方法:你肯定见过这样的文献:信号分解算法+深度学习方法=高水平论文期刊水平:仔细看下面的文献均来自《电网技术》、《高电压技术》、《电工技术学报》、《电力自动化设备》等国内顶级EI期刊发文日期:从2021-2023-至今,不同的分解方法搭配不同的深度学习方法,这是当前的发文主流,你也可以!
基本应用流程:(以功率预测和故障识别为例)
功率预测:
故障识别应用环节:
信号分解算法的作用是将复杂的信号分解为不同频率的子分量,从而能够更清晰地了解信号的时频特性以及其中包含的信息。以下是信号分解算法的主要作用:时频分析:信号分解算法可以有效地进行时频分析,将信号在时域和频域上分解成不同的模态成分。这有助于揭示信号在不同时间和频率上的变化特性,使得分析者能够更好地理解信号的动态行为。提取频率成分:通过信号分解,可以将信号中不同频率的成分分离出来。这对于分析信号中包含的不同频率信息具有重要意义,尤其是在处理非平稳信号或包含多个频率成分的信号时。去噪和滤波:信号分解算法可以用于去除信号中的噪音或无关成分,从而提高信号的质量。通过选择性地保留或排除特定频率的成分,可以实现对信号的滤波和去噪操作。模态分解:这些算法通常采用模态分解的思想,将信号分解为多个模态。每个模态对应信号中的一个特定频率成分,具有不同的振幅和相位。这种分解有助于更详细地了解信号的结构和组成。非线性和非平稳信号处理:一些信号分解算法,包括SGMD、SSD、SVMD等,被设计用于处理非线性和非平稳信号。它们能够适应信号在时间和频率上的变化,并提供更准确的分解结果,相比于传统的线性方法更具优势。特征提取:分解后的信号模态可以被用作特征,用于进一步的信号分析或在深度学习任务中作为输入特征。这对于从复杂信号中提取有用的信息和特征具有重要意义。集合中包含21种分解算法:(自带示例数据,直接运行)SWD(群分解)
WT(小波分解)
SSA(奇异谱分析)
SSD(奇异谱分解)
SGMD(辛几何分解)
POD(本征正交分解)
VMD(变分模态分解)
LMD(局域均值分解)
EMD(经验模态分解)
FEEMD(快速EEMD分解)
EWT(经验小波变换分解)
SVMD(逐次变分模态分解)
EEMD(集合经验模态分解)
ESMD(极点对称模态分解)
REMD(固有时间尺度分解)
MVMD(多元变分模式分解)
RLMD(鲁棒性局部均值分解)
CEEMD(互补集合经验模态分解)
TVF_EMD(时变滤波器的经验模态分解)
CEEMDAN(自适应噪声完备集合经验模态分解)
ICEEMDAN(改进自适应噪声完备集合经验模态分解)
下面是程序的分解结果:(点击图片可放大):其中部分程序如:SGMD、CEEMDAN应用了公众号“淘个代码”提供的评价指标公式:包络线,包络谱,中心频率,峭度值,能量熵,模糊熵,样本熵,近似熵,包络熵,频谱图等,更直观地评价分解的效果:
完整代码:https://mbd.pub/o/bread/ZZmbkp1q欢迎感兴趣的小伙伴点击左下角“阅读原文”或上方链接获得完整版代码哦~,关注小编会继续推送更有质量的学习资料、文章程序代码~