基于变分模态分解-BA-LSSVM算法的配电网短期负荷预测

配电台区日负荷序列呈现为既包含变化趋势、又含有波动细节的不规则曲线,该文借助变分模态分解(variational mode decomposition,VMD)将包含这些信息的原始日负荷序列分解为不同频率尺度的子序列,并结合一系列复杂的环境因素,分别利用不同的最小二乘支持向量机(least squares support vector machine,LSSVM)模型进行负荷预测,最后将基于不同频率分量的预测结果相加得到最终的日负荷预测结果。为了提高LSSVM预测能力,采用蝙蝠算法(bat algorithm,BA)对各LSSVM的参数进行寻优,同时,该文分析了影响负荷变化的环境因素,设计了一套因素归一化方法,预测过程考虑了环境因素的影响。仿真结果表明,该文提出的考虑复杂环境因素的预测思想及对历史日负荷进行VMD分解、BA优化、LSSVM预测的组合预测方法能有效提高短期日负荷预测的准确性。     

基于游程检测法重构集合经验模态的养殖水质溶解氧预测

为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R~2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。     

排列熵优化改进变模态分解算法诊断齿轮箱故障

为了准确提取齿轮箱中复合故障特征,该文选用变模态分解(variational mode decomposition,VMD)对振动信号进行处理,它能够将信号分解为多个固有模态函数(intrinsic mode function,IMF),但需预设分解层数k和惩罚因子;因此,为了能够自适应地确定分解层数k,该文提出了排列熵优化算法(permutation entroy optimization,PEO),该算法可以根据待分解信号的特点自适应的确定分解层数k;同时,为了解决VMD算法对噪声的敏感性,该文根据噪声辅助数据分析的思想,提出了改进VMD算法(modified variable modal decomposition,MVMD),该算法首先添加成对符号相反的高斯白噪声到原始信号,再利用VMD算法对其进行分解,经过多次循环,原始信号中的噪声相互抵消,而后将每次循环得到的每层IMF分别进行集成平均。利用该算法分别对含有多故障特征的齿轮箱仿真信号及实测信号进行处理,均提取出了故障特征。该文所提方法对封闭式功率流试验台进行复合故障提取,160和360 Hz的故障频率分别被提取出。该方法为齿轮箱复合故障诊断提供新思路。     

基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。     

基于改进持续法的短期风电功率预测

为了有效减轻风能波动对电网的影响,提高风电在电力市场中的竞争力,风电功率预测研究具有重要意义。该文提出了基于小波变换的改进持续法,对短期风电功率预测进行研究。该方法首先利用小波变换将原始风速信号分解为高频部分和低频部分,针对高频信号相邻的两个数据之间相似度较低,波动较大的特点,采用滑动平均法进行预测,而低频信号仍然采用持续法预测,最后通过小波重构以及风电功率特性曲线转换得到风电功率预测值。与原持续法相比较,平均相对误差由17.10%降至11.81%,平均绝对误差由39.58 kW降至23.48 kW,有效地提高了短期风电功率预测的精度,具有一定的实际应用价值。     

基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。     

基于小波分析理论组合模型的农业需水量预测

为了提高农业需水量（非平稳时间序列）的预测精度,该文运用小波分析理论,将农业需水量这一时间序列用小波分解到不同尺度上以减少原始序列的随机性,然后用灰色预测法和时间序列预测法对重构后的时间序列进行预测。将小波分析理论、灰色预测理论和时间序列预测法组合进行需水量的预测,为原始非平稳时间序列的预测应用拓展了空间。以鄂尔多斯市的农业需水量预测为例对该方法作了验证,2009年数据检验结果表明该组合预测模型精度较高,相对误差小于3%,为农业需水量的预测提供了一种新方法,对鄂尔多斯市的水资源合理地利用、规划和管理以及促进区域社会经济的可持续发展具有重要的意义。     

动态调整粒子群-霍尔特模型在径流预测中的应用

为了提高水库和河流中长期径流预测精度,针对粒子群算法存在的缺陷,提出了动态调整粒子群算法（DAPSO）。借助霍尔特-温特斯线性季节性模型的预测功能,应用DAPSO算法求解和优化霍尔特-温特斯线性季节性模型组合参数,形成动态调整粒子群-霍尔特-温特斯线性季节性模型组合算法,对石泉水库进行中长期径流预测。仿真计算表明,动态调整粒子群-霍尔特-温特斯线性季节性模型算法收敛速度快于霍尔特-温特斯线性季节性模型算法、粒子群-霍尔特-温特斯线性季节性模型算法。该组合算法克服了按梯度试算法搜索质量差和精度不高的缺点,输出稳定性好,预报精度显著提高,置信度为95%时的预测相对误差小于6%。该算法可应用于水库和河川中长期径流预测。     

基于均生函数-最优子集回归模型的短期电力负荷预测方法

为进一步提高电力负荷预测的精度和运算速度,针对短期负荷预测样本数据既有趋势性又有波动性的特点,采用均生函数-最优子集回归（mean generating function-optimal subset regression,MGF-OSR）建立预测模型。相对于均生函数主成分回归（mean generating function-principal component analysis,MGF-PCA）模型,该方法引入了一阶、二阶差分序列对高频部分进行拟合,又建立累加生成序列拟合其趋势,通过均值生成函数（MGF）将上述所有序列构建出预测因子矩阵,采用双评分准则进行粗选,剔除评分较低的因子,其他预报因子经组合寻优后得到最优子集并以此建立预测模型。实例分析表明,该模型预测的平均相对误差可低至2.42%,明显优于主成分回归模型的预测精度。     

基于HP滤波与ARIMA-GARCH模型的柱塞泵泄漏量预测

柱塞泵关键摩擦副磨损造成的泄漏增大是其性能退化的主要原因,预测泄漏量的变化趋势有助于定量分析柱塞泵性能退化过程。该研究使用HP（Hodrick-Proscott）滤波对柱塞泵泄漏量进行分解,结合滤波后得到的趋势数据具有非线性及方差异性的特征,基于时间序列方法建立HP-ARIMA-GARCH（HP-Auto Regressive Integrated Moving Average- Generalized Autoregressive Conditionally Heteroscedastic）模型预测柱塞泵泄漏量变化。通过不同时段泄漏量预测结果比较可知,根据HP滤波分解后得到的趋势数据序列建立的HP-ARIMA-GARCH模型较传统时间序列模型预测结果的平均相对误差最高可减小5.42个百分点,能够实现对泄漏量的有效预测。研究结论可为柱塞泵性能退化的定量预测提供理论参考。     

基于局部均值分解（LMD）的单通道触电信号盲源分离算法

针对从低压电网的剩余电流中提取触电电流的难题,该文提出局部均值分解(local mean decomposition,LMD)与盲源分离相结合提取触电电流的方法。利用LMD算法自适应的将剩余电流信号分解为若干个PF(product function)分量,计算各分量与原始信号的相似系数,选取相似系数最大且大于0.8的模态分量构造虚拟通道,与剩余电流信号一起构建盲源分离的2个通道,再利用FastICA算法从剩余电流信号中提取触电电流。试验结果表明:相较于经验模态分解(empirical mode decomposition,EMD)时间0.129 s,LMD分解时间为0.032 s,速度更快;在单相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.937 4和0.925 3,平均相对误差分别为0.096 2和0.109 8;在三相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.962 4和0.948 9,平均相对误差分别为0.056 4和0.081 55;LMD-FastICA与EMD-FastICA两种算法分解信号的峰值因子的相对误差范围分别为0.001～0.103和0.012～0.155,且抑制端点效应更好。研究结果可为开发基于触电电流动作的新型剩余电流保护装置奠定理论基础。     

基于自适应多分辨率分析的电动拖拉机驱动功率分配策略

燃料电池分布式驱动电动拖拉机（fuel cell distributed drive electric tractor,FCDET）能够有效解决环境污染和能源紧缺问题、推动农业可持续发展。针对FCDET牵引效率低、续航时间短、氢耗量大等问题,该研究提出了基于自适应多分辨率分析（adaptive multi-resolution analysis,AMRA）的犁耕驱动功率分配策略。首先建立燃料电池系统等效电路模型、总效率求解模型、能量耗散模型以及驱动电机响应模型。一次重构策略基于可调Q因子小波变换（tunable Qfactor wavelet transform,TQWT）,获得有效反应功率信号振荡特性的子序列。二次重构策略将低频子序列经过变分模态分解（variational mode decomposition,VMD）为若干个具有特殊稀疏性质的离散子信号。然后采用麻雀搜索算法（sparrow search algorithm,SSA）实时获取VMD的分解层数和二次惩罚因子的最优组合。最后将二次分解后的子序列和子信号按照频率特性进行重构,并将重构功率信号在各个能量源之间重新分配。以E...     

基于VMD的谷物清选筛振动分析与结构优化

针对谷物清选筛运转时转子系统不平衡引起的振动问题,该研究以上筛为鱼鳞筛、下筛为编织筛的曲柄滑块式清选系统为研究对象,测试了其振动特性,并进行结构优化以减小系统的不平衡振动。首先,分析了系统的传动方式与工作原理;其次,使用DH5902动态信号采集仪对系统展开振动测试,采集了驱动机构转子系统轴承座处的振动信号,然后对其进行时、频域分析,计算均方根、功率谱密度来衡量振动强度和主要的频率成分,在此基础上,基于变分模态分解(variational mode decomposition, VMD)和模糊熵与峭度构建的综合指标对信号进行特征提取与分析,以综合指标最小的特征分量为原始信号的敏感分量,计算并分析其包络谱,提取系统的不平衡振动;最后,采用惩罚函数法,以配重块质量和安装位置为优化变量构建优化函数对驱动机构进行优化。结果表明,清选筛不平衡振动主要分布在30.13 Hz处,振动强度为0.24～0.29 dB,优化后的配重块质量为3650 g,距离轮盘中心的偏心距为136.7 mm,在30.13 Hz处振动强度为0.11～0.12 dB,最大下降了58.62%。研究结果可为谷物联合收获机的减振分析与结构优化设计提供参考。     

基于剩余电流固有模态能量特征的生物触电故障诊断模型

针对未来低压电网剩余电流保护技术中,生物触电故障诊断与剩余电流之间具有不确定的潜在规律及关系映射,提出了一种基于剩余电流固有模态能量特征的生物触电故障诊断模型。首先应用Hilbert-Huang变换明确了生物触电故障时,剩余电流各固有模态能量在时间和各种频率尺度上的分布,其中低频IMF分量的能量占有率高达86.35%,建立了剩余电流固有模态能量特征的提取方法;然后以选取剩余电流各IMF分量5维度能量特征向量,为生物触电故障诊断模型提供有效特征的信息源,利用量子遗传计算的快速寻优性和神经计算的自适应性有机结合,建立了一种量子遗传模糊神经网络作为触电故障模式分类归属的决策系统,仿真试验准确率达到100%。为研发基于人体触电电流而动作的新型剩余电流保护装置,提供可靠的理论依据和方法支撑。     

基于局部均值分解的触电故障信号瞬时参数提取

针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解（local mean decomposition, LMD）的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流信号分解为一组乘积函数分量之和,每个乘积函数（product function, PF）分量可以表示为一个调幅信号和一个调频信号的乘积,然后由调幅信号和调频信号分别计算得到信号的瞬时幅值和瞬时频率。与采用希尔伯特黄变换方法相比,LMD具有瞬时频率曲线波动小和瞬时幅值函数端部失真小等优点。仿真信号分析结果表明：对测试信号进行LMD和经验模态分解（empirical mode decomposition, EMD）分解分别得到3个PF分量和5个IMF（intrinsic mode function）分量,分解前后信号的能量变化值分别为0.2851、0.5633,且LMD比EMD所需分解时间短0.0743s,与Hilbert变换相比,该文方法计算的瞬时幅值和瞬时频率更为平滑,在一定程度上避免了Hilbert 变换计算过程中的负频率和端点效应现象。试验信号分析结果表明：对消噪后的总泄漏电流信号进行LMD和EMD分解,分别得到5和6个分量,分解前后信号的能量变化值各为0.5574、0.8896,所用分解时间分别为0.0835、0.2479 s;在求取瞬时频率方面,LMD方法求取的主导分量瞬时频率可判定生物体触电时刻,而经Hilbert变换求取的瞬时频率不仅无法判定生物体触电时刻,还出现了负的频率值,无法解释其物理意义;在求取瞬时幅值方面,该文方法与Hilbert变换求取的触电前总泄漏电流信号的瞬时幅值的平均值分别为11.3240、12.3728 mA,与原生物体无触电时总泄漏电流的幅值11.3538 mA的绝对误差分别为0.0298、1.0190 mA,另外,2种方法求取的生物体触电后总泄漏电流信号的瞬时幅值与原生物体触电后总泄漏电流的幅值的绝对误差分别为0.4340、0.6643 mA。因此,仿真信号和试验信号分析结果均证明所提方法是有效和可行的。     

拖拉机驾驶员颈部疲劳的肌电评价

为了了解拖拉机驾驶员颈部疲劳状况,该文在模拟拖拉机倒车作业的基础上,对驾驶员颈部胸锁乳突肌的表面肌电信号进行了测试,选取积分肌电值、平均功率频率、小波分解系数等特征量对肌电信号进行时域、频域以及时频域分析。结果表明：拖拉机驾驶员颈部疲劳后胸锁乳突肌的积分肌电值、平均功率频率、小波分解系数都降低,疲劳前后各特征量存在显著性差异（P＜0.05）,这些特征量都可以有效评价拖拉机驾驶员的颈部疲劳。     

基于EWT-KMPMR组合模型的光伏电站短期功率预测

为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的光伏电站出力分别进行了预测分析。该文首先采用EWT将相似日光伏功率序列分解为具有特征差异的AM-FM分量,然后根据各AM-FM分量的变化特点建立相应的KMPMR预测模型分别进行预测并叠加得到最终预测结果。试验结果表明,相比SVM方法,该文方法在晴天、阴天和雨天可提高预测精度(MAE)分别为56.19%、54.15%和76.33%;相比EMD-KMPMR方法,在降低近一半左右计算规模的同时,可提高预测精度(MAE)分别为9.42%、38.74%和64.52%。以阿克苏地区光伏电站实际运行数据进行试验验证表明,该文方法在3种天气类型下均可取得较高的预测精度。