IMF

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

注入脉冲模拟局放是气体绝缘金属封闭组合电器(gas insulated switchgear，GIS)特高频(ultra high frequency，UHF)局放监测装置功能校验的主要方法，由于现场校验脉冲注入的耦合方式不同，模拟局放与实际局放等效性规律尚不明确，无法保证监测装置功能校验的有效性。文中首先建立126 kV GIS典型局放缺陷(尖端、悬浮、绝缘子气泡)和内/外置式脉冲注入UHF局放检测平台，并对UHF信号有效脉冲进行归一化提取；接着提出基于经验模态分解的加权本征模函数(intrinsic mode functions，IMF)信号处理方法，通过计算局放信号欧式距离平均值和最大值表征其等效性；最后与常规信号偏差法进行对比验证。研究表明，相较于常规信号等效性分析方法，加权IMF法可有效解决UHF信号波形局部差异较大的问题；使用内置传感器脉冲注入的模拟局放信号与悬浮局放信号等效性最高，局放信号的欧式距离平均值Me和最大值Ma分别为3.82%和10.28%。因此，UHF监测装置功能校验可采用恒定参数注入脉冲代替悬浮缺陷，且模拟局放可优先选择内置UHF传感器注入脉冲。文中研究可为UHF局放监测装置功能校验的脉冲注入方法提供参考。

针对输电杆塔结构状态信息提取难度大、精度低等问题，提出了一种基于北方苍鹰算法优化的变分模态分解（northern goshawk optimized variational mode decomposition，NGO-VMD）与长短期记忆（long short-term memory，LSTM）神经网络的输电杆塔倾斜状态识别方案。通过北方苍鹰优化算法解决了变分模态分解参数难确定的问题，并且证明其分解的各阶本征模态分量（intrinsic mode function，IMF）可以有效提取出杆塔结构的模态信息。为了使信息特征更为明显，对IMF分量进行奇异值分解（singular value decomposition，SVD），发现各阶分量的奇异值在杆塔不同状态下有较为明显的区别。最后引入LSTM神经网络进行特征分类，形成故障诊断模型。依托某110 kV猫头塔对模型进行试验验证，结果表明：所提方法对杆塔倾斜状态的识别准确率为96.68%，与其他方法相比，具有效率更高、稳定性更强、更加精准的优势。

振动测量对发现气体绝缘开关设备(gas insulated switchgear，GIS)潜在性缺陷具有重要意义，但GIS本体振动信号易受基础振动、测量噪声以及环境噪声的影响，使得现场GIS振动带电检测和机械缺陷诊断的效果较差。针对此问题，提出一种基于奇异值分解(singular value decomposition,SVD)-改进自适应啁啾模态分解(improve adaptive chirp mode decomposition,IACMD)的现场振动信号降噪算法。该方法首先利用SVD对原始振动信号进行预处理，滤除低频基础振动和测量噪声，其次利用鱼鹰优化算法(osprey optimization algorithm,OOA)对处理后的信号进行自适应模态分解，得到分解后的固有模态(intrinsic mode functions，IMF)分量，再利用互相关系数筛选有效分量重构振动信号。模拟信号与现场信号测试结果表明：与OOA-自适应啁啾模态分解(adaptive chirp mode decomposition，ACMD)和SVD-变分模态分解(variational mode decomposition,VMD)相比，所提出的SVD-IACMD算法可以去除基础振动、测量噪声和环境噪声，保留GIS本体振动的基频和谐波分量，为GIS现场抗干扰振动检测和机械缺陷诊断提供技术支持。

针对配电网在电压过零点和高阻故障时刻选线不准确的问题，提出一种适用于谐振接地系统单相接地故障的选线新方法，利用优化后的变分模态分解对各馈线零序功率进行处理，遴选出与原始零序功率相关强度最高的本征模态函数IMF(k)，将IMF(k)转换为JPG格式的二维图像，再利用Hough变换检测技术，得到故障起始阶段IMF(k)的拟合直线及夹角；对各支路模态量拟合直线夹角进行比对处理，将最小综合相关系数值对应的馈线确定为故障馈线；仿真结果表明：该方法不受接地电阻、故障相角、噪声干扰、数据缺失等因素的影响，验证了所提方法的有效性。

针对逆变器电容老化故障的特征不明显、提取困难，且存在多分类、细分类问题，提出一种自适应白噪声完整集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)与小波包能量熵(wavelet packet energy entropy，WPEE)结合的特征提取策略，并利用改进麻雀搜索算法(improved sparrow search algorithm，ISSA)优化最小二乘支持向量机(least squares support vector machine，LSSVM)参数，完成故障诊断。首先，利用CEEMDAN处理相电压信号，获得模态分量(intrinsic mode function，IMF)，根据相关系数、方差贡献率共同筛选IMF，将含噪的IMF去噪并重构，与不含噪的IMF构成纯净IMF组，然后利用小波包分析并对其分解获取故障特征明显的WPEE；其次，通过Iterative混沌映射与随机游走策略改进的SSA对LSSVM进行参数寻优，建立诊断模型；最后，以Z源逆变器为例进行验证。结果表明：所提方法能快速有效地提取电容老化故障特征，且诊断方法更快、故障识别率更高。

电力系统宽频振荡具有宽频域、非线性和时变性的特点，对振荡分类在准确性、快速性等方面提出了更高的要求。为此，提出一种基于自适应变分模态分解(adaptive variational mode decomposition, AVMD)的多尺度模糊熵(multi-scale fuzzy entropy, MFE)和变量预测模型(variable predictive model-based class discriminate, VPMCD)相结合的宽频振荡分类新方法。首先，对宽频振荡信号进行AVMD，得到固有模态分量(intrinsic mode functions, IMFS)。然后，引入MFE对IMFS进行时域特征描述，同时实现对IMFS构造特征向量的降维处理。最后，采用VPMCD对MFE降维后的特征向量实现宽频振荡的分类检测。通过仿真和实测数据分析，结果表明，所提方法的宽频振荡分类检测准确率比支持向量机(support vector machines, SVM)、BP神经网络方法的分类准确率更高，分类时间更短。