如何对断路器合闸行程曲线进行完全自适应噪声集合经验模态分解（CEEMDAN）？并绘制图 请给出python代码

对断路器合闸行程曲线进行完全自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN）通常用于信号处理，尤其是非平稳信号分析，如电力系统设备状态监测中的数据。这个方法结合了Ensemble Empirical Mode Decomposition (EEMD) 和 Adaptive Noise (AN) 算法，能有效提取信号中的内在模式。

以下是Python代码的一个简化版示例，使用PyEMD库来实现CEEMDAN，假设我们有一个名为`breaker_travel_curve`的数据数组：

# 首先，需要安装必要的库
!pip install pyemd

import numpy as np
from pyemd import EMD, CEEMDAN

# 假设你的断路器合闸行程曲线在这里
travel_curve = ...  # 你应该有一个numpy数组

def plot_curve_and_emd(c):
    plt.figure(figsize=(10, 5))
    plt.plot(c)
    plt.title('原始断路器合闸行程曲线')

def ceemd_analysis(data):
    emd = EMD()
    imfs, residual = CEEMDAN(data, ensemble_size=100, adaptive_num=10)
    return imfs, residual

# 分解数据
imfs, residual = ceemd_analysis(travel_curve)

# 绘制IMFs和残差
plt.figure(figsize=(15, 8))
for i, IMF in enumerate(imfs):
    plt.subplot(2, len(imfs), i+1)
    plot_curve_and_emd(IMF)
    plt.title(f"第{i+1}阶本征模态函数")
plt.subplot(2, len(imfs)+1, len(imfs)+1)
plot_curve_and_emd(residual)
plt.title("残差")