期刊文献+
共找到72篇文章
< 1 2 4 >
每页显示 20 50 100
基于RIME-VMD联合小波阈值的爆破振动信号去噪方法
1
作者 王薇 程忠耀 +1 位作者 向延念 宋良俊 《铁道科学与工程学报》 北大核心 2026年第1期465-479,共15页
随着现代化建设的加速推进,邻近既有建筑的爆破作业日益增多,监测和分析爆破引起的振动对结构安全的评估至关重要。然而,爆破振动信号的非线性特性和复杂的环境因素干扰使得从实测信号中提取有效信号成分难度较大,给后续的信号分析造成... 随着现代化建设的加速推进,邻近既有建筑的爆破作业日益增多,监测和分析爆破引起的振动对结构安全的评估至关重要。然而,爆破振动信号的非线性特性和复杂的环境因素干扰使得从实测信号中提取有效信号成分难度较大,给后续的信号分析造成了较大影响。为提高爆破振动信号的降噪精度,将雾凇优化算法(RIME)、变分模态分解(VMD)和小波阈值进行融合,形成一种爆破振动信号联合去噪方法。该方法首先通过雾凇优化算法对VMD关键参数进行优化,然后通过优化后的VMD对振动信号进行自适应分解,剔除方差贡献率较低的分量,再采用小波阈值对筛选后的分量进行降噪处理,最终重构得到去噪后的信号。对该方法的降噪效果进行仿真分析和实际工程验证,结果表明:在仿真信号分析中,经RIME-VMD联合小波阈值的降噪方法去噪后的信号与无噪声的纯净信号相比,形状与特征高度吻合,且信噪比(SNR)和均方根误差(RMSE)等去噪指标优于EMD、小波阈值、EMD联合小波阈值等常用去噪方法;经工程实际案例验证,该方法能够在极大保留原信号基本特征的前提下,有效去除爆破振动信号中的高频噪声,降噪后信号更加符合爆破振动信号的主频范围,且具有比EMD、小波阈值、EMD联合小波阈值等常用去噪方法更好的去噪效果。该研究成果对爆破振动信号的降噪处理具有参考意义。 展开更多
关键词 爆破振动 信号处理 联合降噪 雾凇优化算法 变分模态分解 小波阈值去噪
在线阅读 下载PDF
基于RIME-CNN-LSTM-AM模型的智能电网短期电价预测方法
2
作者 周洋洋 王玲芝 赵佳蕊 《电力信息与通信技术》 2026年第2期10-18,共9页
在智能电网体系中,电价受供需关系、市场机制及外部环境等因素影响呈现出较大的波动性,显著增加了智能电网调度环节的复杂程度。文章提出一种基于深度学习的短期电价预测模型,在传统长短期记忆网络(long short-term memory,LSTM)中引入... 在智能电网体系中,电价受供需关系、市场机制及外部环境等因素影响呈现出较大的波动性,显著增加了智能电网调度环节的复杂程度。文章提出一种基于深度学习的短期电价预测模型,在传统长短期记忆网络(long short-term memory,LSTM)中引入卷积神经网络(convolutional neural network,CNN)的卷积特征提取模块与注意力机制(attention mechanism,AM)的权重分配方法。同时,采用霜冰优化算法(rime optimization algorithm,RIME)对模型学习率、CNN卷积核大小和LSTM网络隐含层节点数量进行优化,获得最优参数组合,构建RIME-CNN-LSTM-AM短期电价预测模型。为验证文章方法的优越性,基于3组不同时段的电价数据,将RIME-CNN-LSTM-AM模型与CNN-LSTM-AM、PSO-CNN-LSTM-AM和SSA-CNN-LSTM-AM 3种模型进行对比,分别计算4种预测模型的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差和相关系数5种误差评价指标,以及基于Wilcoxon符号秩检验的显著性统计结果。实验结果表明,与3种模型相比,文章提出的RIME-CNN-LSTM-AM模型具有更优越的预测性能。 展开更多
关键词 短期电价预测 长短期记忆网络 卷积神经网络 注意力机制 霜冰优化算法
在线阅读 下载PDF
基于RIME优化VMD与xLSTM-Informer的短期风电功率预测
3
作者 余炜嘉 沈杰 江明 《科技和产业》 2026年第3期24-32,共9页
针对风电机组并网后功率波动性强、非平稳性高的问题,提出一种基于霜冰优化算法(RIME)、变分模态分解(VMD)、扩展型长短期记忆(xLSTM)网络与Informer融合的短期预测方法。首先,利用RIME自适应寻优VMD参数以缓解模态重叠和端点效应,提高... 针对风电机组并网后功率波动性强、非平稳性高的问题,提出一种基于霜冰优化算法(RIME)、变分模态分解(VMD)、扩展型长短期记忆(xLSTM)网络与Informer融合的短期预测方法。首先,利用RIME自适应寻优VMD参数以缓解模态重叠和端点效应,提高分解稳定性;然后,将分解得到的子序列输入xLSTM与Informer构建的深度预测模块,开展多尺度时空建模并重构输出。算例结果表明,该方法在多项误差指标上显著优于对比模型,预测精度与鲁棒性均有提升。 展开更多
关键词 风电功率预测 变分模态分解(VMD) 霜冰优化算法(rime) xLSTM(扩展型长短期记忆网络) INFORMER
在线阅读 下载PDF
TERIME:An Improved RIME Algorithm With Enhanced Exploration and Exploitation for Robust Parameter Extraction of Photovoltaic Models
4
作者 Shi-Shun Chen Yu-Tong Jiang +1 位作者 Wen-Bin Chen Xiao-Yang Li 《Journal of Bionic Engineering》 2025年第3期1535-1556,共22页
Parameter extraction of photovoltaic(PV)models is crucial for the planning,optimization,and control of PV systems.Although some methods using meta-heuristic algorithms have been proposed to determine these parameters,... Parameter extraction of photovoltaic(PV)models is crucial for the planning,optimization,and control of PV systems.Although some methods using meta-heuristic algorithms have been proposed to determine these parameters,the robustness of solutions obtained by these methods faces great challenges when the complexity of the PV model increases.The unstable results will affect the reliable operation and maintenance strategies of PV systems.In response to this challenge,an improved rime optimization algorithm with enhanced exploration and exploitation,termed TERIME,is proposed for robust and accurate parameter identification for various PV models.Specifically,the differential evolution mutation operator is integrated in the exploration phase to enhance the population diversity.Meanwhile,a new exploitation strategy incorporating randomization and neighborhood strategies simultaneously is developed to maintain the balance of exploitation width and depth.The TERIME algorithm is applied to estimate the optimal parameters of the single diode model,double diode model,and triple diode model combined with the Lambert-W function for three PV cell and module types including RTC France,Photo Watt-PWP 201 and S75.According to the statistical analysis in 100 runs,the proposed algorithm achieves more accurate and robust parameter estimations than other techniques to various PV models in varying environmental conditions.All of our source codes are publicly available at https://github.com/dirge1/TERIME. 展开更多
关键词 Photovoltaic modeling rime algorithm optimization problems Meta-heuristic algorithms STABILITY
在线阅读 下载PDF
基于RIME-IAOA的混合模型短期光伏功率预测 被引量:2
5
作者 王仁明 魏逸明 席磊 《三峡大学学报(自然科学版)》 CAS 北大核心 2025年第1期81-88,共8页
光伏发电在如今的新能源发展中逐渐成为重点,其中光伏功率预测成为研究的主要方向.为了提升光伏功率预测的精度和效率,提出了RIME-VMD-IAOA-LSTM模型.该模型通过霜冰优化算法(RIME)优化变分模态分解(VMD)的参数来提升分解效率;引入余弦... 光伏发电在如今的新能源发展中逐渐成为重点,其中光伏功率预测成为研究的主要方向.为了提升光伏功率预测的精度和效率,提出了RIME-VMD-IAOA-LSTM模型.该模型通过霜冰优化算法(RIME)优化变分模态分解(VMD)的参数来提升分解效率;引入余弦控制因子的动态边界策略来控制算数优化算法(AOA)数值的增长速率从而提升算法的精度和稳定性;利用自适应T分布变异策略来改进AOA的局部搜索能力和全局开发能力,更好地避免局部最优解.两种智能优化算法的加入使得整体模型的预测效率和速度都有很大提升,实验结果表明组合模型RIMEVMD-IAOA-LSTM相比于其他预测模型有较高的光伏功率预测精度. 展开更多
关键词 霜冰优化算法 变分模态分解 算术优化算法 余弦控制因子策略 自适应T分布策略 短期光伏功率预测
在线阅读 下载PDF
基于CLSRIME-XGBOOST的带式输送机托辊故障诊断方法
6
作者 江帆 程舒曼 +4 位作者 朱真才 周公博 李强 刘全辉 宋鸿炎 《振动.测试与诊断》 北大核心 2025年第4期666-673,840,共9页
针对声音信号分析在诊断带式输送机托辊故障中的高维特征存在信息冗余、计算量大和诊断效果不理想等问题,笔者构建了声音信号特征精简策略,基于Circle混沌映射、Levy飞行策略和正弦因子改进了霜冰优化算法(rime optimization algorithm... 针对声音信号分析在诊断带式输送机托辊故障中的高维特征存在信息冗余、计算量大和诊断效果不理想等问题,笔者构建了声音信号特征精简策略,基于Circle混沌映射、Levy飞行策略和正弦因子改进了霜冰优化算法(rime optimization algorithm,简称RIME),记作CLSRIME。再结合极致梯度提升模型(extreme gradient boosting,简称XGBOOST),构建了CLSRIME-XGBOOST带式输送机托辊轴承故障诊断方法。首先,利用梅尔倒谱系数(Melscale frequency cepstral coefficient,简称MFCC)融合方法提取信号关键特征,并通过t-分布领域嵌入算法(t-distributed stochastic neighbor embedding,简称tSNE)进行降维,构建了基于MFCC和tSNE的精简特征提取策略;其次,针对RIME存在初始种群分布不均、霜冰粒子搜索能力弱、收敛速度较慢的问题,引入Circle混沌映射、Levy飞行策略和正弦因子,设计了CLSRIME;最后,利用CLSRIME优化XGBOOST中树的深度、迭代次数及学习率等参数,构建了基于CLSRIME-XGBOOST的诊断模型。结果表明,所提方法能够精简表征托辊轴承故障状态的特性信息,改善了RIME的优化性能,提高了传统XGBOOST诊断模型的准确率,为带式输送机托辊故障诊断提供了新思路。 展开更多
关键词 带式输送机 改进rime算法 MFCC XGBOOST 故障诊断
在线阅读 下载PDF
基于RIME优化VMD与TCN-Crossformer多尺度融合的短期电力负荷预测 被引量:2
7
作者 黄宇 胡怡然 +3 位作者 马金杰 梁博彦 崔玉雷 张浩 《电力科学与工程》 2025年第8期48-57,共10页
针对电力负荷序列的多尺度非平稳性与跨维度动态关联特征导致的协同建模难题,提出了一种基于霜冰优化算法(Rime optimization algorithm,RIME)改进的变分模态分解(Variational mode decomposition,VMD)与时间卷积网络(Temporal convolut... 针对电力负荷序列的多尺度非平稳性与跨维度动态关联特征导致的协同建模难题,提出了一种基于霜冰优化算法(Rime optimization algorithm,RIME)改进的变分模态分解(Variational mode decomposition,VMD)与时间卷积网络(Temporal convolutional network,TCN)-Crossformer多尺度融合的预测模型。首先,利用RIME算法以样本熵均值为适应度函数,自适应优化VMD的惩罚系数与模态数,抑制模态混叠并提升分解质量;其次,通过TCN的因果卷积与膨胀卷积结构提取各模态分量的局部时序波动特征,捕捉短期波动规律;最后,采用结合Crossformer的跨维度注意力机制,显式建模时间与特征维度的动态关联性,实现局部时序特征与全局依赖关系的多尺度协同融合。在南方某城市半小时级电力负荷数据集上的实验验证结果表明,相较于Informer等模型,所提模型的决定系数提升2.49%,平均绝对误差降低73.07%,且在四季预测中均表现出强鲁棒性。 展开更多
关键词 变分模态分解 跨维度注意力 rime优化算法 时间卷积网络 Crossformer
在线阅读 下载PDF
基于RIME-VMD-RIME-BiLSTM的短期风电功率预测 被引量:1
8
作者 王秀云 祝宏斌 《电气应用》 2025年第4期85-95,共11页
针对风电功率时间序列的随机性和波动性,为提高风电预测准确度,提出了一种结合霜冰优化算法(RIME)、变分模态分解(Variational Mode Decomposition,VMD)与双向长短期神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的短期风电... 针对风电功率时间序列的随机性和波动性,为提高风电预测准确度,提出了一种结合霜冰优化算法(RIME)、变分模态分解(Variational Mode Decomposition,VMD)与双向长短期神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的短期风电功率预测组合模型。首先,利用RIME算法对VMD的分解层数和惩罚因子寻优;然后,使用VMD对风电序列进行分解,得到不同频率且平稳的固有模态分量(Intrinsic Mode Function,IMF);接着,将各IMF输入至经RIME算法完成超参数寻优的BiLSTM中进行预测;最后,将各输出值进行叠加重构,得到最终结果。实验结果表明,所提预测模型在测试集上的预测误差指标分别为0.584、0.489和3.26%,均为最低值,验证了RIMEVMD-RIME-BiLSTM混合预测模型在风电功率预测领域具有较好的预测准确度和鲁棒性。 展开更多
关键词 风电功率 霜冰优化算法 变分模态分解 BiLSTM
原文传递
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
基于RIME-VMD的高速列车横向减振器故障诊断 被引量:7
10
作者 秦永峰 李刚 +1 位作者 齐金平 王建帅 《铁道科学与工程学报》 北大核心 2025年第3期942-953,共12页
为解决变分模态分解(VMD)在高速列车横向减振器故障诊断中特征提取较为困难的问题,提出一种基于霜冰算法(RIME)以最小包络熵作为适应度函数优化变分模态分解(VMD)的特征提取方法。首先,使用霜冰算法(RIME)优化VMD在不同故障状态下模态(I... 为解决变分模态分解(VMD)在高速列车横向减振器故障诊断中特征提取较为困难的问题,提出一种基于霜冰算法(RIME)以最小包络熵作为适应度函数优化变分模态分解(VMD)的特征提取方法。首先,使用霜冰算法(RIME)优化VMD在不同故障状态下模态(IMF)分量的个数和惩罚因子的最优参数组合;其次,计算各个IMFs分量的峭度值与相关性系数,再分别选取峭度值较大的前4阶IMF分量,并在峭度值较大的4个IMFs分量中选取相关性系数较高的前3阶IMFs进行信号重构降噪;最后,计算多尺度的奇异熵、样本熵、排列熵作为故障特征值,并结合t分布随机近邻嵌入(t-SNE)算法降维去除冗余特征信息,将降维融合后的特征矩阵逐一输入到支持向量机(SVM)中,从而实现对高速列车横向减振器不同故障部位的识别。仿真实验结果表明:相较于灰狼算法(GWO)优化变分模态分解(VMD)的方法,RIME-VMD方法利用霜冰算法高效的搜索与开发能力,可以更快速寻得高速列车不同工况下,变分模态分解中分解层数和惩罚因子参数的全局最优组合,提高了VMD分解信号的鲁棒性,采用信号重构的方法可以有效提取故障特征,实现高速列车横向减振器故障的高效、准确识别。原始变分模态分解(VMD)方法虽然分解速度较快,但原始VMD参数的人工试错成本更高,不能满足高速列车故障诊断的要求。研究结果可为高速列车横向减振器故障诊断和安全运营进一步优化提供参考。 展开更多
关键词 转向架 变分模态分解 霜冰算法 故障诊断 多尺度奇异熵
在线阅读 下载PDF
基于最优重构健康因子和RIME-SVR的锂电池健康状态估计研究 被引量:1
11
作者 杨东晓 王贺 +2 位作者 党宏宇 袁宇轩 和杰公 《电子测量与仪器学报》 北大核心 2025年第5期188-196,共9页
为提高锂电池健康状态(SOH)估计精度,提出一种基于最优重构健康因子和霜冰算法优化支持向量回归(RIME-SVR)相融合的估计方法。首先从锂电池充放电过程提取3个可测量健康因子,利用Pearson法分析验证其与SOH相关性;其次利用完备集合经验... 为提高锂电池健康状态(SOH)估计精度,提出一种基于最优重构健康因子和霜冰算法优化支持向量回归(RIME-SVR)相融合的估计方法。首先从锂电池充放电过程提取3个可测量健康因子,利用Pearson法分析验证其与SOH相关性;其次利用完备集合经验模态分解算法(CEEMDAN)对健康因子分解重构,通过实验验证法确定最优重构方式,有效降低数据噪声和容量回升现象对SOH估计干扰;最后搭建基于RIME算法优化的SVR估计模型。实验采用NASA电池退化数据,结果表明,相比于粒子群(PSO)和人工蜂群(ABC)优化算法,RIME优化SVR参数时表现出更快收敛速度和更强全局搜索能力,显著提升模型性能。此外,基于最优重构健康因子和RIME-SVR的锂电池SOH估计模型3项指标均优于对比实验中其他模型,具有更高的估计精度和拟合度。使用最优重构健康因子Dtv_1+Ti_1+Tdv_1作为输入,模型平均绝对误差(MAE)、均方根误差(RMSE)分别低于0.37和0.55、R~2高于0.92,表明所提方法具备良好的普适性和鲁棒性。 展开更多
关键词 锂电池健康状况 最优重构健康因子 霜冰优化算法 支持向量回归 CEEMDAN
原文传递
基于RIME-VMD-TCN-Attention的船舶电力负荷预测
12
作者 骆佳馨 高海波 +2 位作者 欧阳继能 李程 陈灿 《舰船科学技术》 北大核心 2025年第18期112-118,共7页
船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Deco... 船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Decomposition,VMD)、时序卷积网络(Temporal Convolutional Network,TCN)和注意力机制的组合预测模型。首先,通过RIME-VMD分解,将复杂的船舶电力负荷信号分解为多个仅包含简单负荷特征的单独模态,以减少噪声的影响同时提高分解效率;其次,通过TCN模型结合Attention机制对各模态分量进行预测并将结果组合,使模型自适应捕捉电力负荷中的非线性特征,提高时序预测能力;最后,实验分析表明,本文提出的RIME-VMD-TCN-Attention模型误差指标MAE、MAPE、RMSE和R2均优于传统LSTM模型、GRU模型、单一TCN模型和未经模态分解的混合模型,具有更高的预测精度。 展开更多
关键词 船舶短期电力负荷预测 霜冰优化算法 变分模态分解 时序卷积网络 注意力机制
在线阅读 下载PDF
基于IRIME-BP-LSTM模型的继电保护装置剩余寿命预测方法
13
作者 张洪嘉 戴志辉 +1 位作者 贺欲飞 贾文超 《电力系统保护与控制》 北大核心 2025年第15期125-134,共10页
目前继电保护装置寿命预测理论中存在缺少对单个装置状态准确评估预测、预测数据无法根据实际运行情况及时修正等问题,导致预测结果不可靠。对此,提出基于改进霜冰优化算法(improved rime optimization algorithm,IRIME)优化反向传播(ba... 目前继电保护装置寿命预测理论中存在缺少对单个装置状态准确评估预测、预测数据无法根据实际运行情况及时修正等问题,导致预测结果不可靠。对此,提出基于改进霜冰优化算法(improved rime optimization algorithm,IRIME)优化反向传播(backpropagation,BP)神经网络与长短期记忆网络(long short memory network,LSTM)模型的继电保护装置剩余寿命预测方法。首先,总结运维经验与规程要求,建立保护装置状态评估指标集,形成初始输入向量。其次,引入柯西变异机制改进霜冰优化算法,利用IRIME对BP神经网络初始参数进行优化。然后,将初始输入向量赋予优化后的神经网络,进行保护装置状态评估,形成装置运行状态的表征向量并构建时间序列。最后,将构建的时间序列输入到LSTM网络中进行保护装置剩余寿命的预测。案例验证结果表明,该方法在保护装置剩余寿命预测上具有更高的准确度,可以为保护装置检修运维工作提供理论指导。 展开更多
关键词 继电保护装置 剩余寿命预测 状态评估 改进霜冰优化算法 长短期记忆网络
在线阅读 下载PDF
基于聚类和RIME-LightGBM的光热电站太阳直接法向辐射预测
14
作者 周灿 周育才 +5 位作者 谭艳祥 肖添 谢七月 申忠利 付强 秦缘恒 《电力科学与技术学报》 北大核心 2025年第6期241-249,共9页
太阳直接法向辐射的间歇性与不确定性会影响光热电站电力输出的稳定性。针对该问题,提出一种基于聚类、霜冰优化算法(rime optimization algorithm,RIME)与优化轻梯度提升机(light gradient boosting machine,LightGBM)的光热电站太阳... 太阳直接法向辐射的间歇性与不确定性会影响光热电站电力输出的稳定性。针对该问题,提出一种基于聚类、霜冰优化算法(rime optimization algorithm,RIME)与优化轻梯度提升机(light gradient boosting machine,LightGBM)的光热电站太阳直接法向辐射预测模型。先通过皮尔逊相关系数筛选太阳直接法向辐射的强相关气象参数,并采用小批量K均值(mini batch K⁃means,MBK)聚类算法对历史气象数据进行分类;再利用RIME对LightGBM超参数寻优,建立不同类别历史气象数据的太阳直接法向辐射预测模型;然后,以预测日每小时与各聚类中心强相关气象参数数据的欧式距离为依据,选择相应预测模型,对太阳直接法向辐射进行预测;最后,采用美国加州某地光热电站2000—2019年的历史气象数据,对所提模型进行验证。研究结果表明:所提预测模型能较准确地预测太阳直接法向辐射的数值及变化趋势。 展开更多
关键词 光热发电 太阳直接法向辐射 小批量K均值聚类 轻梯度提升机 霜冰优化算法
在线阅读 下载PDF
基于HPRIME-TCN-BiGRU-Attention的滚动轴承故障诊断
15
作者 姚政豪 胡明茂 +3 位作者 巩加玉 龚青山 姜宇 王旭 《山东航空学院学报》 2025年第6期26-36,共11页
针对滚动轴承运行过程中不同故障类型的振动信号异常现象以及故障诊断模型超参数调优问题,提出了一种结合混合并行霜冰优化算法(HPRIME)、时间卷积网络(TCN)与注意力(Attention)机制的双向门控循环单元(BiGRU)的轴承故障诊断方法,以提... 针对滚动轴承运行过程中不同故障类型的振动信号异常现象以及故障诊断模型超参数调优问题,提出了一种结合混合并行霜冰优化算法(HPRIME)、时间卷积网络(TCN)与注意力(Attention)机制的双向门控循环单元(BiGRU)的轴承故障诊断方法,以提高故障诊断的准确度。将通过参数优化后的变分模态分解(VMD)算法提取的滚动轴承的振动信号作为样本特征,采用TCN将样本特征转化为数据矩阵,并输入BiGRU-Attention中,引入改进的HPRIME,分别对VMD和BiGRU-Attention的超参数进行优化,以此构建HPRIME-TCN-BiGRU-Attention故障诊断模型。选用凯斯西储大学公开的滚动轴承驱动端振动数据验证模型的有效性,结果表明,本方法在三种变负载与两种数据不平衡工况下的平均准确度分别为98.85%与98.86%,较原始GRU模型准确性提升了8.08%。此外,结合东南大学的轴承数据,验证了所提出方法具有良好鲁棒性和泛化能力。 展开更多
关键词 滚动轴承 故障诊断 霜冰优化算法 双向门控循环单元 时间卷积网络
在线阅读 下载PDF
基于VMD-RIME-LSTM算法的天然气负荷预测
16
作者 张凯 高伟 +3 位作者 刘晓磊 孙旭 卜跃刚 张宏喜 《区域供热》 2025年第2期51-59,106,共10页
针对某企业各用能端用能无序、多台燃气锅炉交互使用,天然气日用气负荷波动性大等问题,提出了一种变分模态分解(VMD)和霜冰优化算法(RIME)与长短期记忆神经网络(Long Short-Term Memory,LSTM)相耦合的天然气负荷预测模型。首先使用VMD... 针对某企业各用能端用能无序、多台燃气锅炉交互使用,天然气日用气负荷波动性大等问题,提出了一种变分模态分解(VMD)和霜冰优化算法(RIME)与长短期记忆神经网络(Long Short-Term Memory,LSTM)相耦合的天然气负荷预测模型。首先使用VMD对经过数据清洗的天然气负荷序列进行分解,将复杂的信号分解为若干个不同频率的模态分量(Intrinsic Mode Function,IMF);然后将各模态分量输入到经霜冰优化算法优化过的长短期记忆神经网络模型中进行预测,最后将各子序列预测结果叠加重构得到最终预测结果。实验结果表明:相比于单一长短期神经网络模型LSTM以及VMD-LSTM模型,这种VMD-RIME-LSTM模型在天然气负荷预测方面具有较好的预测精度,可为企业燃气锅炉系统实现更精确的运行管理和能源利用提供数据支撑。 展开更多
关键词 变分模态分解 霜冰优化算法 长短期记忆神经网络 天然气负荷 时序预测
在线阅读 下载PDF
基于RIME-VMD和SSA-CNN-Transformer的滚动轴承故障诊断
17
作者 杨雄 石宇城 +1 位作者 陈儒晖 贺朋飞 《贵州大学学报(自然科学版)》 2025年第3期44-51,共8页
为了解决滚动轴承早期故障信号微弱、特征提取效果不佳,从而影响故障诊断准确性和效率的问题,本文提出了一种结合信号处理与深度神经网络的故障诊断模型。首先,利用霜冰优化算法对变分模态分解的参数进行优化,以获得最佳模态分量;其次,... 为了解决滚动轴承早期故障信号微弱、特征提取效果不佳,从而影响故障诊断准确性和效率的问题,本文提出了一种结合信号处理与深度神经网络的故障诊断模型。首先,利用霜冰优化算法对变分模态分解的参数进行优化,以获得最佳模态分量;其次,使用麻雀优化算法对CNN-Transformer组合模型的超参数进行调优;最后,将最优模态分量输入优化后的CNN-Transformer模型,以得到故障分类结果。通过美国CWRU轴承数据集验证,实验结果显示,该模型在准确性和稳定性方面相比其他故障诊断模型有显著提升,能够为工业设备的可靠维护提供更精准的故障诊断支持。 展开更多
关键词 变分模态分解 霜冰优化算法 卷积神经网络 TRANSFORMER 麻雀优化算法 故障诊断 滚动轴承
在线阅读 下载PDF
基于LOBL-IRIME-TCN-LSTM模型的印刷园区电力负荷预测
18
作者 王志远 马添翼 +2 位作者 李婷 刘子宸 符蓉玥 《印刷与数字媒体技术研究》 北大核心 2025年第S2期118-128,共11页
印刷园区电力负荷预测对园区能源优化调度、供需平衡管理及碳减排目标实现具有关键意义。针对印刷生产过程中电力负荷呈现的强周期性波动、设备启停冲击等非线性特征,以及传统时间序列模型对复杂模式捕捉能力的局限性,本研究提出了基于... 印刷园区电力负荷预测对园区能源优化调度、供需平衡管理及碳减排目标实现具有关键意义。针对印刷生产过程中电力负荷呈现的强周期性波动、设备启停冲击等非线性特征,以及传统时间序列模型对复杂模式捕捉能力的局限性,本研究提出了基于融合Levy飞行策略、透镜成像反向学习策略(Levy Flight Opposition-Based Learning,LOBL)与无限折叠迭代混沌映射(Iterative Chaotic Map with Infinite Collapses,ICMIC)改进优化的TCN-LSTM预测模型LOBL-IRIME-TCN-LSTM的印刷园区电力负荷预测方法。本算法通过引入ICMIC映射初始化霜冰种群,借助该映射机制确保种群分布的均匀遍历性,进而有效提升算法早期收敛速度;同时引入Levy飞行与反向学习相结合的策略,通过Levy飞行的长程跳跃特性拓展反向学习对解空间的探索范围,进而增强算法的全局搜索能力并提升后期收敛速度。本研究以某印刷园区电力负荷数据为研究对象进行消融实验,并与其他模型进行对比分析实验。实验结果表明,本研究提出的预测模型性能更佳。 展开更多
关键词 霜冰优化算法 TCN-LSTM 电力负荷预测 印刷园区
在线阅读 下载PDF
基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法
19
作者 朱婷 颜七笙 《科学技术与工程》 北大核心 2025年第20期8514-8525,共12页
作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical... 作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与霜冰优化算法(rime optimization algorithm,RIME)-卷积神经网络(convolutional neural network,CNN)-双向长短期记忆网络(bidirectional long short-term memory network,BiLSTM)-注意力机制(attention mechanism,AM)的短期风速预测组合模型CEEMDAN-RIME-CNN-BiLSTM-AM。首先,对初始风速序列采用CEEMDAN算法,得到一系列较平稳的子模态,以降低风速序列的波动性;然后,采用RIME霜冰优化算法优化CNN超参数,建立CNN-RIME模型,对风速数据进行自适应提取和挖掘;接着,采用BiLSTM-AM模型对处理后的数据进行预测;最后,将各子序列的预测结果叠加,得到最终预测结果。以某地实际风速数据集进行对比试验,该模型在单步与多步预测中均展现出良好的预测性能,可以为制定调度计划提供参考,以最大程度地提高能源利用率和供电。 展开更多
关键词 风速预测 自适应噪声完备集合经验模态分解(CEEMDAN) 霜冰优化算法(rime) 卷积神经网络(CNN) 双向长短期记忆网络(BiLSTM) 注意力机制(AM)
在线阅读 下载PDF
基于RIME-LSTM-Transformer的混凝土坝变形预测模型
20
作者 周煜 王煜 +2 位作者 谭雪怡 刘永涛 周明明 《水电能源科学》 北大核心 2025年第12期168-171,181,共5页
提升混凝土坝位移变形预测的精度,可以更好地分析其运行状态和健康状态。针对混凝土坝变形位移数据呈现明显的时间序列特征和多变量输入单变量输出的特征,融合长短期记忆网络和自注意力机制的优势,同时使用霜冰优化算法对融合模型的参... 提升混凝土坝位移变形预测的精度,可以更好地分析其运行状态和健康状态。针对混凝土坝变形位移数据呈现明显的时间序列特征和多变量输入单变量输出的特征,融合长短期记忆网络和自注意力机制的优势,同时使用霜冰优化算法对融合模型的参数进行寻优,构建了基于RIME-LSTM-Transformer的混凝土坝变形预测模型。实例分析结果表明,该模型的评价指标均得到了提高,相较于传统模型,该模型更适用于长时间序列数据分析,显著提高了混凝土坝位移变形的预测精度与迭代效率。 展开更多
关键词 混凝土坝 变形预测 霜冰优化算法 长短期记忆网络 TRANSFORMER
原文传递
上一页 1 2 4 下一页 到第
使用帮助 返回顶部