基于小波变换检测谐波的新方法

首次将小波变换应用于电力系统皮检测，通过对含有谐波的电流信号进行正交小波分解，分析了电流信号的各个尺度上的分解结果。利用多分辨的概念，将低频段上的结果看作不含谐波的基波分量。     

基于小波分析的电力系统谐波分析

谐波对电力系统和用电设备产生了严重危害和影响。小波变换为电力系统谐波分析提供了有力的数学工具，利用基于多分辨分析的小波分析能将电压或电流等信号分解为基波信号和高次谐波信号。本文利用小波变换对某变电所的电压信号进行了分析。     

基于小波包变换的电能质量扰动数据压缩

正交小波包变换可以对信号进行多频带分解，并根据被分解信号的特征，自适应地选择相应的频带，弥补正交小波变换的不足。将正交小波包变换与门限阀值相结合，应用于电能质量扰动数据压缩，并对其中最佳小波包的选取、门限阀值确定、算法实现等问题进行了讨论。对用电消耗信号、电压间断信号及暂态谐波失真信号进行了压缩仿真，并比较了这些信号在不同分解层次和门限限定系数取值时的压缩效果，结果验证了该方法的可行性和有效性。     

电力系统暂态信号的小波分析方法及其应用(一)小波变换在电力系统暂态信号分析中的应用综述

暂态信号分析是电力系统故障诊断和暂态保护的基础和依据，小波变换为暂态信号分析提供了强有力的数学工具。本文对国内外小波变换在电力系统暂态信号分析的应用研究内容及现状进行了综述，展示了一些新思路，指出了存在的问题和进一步研究的方向。     

小波分析在电能质量检测上的应用研究

把小波多分辨率分解方法和小波包分解方法应用于电能质量短期变化分析中，通过小波变换对信号进行多分辨率分析可以判断出信号是短时断电、电压骤升、电压骤降还是短时谐波，如果足短时谐波，则可利用小波包分解的方法进行时频分析。     

电力暂态信号小波分析的后处理方法研究

由于电力系统暂态信号经小波变换后信息繁多,需要研究对小波分解的大量信息进行恰当后处理和自动特征提取的方法。文章从定量分析的角度介绍了小波分析后处理的概念,探讨了几种电力系统暂态信号小波变换后的特征提取方法,即后处理方法,包括模极大值与奇异性分析、能量分布分析、小波系数聚类分析、小波系数统计分析、小波熵分析,以及将其用于电力系统故障检测和分类的物理意义。对一种新型后处理方法小波奇异谱熵在频变系统中的应用进行了仿真分析,结果表明该后处理方法可应用于电力系统设备和线路的故障检测。     

二进小波变换在柴油机故障诊断中应用

为了利用小波变换对柴油机缸盖振动信号进行加工处理进而对柴油机进行故障诊断,从小波分析和二进小波变换的有关知识入手,提出了二进小波模量极大值去噪算法。在此基础上,对柴油机缸盖振动信号进行了分解,有效地实现了信噪分离,较好地保留了有用信息,同时提出了能量百分比的概念进行故障诊断。实验结果表明：与短时傅里叶变换相比,小波分析可以更充分地提取振动信号中的特征,利用二进小波变换对缸盖振动信号进行分析进而对柴油机进行故障诊断,取得了较好的效果。     

小波变换在电力系统中应用研究

小波变换与Fourier变换相比具有良好时域局部化特征，时域窗口随信号的变化自动调整。综述了近年来小波分析在电力系统中的应用情况，按照小波分析在电力系统各个应用领域进行分类、归纳和总结，说明了小波分析在电力系统各方面的应用是相当成功的，有很广阔的应用前景。同时也指出小波分析的不足之处，表现在2个方面；线调频小波变换比小波变换的时域窗口更加灵活，对噪声和和信号频率混叠现象的消噪分离更有效；小波分析缺乏有效的快速算法，因而很难满足实时性的要求，同时基于它用来检测、分析电力系统中出现的各种故障的相应硬件产品还未研制出来。     

基于小波包变换的电力系统谐波分析

由于新能源的广泛应用和电力电子设备的迅速增长,电力系统谐波越来越被关注,精确有效的谐波分析方法研究具有实际意义。基于小波包变换的良好局部性,小波包变换广泛应用于谐波分析,重点分析了小波函数的选取和分解层数的确定。通过仿真,得到了基于小波包变换谐波分析方法的最优小波函数与分解层数:选用小波函数sym35对谐波信号进行5层分解,得到的谐波分析结果通常是比较理想的。     

电力线噪声信道下基于小波包变换的OFDM信号检测

电力线通信中面临低信噪比下信号检测的问题。文中将电力线通信最常见的调制信号—OFDM信号作为检测对象,分析了小波包变换的良好时频分析特性,根据OFDM信号与其他单载波信号具有不同的小波包分解特性,引入利用MATLAB平台对该模型进行仿真,仿真结果表明该检测方法可以在低信噪比情况下实现OFDM信号的检测,体现了小波包变换应用于电力线通信信号检测中的优越性。     

小波分析及其在电力系统中的应用(一) 概 论

作为系列论文－小波分析及其在电力系统中的应用的第一篇，主要介绍小波分析的发展历程和它的重要工程应用价值，并探讨了小波分析在电力系统各个领域应用的可能性。     

小波基在低压电力线信道有色背景噪声建模中的应用研究

小波马尔科夫链法可用于低压电力线信道中有色背景噪声的建模,但小波基函数的不同会对噪声的建模精度产生较大影响。基于常用的几种小波基函数对同一组有色背景噪声分别开展小波马尔科夫链仿真建模,并计算了建模前后的功率谱密度及其均方根误差。研究结果表明,Daubecies、Biorthogonal和Haar小波基函数中Daubecies小波基函数的建模精度较高,Haar小波基次之,Biorthogonal小波的建模效果较差。在这3种小波基函数中,Daubecies小波可选为有色背景噪声进行小波马尔科夫链建模的最佳小波基函数。     

Artifact cleaning of motor imagery EEG by statistical features extraction using wavelet families

Electroencephalogram (EEG) and its sub-bands represent electrical pattern of human brain. EEG signal contains transient components, spikes, and different types of artifacts due to eye blinking, movement of the person, anxiety, and so forth, during EEG capture. Wavelet transforms are powerful mathematical tool for sampling approximation to get clean EEG. It also helps in filtering, sampling, interpolation, noise reduction, signal approximation and signal enhancement, and feature extraction. In this paper, we have analyzed artifact cleaning via PSD graphs and statistical features extracted from motor imagery EEG-like standard deviation variance. For this, we considered 19 channels EEG signal and applied orthogonal Daubechies wavelet, bi-orthogonal rbio wavelet and Coifman wavelets to check the better performance of different wavelets. Coifman wavelet uses both scaling function and vanishing moments for sampling approximation and hence give smooth sampling compared to rbio and Daubechies wavelet transforms. Coif is a compactly supported wavelet system which also helps in smooth sampling approximations than other wavelets in the state of arts. The detailed coefficients and approximate coefficients can be further used for extracting features from EEG and classification purposes. Artifacts cleaning is thus observed better in coif wavelet analysis compared to other wavelets from the power distributions as power spectral density (PSD) graphs, standard deviation and variance obtained. Matlab R2013b is used for filtering and sampling EEG. Python 2.7 is used for statistical features extraction.     

一种低压配电网载波通信信号分析的新方法

低压电力网的噪声成分复杂,随负荷变化在,且具有很强的非平稳特性。因此,如何有效地对接收的载波信号进行处理是个十分困难的问题。该文通过分析小波及小波包的特性,提出了一种可以解决这一困难的方法。小波分析是一种一维时频分析方法,它同时具有时域和频域的良好局部化特性及自动调节的时频窗,可以聚焦到信号的任意细节,但对高频信号的频域分辨率较低。小波包分析能够为信号提供一种更加精细的分析方法,它对小波分析中没有细分的高频部分进一步分解,并能够根据信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,从而提高了频率分辨率。该文对二者进行了分析比较,并将其应用于处理实际低压配电网中采集到的通信信号,得出了满意的结果。     

小波分解和高次小波差分的奇异点

提出小波变换矩阵B [n×n],它可将数字采样数列F[n]分解为Haar小波级数的系数C[n],其中n是 2的整数次幂 ,小波变换逆矩阵B- 1=BT,所以小波变换矩阵的方法能十分方便地进行小波分解C =B·F和小波重构F =BT·C。如令某些C[k]=0 ,其中k从 1到n/2 ,然后令高次小波差分为C1[k]=C[k]-C[k - 1],它能为原函数F[n]指出它的奇异变化点 ,文中作了图示举例     

小波分析在系统辨识中的应用

对小波分析的主要研究方向和特点进行了介绍，综述了小波分析在系统辨识中的应用。针对不同的辨识模型，讨论了小波分析不同的应用形式，研究了小波网络在系统辨识中的应用。最后探讨了小波分析在系统辨识中的研究方向。     

对EHV输电线路暂态保护中小波函数选择的研究

小波函数的选择是暂态保护的一个重要问题。文章介绍了小波函数的各种特性，讨论了EHV输电线路暂态保护中小波函数的选择问题，指出要针对不同的研究目的，根据不同小波的特性，选取合适的小波函数。     

基于双正交小波和复小波的次同步谐振检测方法

提出一种可实时提取次同步分量的算法,可有效地对次同步谐振进行监控和报警。算法用双正交小波滤波器滤除高次谐波,然后后复值小波提出工频分量,从而得到频率小于工频的次同步分量。由于以上两种小波分别使用Mallat和递推快速算法,所以可保证算法的实时性。     

谐波小波包在接收机中的应用研究

在强噪声环境中检测出微弱信号的能力是接收机重要性能指标之一.为了提高接收机在强噪声环境中检测微弱信号的能力,将小波去噪算法和谐波小波滤波算法应用到接收机的数字处理部分,并使用MATLAB软件做了相应的仿真.仿真结果表明,在-30 dB的信噪比下,小波去噪算法效果不理想,谐波小波滤波算法取得较好的效果,能够在强噪声环境中...     

基于小波包分析的指纹图像初滤波

结合指纹图像高频丰富的特点,以及小波包分析高频分辨率高的特性,采用小波包分析对指纹图像进行初滤波。实验表明,该方法对含高斯白噪声的指纹图像取得了较好的滤波效果。