精确的预测结果;最后,建立基于非参数核密度估计(NKDE)的风电功率概率预测模型,实现对风电功率预测结果不确定性的有效量化。结果表明,所提组合模型的MAE,RMSE和MAPE比VMD-LSTM模型的分别下降了39.51%,33.22%和40.39%。SSA-VMD-LSTM-NKDE组合模型不仅能够有效提高确定性预测的精度,而且还能够实现对风电功率预测结果不确定性的有效量化,为风电功率预测提供了科学决策依据。     

基于小波包变换和峰式马尔科夫链的风速短期预测

利用小波包的信号分析特性及峰式马尔科夫链的非稳态数据预测特性,提出一种新型风速短期预测方法。该方法对历史风速数据进行小波包分解,利用峰式马尔科夫链对小波包系数进行统计,分别得到小波包系数上升转移概率矩阵和下降转移概率矩阵,并由此得到下一时刻的小波包预测系数,将小波包系数进行重构可得到预测的风速。该文模型与其他模型的预测结果对比表明,该方法具有较高精度。     

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。