检索结果-内蒙古大学图书馆

基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测

水利水电技术（中英文） 2022年第2期53卷 163-172页

作者：康文豪徐天奇王阳光邓小亮李琰云南民族大学云南省高校电力信息物理融合系统重点实验室云南昆明650504 国网湖南省电力有限公司湖南长沙410004

为了解决风电功率的间歇性与非平稳性带来的功率预测难度,提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法。在对风电功率进行预测之前,对风电功率数据进行预处理。首先引入自适应噪声完备集合经验模... 详细信息

为了解决风电功率的间歇性与非平稳性带来的功率预测难度,提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法。在对风电功率进行预测之前,对风电功率数据进行预处理。首先引入自适应噪声完备集合经验模态分解(CEEMDAN)方法分解风电功率原始序列,并计算各分解分量的精细复合多尺度熵(RCMSE)。然后,将熵值相近的分量序列重组成新序列,以降低模型复杂度和提高计算效率。在预测阶段,对重组之后的序列分别建立Stacking集成学习模型进行风电功率短期预测,最后对预测结果进行重组。通过新疆某风电场实测数据证明:结合各单一预测模型优点的Stacking集成学习模型方法与其4种基学习器KNN、RF、SVR和ANN相比,Stacking模型具有更高的风电预测准确度。在同等条件下,CEEMDAN-RCMSE-Stacking模型均方根误差相比单一的Stacking模型及EMD-RCMSE-Stacking模型分别减少了20.34%和9.74%,平均绝对误差分别减少了24.55%和6.35%,而拟合优度系数分别提高了4.09%和1.62%,即CEEMDAN-RCMSE-Stacking模型拥有更高的预测性能。

关键词：短期风电功率预测 CEEMDAN 精细复合多尺度熵 Stacking集成学习影响因素新能源清洁可再生能源

来源：评论

学校读者我要写书评

暂无评论

基于精细复合多尺度熵特征向量相关系数在滚动轴承故障诊断中应用

引用

噪声与振动控制 2018年第5期38卷 186-191页

作者：叶金义谢小平梁烊炀张福运湖南大学汽车车身先进设计制造国家重点实验室长沙410082 中国汽车技术研究中心有限公司天津300300

复合多尺度熵(CMSE)是在多尺度熵(MSE)基础上提出来的,它改善了MSE存在的熵值不精确、波动较大等,但不能解决样本时间序列太短引起未定义熵问题。精细复合多尺度熵(Refined Composite Multi-scale Entropy,RCMSE)通过改进算法使熵估计... 详细信息

复合多尺度熵(CMSE)是在多尺度熵(MSE)基础上提出来的,它改善了MSE存在的熵值不精确、波动较大等,但不能解决样本时间序列太短引起未定义熵问题。精细复合多尺度熵(Refined Composite Multi-scale Entropy,RCMSE)通过改进算法使熵估计的准确性得到提高,并能降低诱导未定义熵的概率。以此为基础,提出基于RCMSE特征向量关系数的轴承故障识别分类方法。该方法首先利用RCMSE对数据样本生成多尺度熵,计算测试样本与已知故障状态的训练样本的RCMSE相关系数,从而判断测试样本的状态类型。对轴承信号数据进行试验表明,该方法能100%准确的对轴承正常,内圈,外圈和滚动体故障信号识别分类。因此,该方法是一种有效的识别故障特征,可为实际轴承故障诊断提供参考。

关键词：振动与波精细复合多尺度熵故障诊断相关系数特征提取

来源：评论

学校读者我要写书评

暂无评论

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

引用

噪声与振动控制 2019年第2期39卷 175-180,193页

作者：郑近德潘海洋包家汉刘庆运丁克勤欧淑彬液压振动与控制教育部工程研究中心安徽马鞍山243032 安徽工业大学机械工程学院安徽马鞍山243032 中国特种设备检测研究院北京100029

多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊... 详细信息

多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。

关键词：故障诊断多尺度熵精细复合多尺度熵特征降维滚动轴承

来源：评论

学校读者我要写书评

暂无评论

基于精细多尺度熵理论在轴承故障诊断中的运用

基于精细多尺度熵理论在轴承故障诊断中的运用

引用

作者：叶金义湖南大学

学位级别：硕士

随着机械工业的不断发展,自动化程度不断地加深,设备变得越来越复杂,设备的不同零件之间的关系非常紧密。为了能够在日常中设备正常运转,每一个零件都需要管理和维护。旋转机械在我国工业中占据着重要的角色,小到单车、家用汽车等,大到... 详细信息

随着机械工业的不断发展,自动化程度不断地加深,设备变得越来越复杂,设备的不同零件之间的关系非常紧密。为了能够在日常中设备正常运转,每一个零件都需要管理和维护。旋转机械在我国工业中占据着重要的角色,小到单车、家用汽车等,大到工程机械中的发电机、搅拌机、汽轮机。旋转机械在系统中长期都处在高负荷运转状态,极易导致旋转机械出现各种各样的问题。在旋转机械设备中,滚动轴承是最常见的旋转机械。滚动轴承由于在机械设备中工作条件恶劣,起着传递与承受载荷的作用,而且大部分的故障都是由滚动轴承所引起的。而滚动轴承的使用寿命与其工作的环境有着密切关系,有的滚动轴承尽管超过了该轴承的设计的使用寿命仍然可以正常服役,然而有的滚动轴承在未达到设计寿命时则已经开始损坏,影响着整台机械的正常工作。在对轴承故障诊断中可分为故障信号的特征提取与特征分类两个步骤,其中特征提取在故障轴承诊断中最重要也是最困难的。因为在故障信号中,每一个故障新征兆可能含有多种故障成分,需要对每一个故障信号进行处理,在混合信号中提取故障的有效信息,去除与故障无关的干扰信息。本文将精细复合多尺度熵（Refine Composite Multiscale Entropy,RCMSE）与精细广义多尺度熵（Refine Generalized Multiscale Entropy,RMSEσ2）作为特征提取方法运用于滚定轴承故障诊断中并进行相应的对比分析。RCMSE相对于多尺度熵具有熵值计算波动小,准确度高,且对越短数据计算未定义熵产生概率小等优点。将RCMSE与其相关系数相结合,利用RCMSE提取滚动轴承四种故障类型的特征向量。定义RCMSE相关系数为向量之间夹角余弦绝对值,并利用RCMSE相关系数作为分类依据,将未知样本与四种已知故障状态的训练样本的RCMSE求解出来,并计算相关系数。将RCMSE相关系数最高的值所对应轴承故障状态作为为未知样本的识别状态。RMSEσ2是一种粗粒化过程使用方差的方法,而多尺度熵（Multiscale Entropy,MSE）粗粒化过程则使用的是均值。RMSEσ2相对于MSE粗粒化过程能提取更多的故障信息。将RMSEσ2与马氏距离结合起来,利用RMSEσ2提取四种滚动轴承故障的特征,求解每一类故障分类马氏距离的阈值。将未知样本与四类轴承故障的训练样本求解马氏距离,当马氏距离低于阈值范围内则认为与之对应的轴承故障状态作为未知样本的识别状态。将两种方法运用于实验采集的滚动轴承故障信号中,并与其它方法进行比较发现,基于RCMSE及其相关系数的方法能准确的实现未知样本准确识别故障,尽管未知样本与不同的故障状态训练样本的相关系数数值接近,但是始终能保持相同故障类型训练样本的相关系数最大,体现该方法分类的准确性。基于RMSEσ2与马氏距离的滚动轴承故障诊断方法在实际运用中也能100%对故障信号进行准确分类。RMSEσ2与MSE在滚动轴承故障信号提取中对比发现,MSE特征提取方法对于内圈故障与滚动体故障特征区分不明显,而RMSEσ2特征提取能很好的对四种故障信号进行区分类,更具有优势。

关键词：精细复合多尺度熵精细广义多尺度熵马氏距离滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于UPEMD融合RCMCSE和ALWOA-BP的水电机组故障诊断

引用

水利学报 2024年第6期55卷 744-755页

作者：李想钱晶曾云昆明理工大学冶金与能源学院云南昆明650093 云南省高校水力机械智能测试工程研究中心云南昆明650093

水电机组振动信号的诊断对机组安全稳定运行至关重要。本文提出一种基于均匀相位经验模态分解(Uniform Phase EMD,UPEMD)融合精细复合多尺度余弦相似熵(Refined Composite Multiscale CSE,RCMCSE)和改进鲸鱼算法优化反向传播神经网络(AL... 详细信息

水电机组振动信号的诊断对机组安全稳定运行至关重要。本文提出一种基于均匀相位经验模态分解(Uniform Phase EMD,UPEMD)融合精细复合多尺度余弦相似熵(Refined Composite Multiscale CSE,RCMCSE)和改进鲸鱼算法优化反向传播神经网络(ALWOA-BP)的水电机组故障诊断方法。利用UPEMD对原始信号进行分解,然后建立WOA-BP故障诊断模型。针对WOA算法快速陷入局部最优和过早收敛的问题,采用自适应权重和莱维飞行对WOA算法进行优化。实验结果表明,该方法的准确率达到了100%。为探究所提模型的抗噪性能,引入信噪比为2 dB的噪声进行再次分析,诊断结果为94.44%,明显优于其他未优化模型。该项研究可以对现有水电机组故障诊断方法进行有价值的补充。

关键词：水电机组精细复合多尺度熵余弦相似熵 ALWOA-BP 故障诊断

来源：评论

学校读者我要写书评

暂无评论

自适应提升及预测误差修正的风电功率超短期预测

引用

智慧电力 2022年第8期50卷 14-21页

作者：高阳谢丽蓉叶家豪乔倜傥代兵新疆大学电气工程学院新疆乌鲁木齐830047

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优... 详细信息

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优化ELM权值和阈值提高模型的泛化性,同时引入AdaBoost提高预测模型的精确度和稳定性;最后,在学习历史训练误差的基础上提出修正预测值的策略,进一步提高预测精度。算例结果验证了所提方法的有效性。

关键词：风电功率预测 CEEMDAN 精细复合多尺度熵 AdaBoost 误差修正

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：