基于优化模态分解与时空图卷积网络的光伏配电网高阻抗故障诊断与定位方法研究

1

作者 李彬 傅哲 +5 位作者 肖羽 张琦 张湘毅 张毅 罗中戈 孙玉树 《电力系统保护与控制》 北大核心 2026年第3期121-131,共11页

高比例光伏接入使配电网络暂态特性复杂化,导致传统方法在高阻抗故障诊断与定位时存在特征提取不充分、拓扑关联性不强的问题,进而影响准确性。鉴于此,提出一种基于斑马优化(zebra optimization algorithm,ZOA)多元变分模态分解(multiva... 高比例光伏接入使配电网络暂态特性复杂化,导致传统方法在高阻抗故障诊断与定位时存在特征提取不充分、拓扑关联性不强的问题,进而影响准确性。鉴于此,提出一种基于斑马优化(zebra optimization algorithm,ZOA)多元变分模态分解(multivariate variational mode decomposition,MVMD)结合Teager-Kaiser能量算子(teager-kaiser energy operator,TKEO)多特征融合-时空图卷积神经网络(spatio-temporal graph convolutional network,STGCN)的光伏配电网高阻抗故障诊断与定位方法。首先利用MVMD处理多变量信号,以有效融合多维数据并充分挖掘故障特征,此外采用ZOA对MVMD参数优化,进一步提升特征提取效果。其次通过TKEO增强MVMD最高频本征模态分量,捕捉瞬时能量变化。最后构建多特征融合向量输入STGCN,通过长短期记忆层提取时序动态特征,结合图卷积神经网络挖掘节点间空间拓扑关系,实现时空特征联合建模。在IEEE33节点系统上进行了仿真测试,结果表明相较于传统方法,所提方法在光伏配电网高阻抗故障诊断与定位方面具有更高精度。 展开更多

关键词 配电网 高阻抗 故障诊断与定位 斑马优化多元变分模态分解 时空图卷积神经网络

在线阅读 下载PDF 职称材料

基于自适应多元变分模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测

2

作者 朱德全 程剑林 +3 位作者 王彤阳 杨贵程 吴月超 付文龙 《水电能源科学》 北大核心 2026年第2期227-231,205,共6页

抽水蓄能机组振动趋势的准确预测是评估设备运行状态的重要手段,为此提出了基于自适应多元模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测方法。首先,利用多元变分模态分解(MVMD)对机组振动数据进行分解,并引入天鹰优化算法(AO)... 抽水蓄能机组振动趋势的准确预测是评估设备运行状态的重要手段,为此提出了基于自适应多元模态分解与多尺度特征提取的抽水蓄能机组振动趋势预测方法。首先,利用多元变分模态分解(MVMD)对机组振动数据进行分解,并引入天鹰优化算法(AO)自适应确定最优模态分解参数,获得不同频率成分的本征模态函数(IMFs);然后,采用多尺度卷积神经网络(MSCNN)提取子信号深层空间特征;最后,建立门控循环单元(GRU)预测模型对各分量进行预测,叠加各子序列的预测结果得到机组振动趋势最终的预测结果。通过与其他模型的对比分析,验证了所提模型的优越性。 展开更多

关键词 抽水蓄能机组 振动趋势预测 多元变分模态分解 天鹰优化算法 多尺度卷积神经网络 门控循环单元

原文传递

基于多变量变分模态分解与相关性重构的日径流预测模型 被引量：1

3

作者 丁杰 涂鹏飞 +1 位作者 冯谕 曾怀恩 《长江科学院院报》 北大核心 2025年第5期119-129,共11页

准确预测径流是预防洪涝灾害的基础。针对这一问题,提出一种基于多变量变分模态分解与皮尔逊相关性重构的日经流预测组合模型,该模型首先运用多变量变分模态分解(MVMD)方法分解日径流数据,然后,针对分解后的模态分量,运用皮尔逊相关系... 准确预测径流是预防洪涝灾害的基础。针对这一问题,提出一种基于多变量变分模态分解与皮尔逊相关性重构的日经流预测组合模型,该模型首先运用多变量变分模态分解(MVMD)方法分解日径流数据,然后,针对分解后的模态分量,运用皮尔逊相关系数法对该分量进行重构分类为波动项和随机项,运用思维进化算法(MEA)优化BP神经网络对波动项进行预测;运用灰狼优化算法(GWO)优化极限学习机算法(ELM)对随机项进行预测。最后,对两个模态分量预测融合得出最终预测结果。以汉江流域中的安康水电站与白河水电站径流数据为例进行分析,结果表明:安康站平均R^(2)为0.87,白河站平均R^(2)为0.93,预测模型预测效果较好、准确性较高,具有预测合理性。研究结果可为预防洪涝灾害和合理调控水资源提供依据。 展开更多

关键词 多变量变分模态分解 相关性重构 思维进化算法 BP神经网络 灰狼优化算法 极限学习机算法

在线阅读 下载PDF 职称材料

基于MVMD-BKA-Transformer的短期光伏功率预测 被引量：1

4

作者 黄瑞承 成燕 +1 位作者 查航伟 董国鹏 《电源技术》 北大核心 2025年第10期2182-2190,共9页

针对传统分解预测方法忽略多元气象因素分解时自身在时域及频域上的耦合关系,及Transformer训练时间长、学习效率低等问题,提出基于多元变分模态分解(MVMD)和黑翅鸢优化算法(BKA)改进的Transformer的短期光伏功率预测方法。利用K-means... 针对传统分解预测方法忽略多元气象因素分解时自身在时域及频域上的耦合关系,及Transformer训练时间长、学习效率低等问题,提出基于多元变分模态分解(MVMD)和黑翅鸢优化算法(BKA)改进的Transformer的短期光伏功率预测方法。利用K-means算法,根据辐照度将数据分类为α类和β类,并使用MVMD将多元气象因素及光伏功率分解为频率对齐的多元本征模态函数,保留原始序列耦合性的基础上,提高气象因素的平稳性。针对多元本征模态函数,分别构建BKA改进过的Transformer预测模型。选用澳大利亚沙漠知识太阳能中心(DKASC)的数据集进行验证与对比。实验仿真结果显示,提出的模型各项误差指标表现最优,具有较高的预测精度。 展开更多

关键词 光伏功率预测 多元变分模态分解 黑翅鸢优化算法 TRANSFORMER

在线阅读 下载PDF 职称材料

基于APO-MVMD-Transformer的电缆故障定位方法

5

作者 孙杰 孙玉玮 +3 位作者 胡国栋 尹海海 蒋徐勇 马宏忠 《山东科学》 2025年第6期94-106,共13页

针对现有电力电缆故障定位的准确率和可靠性均偏低的问题,提出一种基于APO-MVMD-Transformer的电缆故障定位方法。将采集到的电缆故障信号通过相模变换进行解耦得到故障行波信号,采用经北极海鹦优化算法(APO)寻优后的多元变分模态分解(M... 针对现有电力电缆故障定位的准确率和可靠性均偏低的问题,提出一种基于APO-MVMD-Transformer的电缆故障定位方法。将采集到的电缆故障信号通过相模变换进行解耦得到故障行波信号,采用经北极海鹦优化算法(APO)寻优后的多元变分模态分解(MVMD)参数分解行波信号,通过Teager能量算子获取分解后的高频模态分量的瞬时能量变化,标定行波波头到达时刻,将时刻对应的采样点作为特征值构建特征数据集,再利用APO优化Transformer模型。最后将数据送入APO-Transformer定位模型中,实现电缆故障定位。结果表明,该定位模型的决定系数高达0.99991,故障定位相对误差在1%以内,定位距离误差在百米以内,具有较高的故障定位精度。 展开更多

关键词 故障定位 相模变换 北极海鹦优化算法 多元变分模态分解 TEAGER能量算子 Transformer模型

在线阅读 下载PDF 职称材料

基于改进VMD与深度时序动态网络的虚拟电厂多元负荷预测

6

作者 胡伟 庞代宇 杜璞良 《复旦学报(自然科学版)》 北大核心 2025年第4期395-411,共17页

针对虚拟电厂负荷特性日益复杂、预测难度加大等问题,本文提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与深度时序动态网络的多元负荷预测方法。首先,采用冠豪猪优化算法(Crested Porcupine Optimizer,CPO)对VM... 针对虚拟电厂负荷特性日益复杂、预测难度加大等问题,本文提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与深度时序动态网络的多元负荷预测方法。首先,采用冠豪猪优化算法(Crested Porcupine Optimizer,CPO)对VMD进行优化,对输入特征进行分解,有效提升了模型的稳定性。其次,通过分析多元负荷的耦合特性,结合季节性负荷预测方法,利用时序卷积网络(Temporal Convolutional Network,TCN)精准捕捉负荷数据中的长期时间依赖特征。同时,引入双向门控循环单元(Bidirectional Gate Recurrent Unit,BiGRU),显著增强了模型对时间序列双向动态特性的捕获能力。随后,结合注意力机制对关键时间步进行聚焦,进一步强化了模型对关键特征的感知能力及对局部与全局信息的综合理解能力。最后,通过算例分析验证,本文所提多元负荷预测模型相较于单一预测模型及传统预测模型,在运算效率和预测精确度上均表现出显著优势。 展开更多

关键词 虚拟电厂 多元负荷预测 冠豪猪优化算法 变分模态分解 深度时序动态网络

在线阅读 下载PDF 职称材料

基于EMVMD-GPSAO的短期风电功率网络预测模型

7

作者 陈万志 杜超 王天元 《电工电能新技术》 北大核心 2025年第7期90-98,共9页

针对风电时间序列数据的非线性、非平稳特征而导致的短期风电功率预测精度低问题,本文提出一种基于多频解构特征优选方法与改进的雪消融优化器(EMVMD-GPSAO)的短期风电功率网络预测模型。首先,采用多频解构特征优选方法(EMVMD)从原始风... 针对风电时间序列数据的非线性、非平稳特征而导致的短期风电功率预测精度低问题,本文提出一种基于多频解构特征优选方法与改进的雪消融优化器(EMVMD-GPSAO)的短期风电功率网络预测模型。首先,采用多频解构特征优选方法(EMVMD)从原始风电功率及气象数据中分解、筛选得到关键模态特征,提升训练数据质量;其次,构建融合双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的网络模型,采用改进的雪消融优化器(GPSAO)优化模型超参数,并通过多头注意力机制(MHA)实现时序特征的自适应加权;最后,对模型输出的预测序列进行反归一化处理,获得预测结果。场景数据集实验结果表明,所提模型的MAE降低超过58.02%,MAPE降低超过4.52%,RMSE降低超过46.59%,跨数据集R2维持在0.99以上。四种评价指标均优于对比模型,具有更高的预测精度与泛化能力。 展开更多

关键词 短期风电功率预测 多元变分模态分解 雪消融优化器 双向时间卷积网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于MVMD-IAO-LSTM的短期光伏功率预测方法研究

8

作者 杨安德 《电子质量》 2025年第9期52-58,共7页

针对环境因素导致光伏发电输出功率波动、功率预测困难的问题,提出基于多元变分模态分解(MVMD)与改进天鹰算法(IAO)协同优化的长短期记忆网络(LSTM)预测模型,即MVMD-IAO-LSTM。首先,利用MVMD对多维原始光伏数据进行分解处理,提升处理后... 针对环境因素导致光伏发电输出功率波动、功率预测困难的问题,提出基于多元变分模态分解(MVMD)与改进天鹰算法(IAO)协同优化的长短期记忆网络(LSTM)预测模型,即MVMD-IAO-LSTM。首先,利用MVMD对多维原始光伏数据进行分解处理,提升处理后数据的平稳性;其次,通过混沌映射与非线性因子改进AO算法,降低其陷入局部最优的风险,进而优化LSTM模型;最终,通过训练好的模型开展对比实验,基于各误差指标验证表明,所提MVMDIAO-LSTM模型在各性能维度表现最优,其兼具更高精度与准确性,对提升短期光伏功率预测准确性具有重要应用价值。 展开更多

关键词 光伏发电 长短期记忆网络 多元变分模态分解 改进的天鹰算法 光伏功率 预测方法

在线阅读 下载PDF 职称材料

一种改进的自适应多元变分模态分解轴承故障信号特征提取方法 被引量：17

9

作者 时培明 张慧超 +1 位作者 伊思颖 韩东颖 《计量学报》 CSCD 北大核心 2022年第10期1326-1334,共9页

针对实际工程中轴承信号的非线性和非平稳性,提出一种自适应多元变分模态分解算法。多元变分模态的分解效果主要与本征模态数k和惩罚参数α相关,为了解决人为经验参数设置对多元信号分解结果的影响,一种自适应的信号分解算法被提出。具... 针对实际工程中轴承信号的非线性和非平稳性,提出一种自适应多元变分模态分解算法。多元变分模态的分解效果主要与本征模态数k和惩罚参数α相关,为了解决人为经验参数设置对多元信号分解结果的影响,一种自适应的信号分解算法被提出。具体内容如下:首先将混合灰狼算法与多元变分模态分解算法相结合,提出最小模态重叠分量指标,将其作为适应度函数来寻求(k,α)的最优解,按照最优解对多元信号进行分解,提取故障特征。采用仿真信号和实际数据来验证所提方法的有效性和准确性,通过与多元经验模态分解、级联变分模态分解的对比分析,验证该算法在滚动轴承故障特征提取方面的高效性和实用性。 展开更多

关键词 计量学 滚动轴承 故障诊断 多元变分模态分解 混合灰狼算法 模态重叠分量

在线阅读 下载PDF 职称材料

基于ZOA优化VMD-IAWT岩石声发射信号降噪算法 被引量：1

10

作者 王婷婷 徐华一 +2 位作者 赵万春 刘永胜 何增军 《采矿与岩层控制工程学报》 EI 北大核心 2024年第4期150-166,共17页

针对岩石破裂过程中产生的声发射(AE)信号夹杂大量噪声的问题,提出了一种基于斑马优化算法(ZOA)改进变分模态分解(VMD)并与改进的自适应小波阈值(IAWT)联合的声发射信号降噪算法。利用ZOA算法优选出影响VMD分解效果的模态个数K和二次惩... 针对岩石破裂过程中产生的声发射(AE)信号夹杂大量噪声的问题,提出了一种基于斑马优化算法(ZOA)改进变分模态分解(VMD)并与改进的自适应小波阈值(IAWT)联合的声发射信号降噪算法。利用ZOA算法优选出影响VMD分解效果的模态个数K和二次惩罚因子α;通过相关系数将分解出的IMFs划分为有效分量、含噪分量和剔除分量;针对小波阈值(WT)降噪算法不具备自动调整小波基以及软、硬阈值函数存在偏差大和不连续的弊端,提出了IAWT算法去除IMFs中的噪声分量,并与有效分量合并重构,得到降噪后的AE信号。通过模拟和实测AE信号验证并与现有降噪算法对比,结果表明ZOA-VMD-IAWT降噪算法适合处理AE信号,信号的时频特征得以保留。研究结果可为岩石AE信号理论及实际工程应用提供参考。 展开更多

关键词 岩石声发射信号 斑马优化算法 变分模态分解 自适应小波阈值降噪

在线阅读 下载PDF 职称材料

基于ASMVMD和MOMEDA的齿轮特征提取方法 被引量：2

11

作者 唐贵基 曾鹏飞 朱爽 《机电工程》 CAS 北大核心 2024年第12期2174-2184,共11页

针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以... 针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以SMVMD分解后各个通道的所有分量的平均包络谱峰值因子(Ec)之和的相反数作为寻优的适应度函数,确定了最大惩罚因子α和最大分解模态数k的最优值;然后,采用ASMVMD方法对齿轮多通道故障数据进行了自适应分解,根据Ec指标提取了各通道特定分量,并将这些分量相加,进行了信号重构;最后,采用MOMEDA解卷积处理了重构信号,进一步强化了齿轮故障的冲击特性,并利用包络谱分析解卷积信号,提取了齿轮的故障特征频率。研究结果表明:通过仿真信号和模拟实验信号的分析,可知利用ASMVMD-MOMEDA相结合的方法处理得到的信号降噪效果显著,能有效抑制无关干扰成分的影响,从包络谱中可以清晰地看到故障频率的前几阶倍频;与多元经验模态分解(MEMD)-MOMEDA相结合的方法进行对比,发现采用ASMVMD-MOMEDA方法得到的包络谱较MEMD-MOMEDA方法的谱线更加干净,各阶倍频更加明显,进一步证明ASMVMD-MOMEDA方法可以准确提取齿轮故障特征。 展开更多

关键词 齿轮损伤特征 故障特征提取 自适应逐次多元变分模态分解 多点最优最小熵解卷积 多通道 解卷积 包络谱峰值因子 信号重构

在线阅读 下载PDF 职称材料

改进全局ZOA优化MVMD-SCN的锂电池SOH估算 被引量：4

12

作者 郭喜峰 黄裕海 +2 位作者 单丹 原宝龙 宁一 《电子测量技术》 北大核心 2024年第5期22-30,共9页

锂电池健康状态(SOH)的准确估算对电池系统的健康管理起着重要作用,为提高SOH的估算精度,提出一种将参数优化后的多元变分模态分解(MVMD)和随机配置网络(SCN)相结合的SOH估算方法。从锂电池充放电过程中提取多个健康因子(HF)作为SOH估... 锂电池健康状态(SOH)的准确估算对电池系统的健康管理起着重要作用,为提高SOH的估算精度,提出一种将参数优化后的多元变分模态分解(MVMD)和随机配置网络(SCN)相结合的SOH估算方法。从锂电池充放电过程中提取多个健康因子(HF)作为SOH估算模型的输入,在斑马优化算法(ZOA)全局阶段引入自适应权重和最优领域波动策略,提高其全局搜索能力,得到改进全局的斑马优化算法(IGZOA),利用它对MVMD和SCN参数进行寻优,最后在9个基准函数测试IGZOA性能,在NASA和CALCE数据集上将所提方法与不同方法进行锂电池SOH的估算对比,结果表明,所提方法的均方根误差和绝对误差的平均值分别为0.84%,0.93%,具有更高的预测精度和泛化性。 展开更多

关键词 锂电池 健康状态 多元变分模态分解 改进斑马优化算法 随机配置网络

原文传递

基于VMD-MMPE的轧机轴承滚动体与保持架故障诊断 被引量：9

13

作者 计江 赵琛 王勇勤 《振动．测试与诊断》 EI CSCD 北大核心 2023年第2期290-297,409,共9页

针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多... 针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多元多尺度排列熵(multivariate multiscale permutation entropy,简称MMPE)的故障诊断方法,并结合粒子群优化支持向量机(particle swarm optimization-support vector machine,简称PSO-SVM)实现故障分类;其次,轴承振动信号经VMD处理为若干模态分量(intrinsic mode functions,简称IMF),选最优分量进行包络分析;然后,针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点,采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量;最后,基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)与局部均值分解(local mean decomposition,简称LMD)方法对比表明,VMD-MMPE可以优化模型的输入,提高模型的诊断正确率和速度,实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断,具有重要的工程意义。 展开更多

关键词 轧机轴承 变分模态分解 包络谱 多元多尺度排列熵 粒子群优化支持向量机 故障诊断

在线阅读 下载PDF 职称材料

基于MVMD-MOMEDA的齿轮箱故障诊断方法 被引量：6

14

作者 崔素晓 崔彦平 +2 位作者 武哲 吕志元 张琳琳 《河北科技大学学报》 CAS 北大核心 2023年第6期551-561,共11页

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题,提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先,利用MVMD将融合后的多通道振动信号进行模... 针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题,提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先,利用MVMD将融合后的多通道振动信号进行模态分解,得到一系列表征信号局部特征的IMF分量;其次,引入峭度值(Ku),选取最佳模态进行信号重构,剔除含噪声分量高的IMF;最后,对重构信号进行MOMEDA特征提取以识别故障频率,从而进行故障诊断。结果表明,所提故障诊断方法可以有效剔除噪声分量的干扰,识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题,可为故障诊断和多源信号处理提供参考。 展开更多

关键词 数据处理 齿轮箱 多元变分模态分解 多点最优最小熵反褶积调整 特征提取 故障诊断

在线阅读 下载PDF 职称材料

基于多元模态分解与多目标算法优化的深度集成学习模型的超短期风电功率预测 被引量：7

15

作者 朱梓彬 孟安波 +4 位作者 欧祖宏 王陈恩 张铮 陈黍 梁濡铎 《现代电力》 北大核心 2024年第3期458-469,共12页

针对风电功率预测问题,提出了一种基于多元变分模态分解(multivariate variational mode decomposition,MVMD)、多目标纵横交叉优化(multi-objective crisscross optimization,MOCSO)算法和Blending集成学习的超短期风电功率预测。在数... 针对风电功率预测问题,提出了一种基于多元变分模态分解(multivariate variational mode decomposition,MVMD)、多目标纵横交叉优化(multi-objective crisscross optimization,MOCSO)算法和Blending集成学习的超短期风电功率预测。在数据处理阶段,为了保持各序列间的同步相关性以及分解后得到本征模态函数(intrinsic mode functions,IMF)分量个数和分量频率相匹配,使用MVMD对多通道原始数据进行同步分解。针对单一机器学习模型导致预测的全面性不足,且存在精度和鲁棒性低的问题,提出基于MOCSO算法动态加权的Blending集成学习模型。通过对递归神经网络、卷积神经网络、长短期记忆网络的预测结果进行动态加权集成,并通过MOCSO优化调整权重,以提高模型的预测准确性与稳定性。实验结果表明,所提预测模型不仅有效,且显著优于其他预测模型。 展开更多

关键词 风电功率预测 多元变分模态分解 多目标纵横交叉优化 Blending集成学习

原文传递

考虑多元混合储能的微电网功率平滑控制技术 被引量：4

16

作者 杨少波 胡雪凯 +2 位作者 周文 王磊 程子玮 《河北电力技术》 2023年第3期38-44,共7页

微电网内分布式光伏出力不确定性导致的功率波动,严重影响微电网的运行稳定性,而储能系统因其功率快速双向调节特性可有效平滑功率波动,但单一储能因受功率调节速度和容量的相互制约影响,无法兼顾调节的快速性和精准性。针对以上问题,... 微电网内分布式光伏出力不确定性导致的功率波动,严重影响微电网的运行稳定性,而储能系统因其功率快速双向调节特性可有效平滑功率波动,但单一储能因受功率调节速度和容量的相互制约影响,无法兼顾调节的快速性和精准性。针对以上问题,本文提出了基于多元混合储能的微电网功率控制策略,首先,构建了基于多元混合储能的微电网系统模型;其次,基于变分模态分解算法对光伏波动功率按照频带范围进行模态分解,并利用改进的量子粒子群优化算法分解参数,根据最小能量熵确定分频点,对混合储能系统进行功率分配;最后,提出储能系统SOC均衡控制策略,根据各储能单元的SOC进行能量均衡控制。利用Matlab算例对本文方法进行仿真验证,证明所提方法的有效性。 展开更多

关键词 多元混合储能 变分模态分解 量子粒子群优化 SOC均衡控制

在线阅读 下载PDF 职称材料

基于MVMD和ISCSO-HKELM的质子交换膜燃料电池故障诊断

17

作者 杜董生 连贺 +2 位作者 邓祥帅 任一鸣 赵哲敏 《综合智慧能源》 CAS 2024年第12期17-28,共12页

针对质子交换膜燃料电池(PEMFC)系统的原始信号受到高温和强背景噪声影响导致故障诊断准确率较低的问题,提出一种基于多元变分模态分解(MVMD)和改进沙丘猫优化算法(ISCSO)优化混合核极限学习机(HKELM)的PEMFC故障诊断模型。通过小波硬阈... 针对质子交换膜燃料电池(PEMFC)系统的原始信号受到高温和强背景噪声影响导致故障诊断准确率较低的问题,提出一种基于多元变分模态分解(MVMD)和改进沙丘猫优化算法(ISCSO)优化混合核极限学习机(HKELM)的PEMFC故障诊断模型。通过小波硬阈值(WHTD)对PEMFC的原始信号进行去噪,利用MVMD将去噪后信号进行模态分解进而得到一系列本征模态函数(IMF),利用方差贡献率、相关系数和信息熵筛选出最优的IMF进行信号重构。通过逻辑(Logistic)映射、透镜成像折射反向学习(ROBL)、非线性动态因子和黄金正弦策略改进沙丘猫算法(SCSO),得到ISCSO。利用ISCSO对HKELM进行优化,并基于改进后的ISCSO-HKELM对重构信号进行特征提取进而实现故障诊断。将所提出的WHTD-MVMD-ISCSO-HKELM故障诊断模型与其他算法进行对比验证,试验结果表明,所提方法能够明显提升故障诊断的准确率,具有一定的可行性和优越性。 展开更多

关键词 混合核极限学习机 改进沙丘猫优化算法 多元变分模态分解 质子交换膜燃料电池 故障诊断

在线阅读 下载PDF 职称材料