摘要:为提升短期电力负荷预测精度，提出了一种变权组合预测策略。首先，为了降低负荷数据的不平稳度，使用变分模态 分解(variational mode decomposition,VMD)将负荷数据分解成了高频、低频、残差3种特征模态分量。其次，充分计及负荷数 据的时序特点，参考指数加权法原理设计自适应误差重要性量化函数，并结合组合模型在时间窗口内的历史负荷数据的均方 预测误差设计改进最优加权法的目标函数和约束条件，以完成子模型的准确变权。最后，针对波动较强的高频分量选定极端 梯度提升(XGBoost) 和卷积神经网络-长短期记忆(CNN-LSTM) 模型并使用改进最优加权法进行组合预测、低频分量使用多 元线性回归(MLR) 模型预测、残差分量使用 LSTM 模型预测，叠加各模态分量的预测结果，实现了短期负荷数据的准确预 测。实验结果表明，使用策略组合模型的平均绝对百分比误差为4.18%。与使用传统组合策略的组合模型相比，平均绝对百 分比预测误差平均降低了0.87%。

摘要:针对传统空气质量预测模型收敛速度慢，精度低的问题，提出一种基于变分模态分解(variational mode decom posi- tion,VMD) 和蜣螂优化算法(dung beetle optimizer,DBO)优化长短期记忆网络(long short term memory,LSTM)的预测模 型。首先，针对 AQI原始数据具有大量噪声的问题，使用VMD方法对非平稳信号进行模态分解以降低噪声对预测结果的影 响从而获得多个不同特征的模态分量；其次，针对 LSTM 靠人工经验调参存在一定局限性，利用DBO算法对LSTM 模型参数 进行优化；最后，对分解后的各个子序列使用LSTM 模型预测，将各个子序列进行叠加得到最后的预测结果。实验结果表明， VMD对非平稳数据的分解有助于提高预测精度，VMD-DBO-LSTM 模型的性能较其他模型均有不同程度的提高，该模型预 测的均方根误差为4.73μg/m³, 平均绝对误差为3.61μg/m³, 拟合度达到了97.8%。

摘要:随着风电在电力系统中的占比逐步提高，风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而，风 电的随机性和间歇性极大地影响其功率的精确预测。为此，提出二次分解组合长短期记忆(LSTM) 的短期风电功率预测模 型。首先，采用经验模态分解(EMD) 技术将原始风电序列分解为若干固有模态分量；再采用样本熵(SE) 技术将各分量重组为 高、中、低频3个序列，针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD) 二次分解技术；最后，采用 SSA 算法对 LSTM 的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证，并与其他模型进行对比。结 果表明，所提模型的平均绝对误差(MAE) 为5.79 kW, 均方根误差(RMSE) 为5.64 kW, 平均百分比误差(MAPE) 为 17.38%,具有更好的预测精度。

摘要:针对传统负荷预测方法精度不高的问题，为准确捕捉到负荷数据波动的规律，提出了一种两阶段负荷预测方法。第1 阶段首先用变分模态分解(VMD) 对原始负荷序列进行分解，得到分解处理后的残差分量，再采用时变滤波经验模态分解 (TVF-EMD) 方法进行特征提取；然后对全部子序列分别建立深度极限学习机(DELM) 模型，同时利用鹑鹕优化算法(POA) 进行参数寻优，叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM 模型对误差分量进行预测；然后将 第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR) 模型中，得到负荷最终的预测结果。结果 表明，两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE) 分别为对比模型的4%～77%、4%～76%,而平均百分比误差 (MAPE) 仅为0.0678%,可有效提高电力负荷的预测精度。

摘要:针对脑电节律能量无法反映时间信息且对空间信息的探讨并不充分等问题，通过运用微状态分析方法，对虚拟现实 晕动症(vRMS)相关脑电信号的时空模式进行了研究，从而检测虚拟现实晕动症。使用多元变分模态分解(MVMD) 将脑电信 号划分为从低频到高频的5个频段，分析了脑电微状态的出现频率、平均持续时间、覆盖率以及转换率的变化，最后利用统计 分析和分类方法验证这些特征的有效性。研究结果表明，5个频段融合所有特征的分类准确率达到最大值83.9%。因此，微 状态方法可望为研究VRMS 提供新思路。

摘要:传统基于递归神经网络的模型对阶跃型滑坡位移预测能力不足，为解决这一问题，提出一种基于时序分析及卷积神 经网络-双向长短期记忆-注意力机制(CNN-BiLSTM-AM) 的滑坡位移动态预测模型。首先使用变分模态分解方法(VMD) 将 序列分解为趋势项、周期项和随机项。采用二次指数平滑法拟合趋势项位移，然后引入最大互信息系数法(MIC) 计算各类影 响因子与周期项位移相关性，对于周期项和随机项位移采用CNN-BiLSTM-AM 混合模型进行多因素和单因素预测，最终累 加各分量预测值得到累积位移预测结果。实验结果表明，所提方法在最终累计位移预测结果中拟合系数 R² 达0.984 和 0.987,平均绝对误差(MAE) 分别为5.334和3.947,均方根误差(RMSE) 分别为6.196和4.941,相比卷积神经网络-长短期 记忆(CNN-LSTM) 、麻雀搜索算法-核极限学习机(SSA-KELM) 和 NARX 方法，所提方法能够更好的捕捉监测数据的时间相 关性，预测精度显著提高，可为阶跃型滑坡预警及防治工作提供参考。

摘要:针对配网带电作业绝缘手套舒适性缺少客观和量化评估方法的问题，提出了一种基于改进麻雀算法(improved spar- row search algorithm,ISSA)优化BP 神经网络的舒适性评估方法。针对配网带电作业常用的绝缘手套，选取了3种类型绝缘 手套作为评估对象，搭建了人体上肢表面肌电(sEMG) 信号测试平台，采集了典型作业工况下被试者穿戴绝缘手套后右臂肱 二头肌的sEMG 信号，通过ISSA 对变分模态分解(VMD) 和BP的关键参数进行优化，构建了基于 ISSA-BP的带电作业用绝 缘手套舒适性评估模型。结果表明，ISSA 较 SSA 有效提升了BP 预测准确率和VMD 效果，被试者穿戴不同绝缘手套时 sEMG 特征参数和舒适度差异显著,舒适性评估模型其准确率达到94.9%,所提出的舒适性量化评估方法为配网绝缘手套的 改进以及人员防护提供了依据。

摘要:为实现对电力系统中的干式变压器的状态监测及早期故障诊断，结合声发射传感器、温度传感器、湿度传感器等多类 传感器对干式变压器进行状态监测和故障诊断，开发一套基于LabVIEW 的干式变压器故障诊断系统。针对声发射、温度、湿 度等数据，采用基于金豺优化算法的变分模态分解方法，提取出数据趋势，根据趋势的变化规律识别出潜在的早期故障；针对 高采样率的声发射数据，采用基于多尺度Teager能量算子(TEO) 的特征提取方法，提取出早期故障的微弱特征。仿真和应 用表明，系统对信噪比为-10dB 左右的微弱早期故障信号具有优越的识别和诊断能力。系统的优点是结合声发射对材料劣 化的敏感性和趋势及微弱特征分析方法，可在故障早期进行预警，而无须完全依赖指标阈值。

摘要:随着音频载体设备的发展，扬声器在向着体积小、功率大的趋势发展，长时间工作在大信号驱动时音圈发热严重，会 出现音圈断路等热损坏问题，通过对扬声器电参量数据的预测，可以降低功放功率等方法保护音圈，延长使用寿命。针对功 率试验中扬声器电参量数据的时序特性，提高预测准确率，提出一种基于变分模态分解(variational mode decomposition, VMD)和编解码器(sequence to sequence,Seq2seq)模型的扬声器电参量多步预测方法。该方法首先使用VMD将原始数据进 行分解，降低数据的非平稳性，利用分解后的数据构建训练集并使用Seq2seq网络模型进行训练和多步预测。仿真结果表明， 所提出的预测模型在单步预测情况下，模型评价指标均方根误差(RMSE)为0.044、平均绝对百分比误差(MAPE)为0.15%、 决定系数(R²) 为0.94,在五步预测的情况下，模型评价指标RMSE为0.05、MAPE为0.17%、R² 为0.92,均优于其余对比模 型，表明所提出模型的精度更高。

摘要:为解决矿井电网系统漏电故障选线这一安全供电技术难题，提出了一种基于暂态信号特征监测与辨识技术的单相接 地故障选线方法。利用变分模态分解算法对线路测量的暂态零序电流信号进行解析，制定了以特征模态分量模最大值极性 和线路模态能量权重因子差异性相结合比较的故障选线判据。通过设定故障触发条件对矿井电网系统选线模型进行仿真环 境测试，结果表明该选线方法不受故障合闸角、接地电阻和消弧线圈补偿度的影响，均可实现故障线路的识别，具有较强的工 程适应性。