IMF

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。

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%。

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。