基于二维变分模态分解和Hilbert变换的局放信号特征提取方法

本文通过对二维Hilbert-Huang变换方法的改进,提出了一种基于二维变分模态分解(VMD)和Hilbert变换的局部放电灰度图像特征提取方法。首先,利用局部放电样本生成相应放电灰度图;其次,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的模态分量;然后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量;最后,以BP神经网络分类器对提取出的局部放电特征量进行分类和识别。实验结果验证表明,同二维Hilbert-Huang变换和传统放电灰度图特征提取方法相比,基于本文方法所得特征量具有更高的正确识别率,验证了该方法的可行性。另外,本文所采用的二维VMD-Hilbert方法为局部放电信号的频谱分析拓展了新的思路。     

基于优化VMD与噪声估计的间隔阈值局部放电去噪方法

为了抑制局部放电(PD)信号中含有的窄带周期干扰和白噪声,提出一种基于优化的变分模态分解(VMD)阈值去噪方法。首先针对VMD算法可能造成染噪信号欠分解或过分解的问题,提出一种基于频谱分析和四分位数的模态分解数K值优化方法,并结合模态的峭度特征去除窄带周期干扰和高频白噪声;针对PD信号主导模态中残留的白噪声,利用文中研究中发现的VMD分解白噪声所得模态的两个统计特性,提出一种噪声标准差估计方法来确定阈值,最后引入间隔阈值函数对PD信号主导模态进一步去噪。采用该方法对仿真和实测信号进行去噪处理,并将其与传统方法进行对比,结果表明,所提方法不仅可以更有效地抑制噪声,同时也能更好地保留PD信号的特征。     

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。     

基于EEMD与边际谱能量的电缆局部放电定位方法

振荡波局部放电试验在电缆绝缘缺陷检测中得到了越来越多的研究和应用,但背景噪声干扰和放电脉冲匹配的问题会影响局部放电定位的准确度。为实现振荡波电压下电缆绝缘缺陷的准确定位,提出一种基于集合经验模态分解与Hilbert边际谱能量的局部放电定位方法。首先采用移动窗口阈值法提取出局部放电脉冲信号,采用集合经验模态分解算法对信号进行分解,对得到的各分量进行Hilbert变换获得其边际谱能量值;然后选择不同本征模态函数分量在原始信号边际谱能量值的占比作为特征量,计算信号相似度进行入射脉冲信号和反射脉冲信号的匹配,最终采用时域反射法进行局部放电定位;最后对35 kV电缆进行振荡波耐压试验,对检测到的局部放电信号进行定位计算。结果表明,提出的方法可以在高斯白噪声较强的情况下实现电缆绝缘缺陷定位,定位平均误差可以达到1.15%。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

综合高低频段分量的谐振接地系统故障选线

针对谐振接地系统单相接地故障特征提取困难、故障识别率低的问题,提出一种基于参数优化变分模态分解VMD(variational modal decomposition)的选线方法.首先,利用果蝇优化算法对变分模态分解的影响参数组合进行迭代寻优,以获取最佳分解层数K及惩罚因子α,通过优化后的变分模态分解将各馈线零序电流分解为若干个反映信号局部特性的本征模态函数.其次,通过希尔伯特(Hilbert)边际谱能量熵反映各馈线零序电流低频段衰减直流分量的含量差异度,利用曲线斜率反映各馈线高频段暂态电容分量与母线零序电压导数的线性关系,构成综合高、低频段故障特征的双重选线判据.大量Matlab/Simulink仿真结果验证了该方法在不同故障情况下选线的准确性.     

基于参数优化VMD和能量相似度的配电网故障区段定位方法

针对配电网发生单相接地故障时故障特征微弱且易受外界噪声干扰的问题,提出了一种基于参数优化变分模态分解(VMD)与能量相对熵相结合的故障区段定位方法。首先通过鲸鱼优化算法优化后的VMD分解故障零序电流得到若干个反映局部信号特征的本征模态分量(IMF),进而求取各IMF分量的Hilbert边际谱,选取能量最大的分量作为故障零序电流的暂态主频分量,利用能量相对熵衡量相邻检测点暂态主频分量的能量差异,计算比较,确定熵值最大的区段即为故障区段。仿真结果表明,本方法不受故障位置、故障初相角等不同故障条件的影响,且在有噪声干扰时仍可实现高正确率故障区段定位。     

基于加窗振动分离和变分模态分解的行星轮故障特征提取

行星齿轮箱振动信号复杂且其传递路径具有时变性,导致故障特征提取困难。针对该问题,提出基于加窗振动分离和变分模态分解(VMD)的行星轮故障特征提取方法。首先利用角域同步平均消除非同步分量;随后对平均后的振动信号进行加窗分离;采用观察中心频率的方法确定参数K,然后对分离的振动信号进行VMD分解并选取包含故障的特征分量;最后对选取的特征分量进行Hilbert解调分析实现故障特征提取。通过行星轮齿根裂纹故障实测信号分析,验证该方法能有效提取行星轮故障特征。     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

基于变分模态分解和Hilbert变换的平滑风电出力混合储能容量优化配置

由于风力发电系统在并网过程中容易受到风速随机性、间歇性的影响。因此,在风电机组并网处安装储能装置不仅可以平滑功率波动,还可以获得良好经济效益。提出了变分模态分解-希尔伯特变换(VMD-Hilbert transform,VHT)的时频分析储能系统容量配置方法。首先通过滑动平均滤波获得的储能系统参考功率,采用变分模态分解(Variational Mode Decomposition,VMD)将储能系统参考功率,即非平稳信号分解为数个单分量信号——固有模态函数分量(IMFs),通过Hilbert变换得到时频谱,对时间积分计算获得各模态函数分量的边际谱,与传统HHT(Hilbert-Huang transform,HHT)相比,能够有效避免频谱混叠;最后根据边际谱选择分频点,分别将高频信号和低频信号分配给超级电容器和蓄电池。目标函数考虑了经济周期成本,仿真实验结果验证了所提方法的有效性和经济优势,因此,在新能源发电中为储能系统配置提供了新的方法。     

基于 VMD 相对能量熵和自适应 ARMA模型的轴承性能退化趋势动态预警

为了有效监测滚动轴承性能退化趋势及其指标异常波动,提出了一种基于变分模态分解(VMD)的相对能量熵和自回 归滑动平均(ARMA)模型的滚动轴承性能退化趋势动态预警方法。 方法利用 VMD 对滚动轴承寿命数据进行分解,得到有限带 宽固有模态函数(BLIMFs);对该 BLIMFs 分量的能量进行相对熵分析,提取滚动轴承性能退化特征,得到 VMD 相对能量熵的轴 承性能退化评估指标;该相对能量熵值作为输入供 ARMA 模型进行动态回归预测。 试验结果表明,该方法能有效监测滚动轴 承性能退化趋势、指标的异常波动,验证了所提方法的有效性。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。     

应用变分模态分解和独立分量分析的变压器 局部放电信号特征提取研究

变压器局部放电信号中存在大量的电磁干扰,为有效提取特征量,提出利用变分模态分解法将被测信号分解成围绕若干中心频率波动的模态,同时去除白噪声;再进行含变压器局部放电信息的模态重构,用独立分量分析法滤除周期干扰噪声,实现信号的特征提取。仿真结果验证了方法的有效性,具有良好的去噪效果。     

基于变分模态分解和小波分析的变压器局部放电去噪研究*

为有效去除变压器局部放电信号中大量的电磁干扰,针对现有经验模态分解存在模态混叠等问题,提出将一种新的信号分解算法——变分模态分解结合小波运用在变压器局部放电信号中来抑制窄带周期干扰和白噪声。首先利用变分模态分解将含噪信号分解成若干个以某中心频率波动的模态,在分解过程中自动滤去白噪声;然后提取含局部放电信息的模态进行重构;最后通过小波去除残余窄带周期干扰,进而实现干扰抑制。仿真和实测信号分析结果表明,该方法能很好地抑制两类干扰,保留局部放电信号特征,验证了采用变分模态分解结合小波去除噪声的有效性,为局部放电信号去噪提供了一种新的方法。     

Transformer partial discharge signal reconstruction and feature extraction method based on time–frequency matrix

Effectively extracting power transformer partial discharge (PD) signals is of great significance for monitoring the power transformer insulation state. However, practical and effective extraction methods have been lacking. This paper proposes a novel method for the extraction PD signals feature by the analysis of their time–frequency matrix. First, empirical mode decomposition (EMD) is carried out for raw signals to obtain the complete Hilbert time–frequency spectrum. Second, the frequency band partition is carried out. And the component of raw signals on each frequency band is constructed after filtering by a Hilbert–Huang transform (HHT) band‐pass filter. Then the time–frequency matrix is constructed by different frequency band components, and singular value decomposition is carried out. Using its singular value energy spectrum, the PD signal is reconstructed, further realizing feature extraction. Finally, the analysis result from actual examples indicates that this method can effectively extract PD signal feature frequency spectrum, and meanwhile also can eliminate the strong background interference and retain the higher time–frequency resolution. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.