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267篇文章
< 1 2 … 14 >
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RIME-VMD和自适应核密度估计的短期风电功率区间预测
1
作者 阿合朱力·吾木尔吾扎克 买买提热依木·阿布力孜 +1 位作者 吴许坤 谢丽蓉 《科学技术与工程》 北大核心 2026年第3期1054-1064,共11页
精准的风电功率预测对于新型电力系统的安全稳定运行和经济调度至关重要。针对传统点预测无法充分反映风电功率不确定性的问题,提出一种短期风电功率点预测与区间预测相结合的模型。首先,采用霜冰优化算法(rime optimization algorithm,... 精准的风电功率预测对于新型电力系统的安全稳定运行和经济调度至关重要。针对传统点预测无法充分反映风电功率不确定性的问题,提出一种短期风电功率点预测与区间预测相结合的模型。首先,采用霜冰优化算法(rime optimization algorithm,RIME)优化变分模态分解(variational mode decomposition,VMD)参数,并对风电功率进行VMD分解。其次,应用皮尔逊相关系数法选取与风电功率关联性较大的气象因素,作为卷积神经网络-双向长短期记忆网络(convolutional neural network-bidirectional long short-term memory network,CNN-BiLSTM)预测模型的输入,最终将得到的各分量预测值叠加得到总点预测值。接着,在点预测的基础上构建自适应核密度估计(adaptive kernel density estimation,AKDE)区间预测模型,即解决了传统核密度估计在不同置信水平下鲁棒性较差的问题,也有效量化了风电功率预测的不确定性。最后,通过对新疆某风电场实测数据的验证与对比分析,得出本文方法在提升风电功率确定性预测精度和区间预测鲁棒性方面具有显著优势。 展开更多
关键词 风电功率 变分模态分解 区间预测 CNN-BiLSTM 自适应核密度估计
在线阅读 下载PDF
基于SABO优化的VMD-KELM滚动轴承故障诊断
2
作者 李家奇 王琳 +4 位作者 谢梦翔 顾渝林 徐子凯 朱怡波 陈冀驰 《沈阳工程学院学报(自然科学版)》 2026年第1期73-79,96,共8页
轴承故障状态的识别对于确保设备的稳定运行起着至关重要的作用。建立一种基于减法平均优化器(SABO)优化变分模态分解(VMD)和核极限学习机(KELM)的滚动轴承故障诊断模型。首先,利用SABO对VMD的关键参数惩罚因子α与模态分量个数K进行寻... 轴承故障状态的识别对于确保设备的稳定运行起着至关重要的作用。建立一种基于减法平均优化器(SABO)优化变分模态分解(VMD)和核极限学习机(KELM)的滚动轴承故障诊断模型。首先,利用SABO对VMD的关键参数惩罚因子α与模态分量个数K进行寻优,找到最佳的参数值;其次,对信号进行分解,利用最小包络熵原则得到最佳内涵模态分量(IMF),并对其进行特征提取,组成特征向量;最后,将得到的特征向量放入经SABO优化后的KELM中进行滚动轴承故障诊断。结果表明,SABO-VMD-SABO-KELM轴承故障诊断模型的故障识别正确率能达到96%,与未经优化的SABO-VMD-KELM模型相比,准确率提高了5%,极大增强了故障识别模型的准确率及鲁棒性。 展开更多
关键词 轴承故障诊断 变分模态分解 减法平均优化器 核极限学习机
在线阅读 下载PDF
基于SFOA-VMD-CMBE和SFOA-KELM的电机滚动轴承故障诊断
3
作者 秦锦程 胡业林 《科学技术与工程》 北大核心 2026年第1期163-171,共9页
针对电机滚动轴承故障特征提取和故障诊断,提出了一种海星算法(starfish optimization algorithm, SFOA)优化变分模态分解(variational mode decomposition, VMD)结合复合多尺度气泡熵(composite multiscale bubble entropy, CMBE)为基... 针对电机滚动轴承故障特征提取和故障诊断,提出了一种海星算法(starfish optimization algorithm, SFOA)优化变分模态分解(variational mode decomposition, VMD)结合复合多尺度气泡熵(composite multiscale bubble entropy, CMBE)为基础的特征提取技术,同时也引入了海星优化算法优化核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先,利用SFOA算法对VMD参数优化,再将振动信号有效分解为多个本征模态分量(intrinsic mode functions, IMFs)。通过计算各IMF与原信号之间的皮尔逊相关系数,筛选出相关系数最大的两个分量;其次,将两个分量重构并计算其复合多尺度气泡熵构成特征向量矩阵;最后,将特征向量矩阵输入SFOA-KELM故障诊断模型进行诊断。实验结果表明,此方法对于故障诊断准确率高达100%,且相比于其他模型在提取故障特征方面表现优异,显著提高了故障诊断的准确率,具有重要应用价值。 展开更多
关键词 变分模态分解 海星优化算法 复合多尺度气泡熵 核极限学习机 轴承故障诊断
在线阅读 下载PDF
基于VMD-KPCA-LSTM的桥梁监测应变数据预测 被引量：6
4
作者 张希望 朱前坤 +1 位作者 王宪玉 杜永峰 《应用基础与工程科学学报》 北大核心 2025年第1期76-86,共11页
桥梁结构健康监测系统在采集数据时会受到各种干扰,数据异常时有发生,难以反应桥梁真实的健康状况.针对数据异常情况,提出了结合变分模态分解(Variational Mode Decomposition,VMD)、核主成分分析(Kernel Principal Component Analysis,... 桥梁结构健康监测系统在采集数据时会受到各种干扰,数据异常时有发生,难以反应桥梁真实的健康状况.针对数据异常情况,提出了结合变分模态分解(Variational Mode Decomposition,VMD)、核主成分分析(Kernel Principal Component Analysis,KPCA)以及长短期记忆神经网络(Long Short-Term Memory neural network,LSTM)的异常数据处理方法,即VMD-KPCA-LSTM.首先,将采集到的数据通过小波降噪和3σ异常剔除进行简单的预处理;然后,利用VMD将数据分解为模态相对稳定的应变分量;再次使用KPCA进行非线性降维;最后,进行各分量的LSTM预测,整合得到总的应变重构时序.与BP模型、GRU模型、LSTM模型和VMD-PCA-LSTM模型相比,VMD-KPCA-LSTM模型的MAPE分别降低了19.948%、13.621%、11.724%、7.238%.因此,提出的VMD-KPCA-LSTM模型可以更好地用于斜拉桥应变异常数据的预测,为桥梁健康状况评估分析提供了坚实的数据基础. 展开更多
关键词 桥梁工程 健康监测 变分模态分解 核主成分分析 长短期记忆神经网络 数据预测
原文传递
基于容量增量分析与VMD-GWO-KELM的锂电池健康状态估计
5
作者 陈峥 多功东 +3 位作者 申江卫 沈世全 刘昱 魏福星 《储能科学与技术》 北大核心 2025年第6期2476-2487,共12页
为克服传统健康状态估计方法中的特征提取质量不足、非线性特性复杂及模型参数优化困难等问题,本工作提出一种基于容量增量分析与VMD-GWO-KELM的健康状态估计方法。首先,本工作通过改进的基于洛伦兹函数的电压容量模型,对电池恒流充电... 为克服传统健康状态估计方法中的特征提取质量不足、非线性特性复杂及模型参数优化困难等问题,本工作提出一种基于容量增量分析与VMD-GWO-KELM的健康状态估计方法。首先,本工作通过改进的基于洛伦兹函数的电压容量模型,对电池恒流充电过程中的电压-容量数据进行拟合,提取峰电压、峰值和峰面积等健康特征,并利用灰狼优化算法完成模型参数识别,从而有效提升了特征提取质量和鲁棒性。其次,采用变分模态分解技术对健康状态信号进行多尺度分解,将模态分量作为独立子模型的输入,捕捉不同频域的关键特性,降低了信号混叠和噪声影响。然后,结合灰狼优化算法对核极限学习机模型的关键参数进行优化,显著提高了非线性拟合能力和估计精度。最后,通过不同训练量、不同估计模型对比和多电池数据的验证,全面评估模型性能。实验结果表明,本工作提出的算法在仅使用100次循环数据的情况下,即可实现高精度健康状态估计,平均绝对误差为0.9751%,最大误差为1.9340%,同时表现出良好的鲁棒性和泛化能力。 展开更多
关键词 锂离子电池 健康状态 容量增量分析 变分模态分解 灰狼优化 核极限学习机
在线阅读 下载PDF
基于多元变分模态分解的行星齿轮箱故障诊断方法 被引量：3
6
作者 别锋锋 张瀚阳 +3 位作者 李倩倩 丁学平 束雨 陈素珍 《机械设计与研究》 北大核心 2025年第2期364-370,共7页
风电作为其中的一种重要形式,正在逐渐成为能源结构转型的主力军。风电机组中行星齿轮箱是关键的传动部件,其故障诊断对于保障风电机组的安全稳定运行至关重要。面向行星齿轮箱故障状态信息的非线性、非平稳特性,提出一种基于多元变分... 风电作为其中的一种重要形式,正在逐渐成为能源结构转型的主力军。风电机组中行星齿轮箱是关键的传动部件,其故障诊断对于保障风电机组的安全稳定运行至关重要。面向行星齿轮箱故障状态信息的非线性、非平稳特性,提出一种基于多元变分模态分解(MVMD)的故障诊断方法,该方法结合了多元变分模态分解与蝙蝠优化算法(BA),以最小化固有模态函数(IMF)分量的局部包络熵为优化目标,运用蝙蝠算法对分解层数K和惩罚因子α进行智能寻优。相较于传统的手动寻优方式,该方法旨在更高效地找到最优的MVMD参数组合,从而更为有效地从各种故障状态中提取出信号的特征参数,利用这些优化后的参数,依托MVMD算法对原始信号进行分解,计算有效IMF分量的多尺度排列熵(MPE),构建故障特征向量,将这些特征向量输入到核极限学习机(KELM)进行训练和识别,最终实现齿轮状态模式的精确识别。 展开更多
关键词 多元变分模态分解 行星齿轮箱 多尺度排列熵 模式识别 核极限学习机
原文传递
基于EVMD-Informer的网络安全态势预测方法
7
作者 王娜 常娅明 张鑫海 《信息与控制》 北大核心 2025年第5期772-786,800,共16页
针对网络安全态势数据具有较强非平稳与非线性特性,而易导致传统数据驱动预测模型精度降低的问题,提出一种基于EVMD-Informer(Enhanced Variational Mode Decomposition-Informer)的网络安全态势预测方法。首先,提出改进变分模态分解法... 针对网络安全态势数据具有较强非平稳与非线性特性,而易导致传统数据驱动预测模型精度降低的问题,提出一种基于EVMD-Informer(Enhanced Variational Mode Decomposition-Informer)的网络安全态势预测方法。首先,提出改进变分模态分解法,来获得原始数据的分解子集,降低数据的非平稳性,提高预测的准确性;其次,利用凝聚层次聚类来重构子集,以精简冗余的分量,并作为Informer模型的输入;再引入高斯核函数以改进Informer预测模型的精度。最后,采用标准网络安全数据集NSL-KDD(Network Security Lab-Knowledge Discovery Dataset)进行仿真验证,表明所提方法与传统方法相比具有较高的预测精度,预测误差MSE(Mean Square Error)可达0.00513%。 展开更多
关键词 态势预测 改进变分模态分解 凝聚层次聚类 Informer神经网络 核函数
原文传递
基于组合深度学习的风电功率区间预测 被引量：2
8
作者 蒋建东 赵云飞 +3 位作者 韩文轩 燕跃豪 鲍薇 刘晓辉 《郑州大学学报(工学版)》 北大核心 2025年第3期50-58,共9页
为了提高风电功率区间预测的精度,提出了一种基于组合深度学习的风电功率区间预测模型。首先,针对传统蜣螂优化算法(DBO)存在全局寻优能力和局部探索能力不均衡的问题,提出了一种改进的蜣螂优化算法(POTDBO)。该算法通过增强全局寻优能... 为了提高风电功率区间预测的精度,提出了一种基于组合深度学习的风电功率区间预测模型。首先,针对传统蜣螂优化算法(DBO)存在全局寻优能力和局部探索能力不均衡的问题,提出了一种改进的蜣螂优化算法(POTDBO)。该算法通过增强全局寻优能力并改进局部探索策略,优化变分模态分解(VMD)中的分解个数K和惩罚因子β,从而提高VMD的分解效果。其次,基于优化后的VMD分解结果,构建了组合深度学习模型POTDBO-VMD-CNN-BiLSTM。该模型利用卷积神经网络(CNN)提取风电功率的空间特征,并结合双向长短期记忆网络(BiLSTM)充分捕捉数据中的历史信号特征和未来信号特征,对各分量分别预测并叠加重构,从而实现了风电功率的准确预测。再次,引入了非参数核密度估计法(KDE)对组合模型的预测误差进行拟合,从而得到不同置信区间下的风电功率区间预测结果。最后,运用新疆某风电场的实际运行数据对所提模型进行了验证。仿真结果表明:在置信水平为95%时,与高斯分布、T分布相比,所提方法在预测区间覆盖宽度CWC上分别降低了0.1036,0.1714,在区间预测精度上有所提升。 展开更多
关键词 风电功率区间预测 蜣螂优化算法 变分模态分解 非参数核密度估计
在线阅读 下载PDF
基于MIC特征提取与ICEEMD-RIME-DHKELM的建筑业碳排放预测模型 被引量：2
9
作者 张新生 聂达文 陈章政 《环境工程》 2025年第4期46-58,共13页
为解决建筑业碳排放研究中影响因素选取局限性、数据预处理不足、碳排放复杂动态变化及非线性问题,提出了一种基于最大信息系数(MIC)特征提取、改进互补集合经验模态分解(ICEEMD)、雾凇优化算法(RIME)与深度混合核极限学习机(DHKELM)的... 为解决建筑业碳排放研究中影响因素选取局限性、数据预处理不足、碳排放复杂动态变化及非线性问题,提出了一种基于最大信息系数(MIC)特征提取、改进互补集合经验模态分解(ICEEMD)、雾凇优化算法(RIME)与深度混合核极限学习机(DHKELM)的建筑业碳排放量预测模型。首先,根据IPCC计算方法,从直接和间接两个方面测算1992—2021年我国建筑业碳排放量,基于STIRPAT模型选取年末总人口数、国内生产总值、建筑业房屋竣工面积和能源结构等17个影响建筑业碳排放量的因素,然后利用灰色关联分析和MIC方法两阶段筛选出12个关键影响因素;其次,使用ICEEMD将建筑业碳排放量分解为多个平稳序列和一个残差项,并将其分别代入RIME算法优化关键参数后的DHKELM模型中。最后,将各分解序列的预测结果相加获得建筑业碳排放预测值,并对比分析多种基准模型的预测结果。结果显示:MIC-ICEEMD-RIME-DHKELM模型的预测性能最优,其均方根误差、平均绝对误差、平均绝对百分比误差和绝对相关系数分别为0.2782亿t、0.2672亿t、1.3783%和0.9576,均优于其他模型,证明该模型适用于建筑业碳排放量的预测。该研究成果为建筑业的低碳发展提供理论支持和技术参考。 展开更多
关键词 建筑业 碳排放 最大信息系数 改进互补集合经验模态分解 雾凇优化算法 深度混合核极限学习机
原文传递
适应拓扑变化的数据驱动电力系统暂态主导失稳模式识别方法 被引量：2
10
作者 周芮 杨燕 +4 位作者 余娟 杨知方 朱晟毅 余亚南 孙昕炜 《中国电机工程学报》 北大核心 2025年第9期3436-3447,I0013,共13页
电力系统暂态电压与功角混合失稳下的主导失稳模式(dominant instability mode,DIM)识别对制定快速调整措施至关重要。然而,现有数据驱动方法因拓扑变化适应能力不足,导致识别精度下降甚至失效。由此,该文提出一种适应拓扑变化的数据驱... 电力系统暂态电压与功角混合失稳下的主导失稳模式(dominant instability mode,DIM)识别对制定快速调整措施至关重要。然而,现有数据驱动方法因拓扑变化适应能力不足,导致识别精度下降甚至失效。由此,该文提出一种适应拓扑变化的数据驱动DIM识别方法。首先,提出基于K-means聚类和多随机卷积核变换的DIM高精度智能识别基础模型,利用K-means自适应选取关键暂态曲线,基于多随机卷积核变换表征暂态曲线斜率、失稳持续时间等重要DIM判断特征,从而适应拓扑变化并高效提取暂态曲线时序特征。其次,针对单个基础模型输出不确定性、可信度不足问题,提出基于Bagging集成学习和误差-分歧分解理论的DIM智能识别框架,自适应最优选择多个基础模型共同决策,提高结果的稳定性和可信性。最后,在中国电力科学研究院有限公司36节点系统及其修改系统、某实际电网8897节点系统上的算例分析表明,所提方法可在保证较高DIM识别精度的情况下适应拓扑变化,验证了方法的有效性。 展开更多
关键词 暂态稳定 主导失稳模式 关键曲线选取 多随机卷积核变换 集成学习
原文传递
基于SGMD-GKS的机械复合故障诊断方法
11
作者 王自忠 潘海洋 +2 位作者 郑近德 程健 童靳于 《振动与冲击》 北大核心 2025年第24期289-297,共9页
针对辛几何模态分解(symplectic geometry mode decomposition,SGMD)难以完成强噪声干扰模式下振动信号有效分解的问题,提出一种基于高斯核相似度聚类的辛几何模态分解(symplectic geometry mode decomposition-Gaussian kernel similar... 针对辛几何模态分解(symplectic geometry mode decomposition,SGMD)难以完成强噪声干扰模式下振动信号有效分解的问题,提出一种基于高斯核相似度聚类的辛几何模态分解(symplectic geometry mode decomposition-Gaussian kernel similarity,SGMD-GKS)方法。在SGMD-GKS方法中,首先,对初始分量进行GKS聚类,实现强噪声干扰模式下不同模态准确分割;其次,引入包络谱峰值因子衡量模态的归属类型并作为聚类终止条件;最后,计算模态中各峰值对包络谱峰值因子的贡献度,进一步完成故障特征的深度挖掘。仿真和实际复合故障信号试验结果表明,SGMD-GKS方法可以实现复合故障振动信号不同模态的准确划分,并完成有效诊断。 展开更多
关键词 故障诊断 辛几何模态分解(SGMD) 高斯核相似度(GKS) 包络谱峰值因子
在线阅读 下载PDF
锐华实时进程版操作系统远程调试原理研究与实现
12
作者 何玲玲 《工业控制计算机》 2025年第9期27-28,31,共3页
随着锐华实时进程版操作系统在海陆空等领域的应用越来越广泛,软件开发的规模也不断扩大,为了便于跟踪调试分析问题,急切需要远程调试功能,于是在该系统上研发了基于GDB的网络调试功能。研究了锐华实时进程版操作系统下使用GDB进行远程... 随着锐华实时进程版操作系统在海陆空等领域的应用越来越广泛,软件开发的规模也不断扩大,为了便于跟踪调试分析问题,急切需要远程调试功能,于是在该系统上研发了基于GDB的网络调试功能。研究了锐华实时进程版操作系统下使用GDB进行远程调试的原理,介绍了关键模块的实现过程,并在ARMV7架构的FMQL45平台上针对内核态任务和用户态任务分别进行了网络调试功能的验证。GDB网络调试的实现方法对于其他处理器架构远程调试环境的建立具有参考价值。 展开更多
关键词 锐华实时进程版 GDB 网络调试 内核态 用户态
在线阅读 下载PDF
锐华实时进程版操作系统用户态应用加载器的设计与实现
13
作者 何玲玲 《工业控制计算机》 2025年第10期76-78,共3页
针对复杂电子装备大规模、分布式环境下的协同开发、不同厂商的软件模块产品集成、应用程序升级、应用备份、故障恢复等需求,考虑到进程内用户态应用需要分配与内核态完全独立的内存空间,并且它依赖无法预先加载的动态库或者静态库,动... 针对复杂电子装备大规模、分布式环境下的协同开发、不同厂商的软件模块产品集成、应用程序升级、应用备份、故障恢复等需求,考虑到进程内用户态应用需要分配与内核态完全独立的内存空间,并且它依赖无法预先加载的动态库或者静态库,动态加载机制无法完成此类应用的加载,对这类应用的加载机制进行了研究,并基于锐华实时进程版操作系统设计实现了使用musl libc库的用户态应用的加载器,并在国产处理器FT2000/4平台上完成了用户态应用加载和运行的验证,保证了方案的可行有效。该设计方案对于其他的嵌入式操作系统加载进程级用户态应用具有参考价值。 展开更多
关键词 锐华实时进程版操作系统 ELF格式 加载器 内核态 用户态
在线阅读 下载PDF
内核噪声拓展自适应多元变分模态分解及机械复合故障诊断应用
14
作者 孙世博 袁静 +2 位作者 赵倩 蒋会明 魏颖 《机械工程学报》 北大核心 2025年第11期171-182,共12页
为解决复合故障特征信息难以有效同步获取问题,提出一种内核噪声拓展自适应多元变分模态分解的机械复合故障诊断方法。首先,利用核主成分分析和奇异熵增量曲率谱设计多元噪声同步估计技术,通过对多元信号高维空间模型进行降维和重构处理... 为解决复合故障特征信息难以有效同步获取问题,提出一种内核噪声拓展自适应多元变分模态分解的机械复合故障诊断方法。首先,利用核主成分分析和奇异熵增量曲率谱设计多元噪声同步估计技术,通过对多元信号高维空间模型进行降维和重构处理,有效地从非线性原始信号中同步获取多元噪声分量。其次,利用同步估计的多元噪声分量构造内核噪声拓展模型作为输入数据源,提高相应分解层带宽选取准确性以改善模态混淆现象,为复合故障特征有效分离提供解决方案。同时,结合带宽平衡参数更新策略,为内核噪声拓展模型设计用于递归并行分解的新目标函数,自适应选择最优分解层数和各分解层多元本征模态函数(Intrinsic mode function,IMF)带宽平衡参数。最终,输出完整多元期望IMF集合以同步提取复合故障特征。由工程实例结果表明,所提方法可有效应用于机车走行部轴承和星载天线指向机构谐波减速器复合故障诊断。 展开更多
关键词 多元变分模态分解 核主成分分析 多元噪声利用 同步提取 复合故障诊断
原文传递
顾及导热系数与冻土环境变量的高铁路基冻深预测LSTM模型构建及应用
15
作者 张超越 魏冠军 《铁道科学与工程学报》 北大核心 2025年第8期3352-3363,共12页
提高季节性冻土区高铁路基冻深预测精度,对保证寒区高速铁路的安全调度和平稳运行具有重要意义。针对现有季冻区高铁路基冻深预测模型缺乏利用多元环境序列信息的问题,提出一种顾及导热系数与冻土环境变量的高铁路基冻深预测LSTM模型,... 提高季节性冻土区高铁路基冻深预测精度,对保证寒区高速铁路的安全调度和平稳运行具有重要意义。针对现有季冻区高铁路基冻深预测模型缺乏利用多元环境序列信息的问题,提出一种顾及导热系数与冻土环境变量的高铁路基冻深预测LSTM模型,以兰新高铁山丹马场−民乐路段DK371+900、DK383+345和DK391+9403处断面为例,对2015-2017年冻深快速增长期的路基冻深进行预测。该模型首先利用EMD算法对导热系数与冻土环境变量时序数据进行信号分解,得到一系列具有不同特征尺度的数据序列,体现出原数据的趋势与波动性,增加数据的细节和多样性;再利用KPCA算法提取出影响路基冻深的关键因子,实现数据降维,消除因EMD产生的数据冗余;最后通过LSTM网络实现基于多变量的路基冻深预测。研究结果表明:该模型较传统路基冻深预测模型、EMD-LSTM模型、多变量BP神经网络模型、多变量LSTM模型有更高的精确度。模型在3处断面路基冻深预测的平均绝对误差(f_(mae))为0.029、0.033和0.060 m;均方根误差(f_(rmse))为0.036、0.042和0.075 m;拟合优度(R2)为0.924、0.949和0.906。其f_(mae)与f_(rmse)相比于传统路基冻深预测模型最高降低了89.1%和86.8%;相比于EMD-LSTM模型最高降低了87.7%和85.7%;相比于多变量BP神经网络模型最高降低了66.3%和64.7%;相比于多变量LSTM模型最高降低了60.2%和56.7%。研究结果可为季节性冻土区高铁路基冻深预测提供一种新的参考。 展开更多
关键词 高铁路基 经验模态分解 核主成分分析 长短期记忆神经网络 冻结深度预测
在线阅读 下载PDF
基于特征融合与KELM的谐振接地系统故障选线
16
作者 周凡博 陈家晖 孔玲玲 《电子设计工程》 2025年第20期47-51,共5页
针对谐振接地系统在发生单相接地故障时,故障特征受过渡电阻、故障合闸角等因素影响变得微弱难以提取,导致故障识别率低的问题,提出一种综合零序电流高低频段分量特征的核极限学习机(Kernel Extreme Learning Machine,KELM)故障选线方... 针对谐振接地系统在发生单相接地故障时,故障特征受过渡电阻、故障合闸角等因素影响变得微弱难以提取,导致故障识别率低的问题,提出一种综合零序电流高低频段分量特征的核极限学习机(Kernel Extreme Learning Machine,KELM)故障选线方法。利用参数优化的变分模态分解(Variational Modal Decomposition,VMD)获取各馈线零序电流的高低频段分量,分别计算低频分量的希尔伯特边际谱能量熵和高频分量的初始一阶差分,将两者构造成故障特征向量,输入到KELM模型中进行训练,实现选线。通过仿真测试,该选线方法准确率能达到100%且具有良好的抗噪性。 展开更多
关键词 谐振接地 变分模态分解 特征融合 核极限学习机
在线阅读 下载PDF
基于白鲨算法与改进长短期记忆网络的光伏出力预测 被引量：2
17
作者 闫朝阳 李蓝青 +3 位作者 徐浩嘉 庄锁 张振华 戎子睿 《发电技术》 2025年第4期778-787,共10页
【目的】为了保障光伏接入后电力系统的安全稳定与经济运行,提出了一种基于白鲨算法与改进长短期记忆(long short-term memory,LSTM)网络的光伏功率预测模型,并采用白鲨优化(white shark optimization,WSO)算法优化预测模型参数。【方... 【目的】为了保障光伏接入后电力系统的安全稳定与经济运行,提出了一种基于白鲨算法与改进长短期记忆(long short-term memory,LSTM)网络的光伏功率预测模型,并采用白鲨优化(white shark optimization,WSO)算法优化预测模型参数。【方法】为充分考虑影响光伏输出功率的环境变量,首先采用变分模态分解(variational mode decomposition,VMD)方法对环境因子序列进行分解,以降低序列的非平稳性。接着,利用核主成分分析(kernel principal component analysis,KPCA)方法提取主要影响因素的特征序列,获得最佳的气象特征序列。最后,使用LSTM网络预测多变量特征序列,并使用WSO算法优化LSTM网络的参数,以实现对光伏出力的精确预测。【结果】与传统的光伏功率预测方法相比,该模型显著提高了光伏发电功率的预测精度。【结论】采用WSO算法优化LSTM中的隐藏单元数目、最大训练周期、初始学习率,可以有效地提高优化的效率和精度,为高比例光伏接入后系统的稳定运行提供了参考依据。 展开更多
关键词 太阳能 光伏发电 光伏出力预测 核主成分分析 变分模态分解 长短期记忆网络 白鲨优化算法
在线阅读 下载PDF
融合自适应特征与优化KELM的抽蓄机组振动预测 被引量：1
18
作者 付文龙 祝鑫锋 +4 位作者 熊浩伟 相莹 邵孟欣 孔泽昊 孙政 《水力发电学报》 北大核心 2025年第8期20-30,共11页
为了减小振动信号的非线性与非平稳特性对振动预测精度的影响,本文提出了一种融合自适应特征与优化核极限学习机(KELM)的抽蓄机组振动预测方法。首先,利用改进的自适应噪声完全集成经验模态分解(ICEEMDAN)对振动信号进行分解,获得不同... 为了减小振动信号的非线性与非平稳特性对振动预测精度的影响,本文提出了一种融合自适应特征与优化核极限学习机(KELM)的抽蓄机组振动预测方法。首先,利用改进的自适应噪声完全集成经验模态分解(ICEEMDAN)对振动信号进行分解,获得不同频率成分的本征模态分量;其次,采用自编码器(AE)对所得分量进行自适应特征提取,动态捕捉关键特征;然后,建立KELM预测模型分别对各分量进行预测,并提出差分进化—改进哈里斯鹰算法(DEIHHO)对KELM的正则化参数与核参数进行优化,进而叠加各分量预测结果得到机组振动的最终预测结果;最后,通过实例验证表明,所提方法具有较好的预测性能,能够有效提高抽水蓄能机组振动预测的准确性。 展开更多
关键词 振动预测 自适应特征 核极限学习机 改进的自适应噪声完全集成经验模态分解 自编码器 差分进化–改进哈里斯鹰算法
在线阅读 下载PDF
基于GVB-CEEMD-DWT的数据变点检测方法及应用
19
作者 郭建平 《统计与决策》 北大核心 2025年第22期24-30,共7页
数据变点检测对于分析序列变化规律、研判未来演进态势具有重要价值。文章联合高斯模糊、完全聚合经验模态分解、小波变换等数据处理方法,协同利用不同方法的优势,构建多模态组合检测法,研究数据序列的变点检测问题。以2022年1月4日至2... 数据变点检测对于分析序列变化规律、研判未来演进态势具有重要价值。文章联合高斯模糊、完全聚合经验模态分解、小波变换等数据处理方法,协同利用不同方法的优势,构建多模态组合检测法,研究数据序列的变点检测问题。以2022年1月4日至2022年12月30日我国上证综合指数243个交易日的数据为样本,进行实证研究,结果显示:对于经过高斯模糊和模态分解后的主因子序列,由于信噪比的提升,数据中的真实变化模式更加清晰地显现,使得后续小波变换能够更为准确地提取数据生成过程中的关键特征,提升了变点检测准确率;不同分辨率级别的高频细节系数对序列变化的敏感度存在显著差异,较高级别分辨率的细节系数能够显示序列更加细微的变化,识别出序列变点,而较低分辨率级别的细节系数则无法反映序列的细微变化,不具备变点识别能力;股市收益率序列的波动主要来源于市场随机扰动,长期趋势成分对序列波动的影响几乎可以忽略不计,说明股价在某种程度上不具有可预测性。 展开更多
关键词 正态卷积核 高斯模糊 完全聚合经验模态分解 小波变换 变点检测
原文传递
基于SVMD-KPCA-LSTM的多数据融合间歇能源发电系统功率预测
20
作者 陈欣铭 张威 《上海电机学院学报》 2025年第4期193-198,211,共7页
针对可再生能源发电系统输出功率具有间歇性、难以被准确预测的问题,本文提出一种基于长短期记忆(LSTM)网络的功率预测方法。该方法将逐次变分模态分解(SVMD)、核主成分分析(KPCA)与LSTM网络相融合进行功率预测。首先,利用SVMD对影响光... 针对可再生能源发电系统输出功率具有间歇性、难以被准确预测的问题,本文提出一种基于长短期记忆(LSTM)网络的功率预测方法。该方法将逐次变分模态分解(SVMD)、核主成分分析(KPCA)与LSTM网络相融合进行功率预测。首先,利用SVMD对影响光伏和风力发电单元功率输出的环境因素进行分解;其次,通过KPCA进行主成分分析,筛选出关键影响因素以降低计算复杂度;最后,应用LSTM网络实现功率预测。结果表明:本文所提出的SVMD-KPCA-LSTM方法有效提高了间歇能源发电系统输出功率的预测准确性。 展开更多
关键词 间歇能源发电 长短期记忆网络 逐次变分模态分解 核主成分分析 功率预测
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 … 14 下一页 到第 页
使用帮助 返回顶部