基于独立成分分析的火电厂数据重构方法

独立成分分析的数据检验方法在对测量参数相关性分析的基础上,通过对一个多元数据的非奇异变换,使变换后的数据分量相互独立,再通过独立成分分析进行信号复原,实现测量数据的重构。研究了测量数据的独立成分的分析过程,阐述快速独立成分分析算法原理,介绍基于此的冗余传感器诊断方法。采用快速独立成分分析算法对某电厂600 MW机组主蒸汽压力数据进行分析和重构,结果表明采用独立成分分析重构的各个测量参数可对故障仪表进行有效的数据检验。     

基于向量投影的数据检验PCA方法

提出了一种基于向量投影的数据检验PCA方法，该方法在对测量参数相关性分析的基础上，采用主成分分析进行建模，提取了其中的主要特征信息，实现了高维复杂数据的降维，通过数据重构可对各测量数据进行正确的估计，采用向量投影的方法对重构残差向量进行变换，通过得出的两类结构化残差可对故障仪表进行正确的检测与定位。以国产200MW机组为具体对象，给出了该方法的算例和检验结果。     

EMD小波变换水轮机故障奇异数据还原研究

水轮机组状态监测数据由于受到传感器、测量条件、环境等因素影响会造成数据失真,产生众多奇异点,对正确分析机组运行状态十分不利。本文提出通过经验模态分解与小波变换相结合的方法来分析水轮机故障信号的奇异性,该方法将原始信号经验模态分解后,利用小波变换检测出信号中的奇异点,并将剔除奇异点的信号重构,通过重构信号对机组进行分析。实例仿真表明,与直接对原信号进行小波分析相比,该方法提取的奇异性特征明显并能准确重构,在采用通用传感器信号准确描述机组状态和正确认识机组故障上有较好的应用价值。     

电站关联规则的主元分析挖掘方法及传感器故障检测

提出了基于主成分分析的相似关联规则的数据挖掘方法,并利用最小二乘支持向量回归方法对传感器进行故障检测。通过主成分分析寻找具有相似关联规则的参数,利用参数间的相似关联关系,建立最小二乘支持向量回归模型,通过该模型生成残差对传感器进行状态监测和故障定位,并对故障数据进行重构,代替故障数据。通过某300 MW机组数据实例分析,表明该方法能准确快速地寻找具有较高相似关联规则的参数,并能给出可信的重构数据,具有一定的实用性。     

基于联合字典的暂态脉冲谐波信号检测方法

从电力系统谐波信号中快速有效地提取电能质量暂态脉冲信号,对提高现代电力系统的工作效率有重要意义。传统的快速傅里叶变换(FFT)方法速度较快,但精度不高,且无法准确检测出谐波信号中的暂态脉冲成分。为准确提取出暂态脉冲成分,同时检测出谐波信号成分,提出了一种基于联合字典的信号检测方法。该方法利用形态学成分分析(MCA)将原始信号分离与检测问题转换为约束优化问题。通过构造联合字典并利用交替方向乘子法(ADMM)求解约束优化问题,将信号中各成分单独表示出来。仿真算例表明,该方法能快速有效地分离暂态脉冲信号和谐波信号,准确检测出暂态脉冲信号的扰动信息以及谐波信号的特征信息。     

电厂开关柜局部放电振动信号降噪方法研究

针对电厂开关柜运行环境复杂,振动干扰较强,又需要保留振动干扰、分析振动干扰特征的问题,将基于相空间重构的ICA降噪方法应用到电厂开关柜局放振动信号中,进行信噪分离。首先依据相空间重构,在不破坏信号本身动力学特征的情况下构造高维相空间矩阵。然后利用独立分量分析方法进行信噪分离,提取有用振动信号。仿真信号和实际检测数据的应用表明,所提方法与小波法降噪能力相当,甚至更优;且不需要考虑最优小波基和最佳分解层数,自适应强,易于实现;且适用于电厂开关柜局放振动信号降噪。     

一种心音信号盲源分离方法

为了有效实现单路心音混合信号的盲分离,本文提出了一种基于EMD分解和独立成分函数的单路含噪心音信号盲源分离的方法。首先讨论了单路混合信号的分离模型,含噪信号预处理的方法,以及如何利用EMD变换进行窄带分层和获取独立成分函数的技术;然后通过独立成分函数作为基函数对单路含噪心音信号进行分解,使单路心音信号由一维向量转变为多维向量,从而实现心音信号的盲源分离;最后通过实际的心音分离实验,验证了本方法的实用性,其分离结果的相似度达到0.9792。     

基于小波包混合优化的欠定盲源分离方法

为解决欠定盲源分离问题,提出一种基于小波包混合优化的欠定盲源分离方法。 该方法采用小波包变换将观测信号分 解,将观测信号的维数进行扩展,利用互相关系数值剔除冗余的信号分量,欠定盲源分离问题得到转化。 接着使用贝叶斯信息 准则下的奇异值分解方法估计源信号数目,通过白化过程对信号降维。 最后,引入鲸鱼优化算法中的螺旋泡网狩猎行为与莱维 飞行策略,对灰狼优化算法进行改进,将改进后的混合灰狼优化算法与独立成分分析算法相结合,实现重构正定白化信号的分 离,从而得到源信号的近似估计。 通过仿真实验对算法性能进行测试,结果验证所提方法的可行性和有效性。     

基于独立成分分析的谐波检测

谐波对电力系统及电气设备有很大危害。谐波检测是抑制谐波的重要环节,由观测信号分离所含的未知谐波信号是谐波检测的目的。作者基于独立成分分析算法的有关理论,将该算法应用到谐波检测中。该方法只需一个周期的待测信号,通过构造适当的混合信号,便可使用独立成分分析算法进行运算。利用MATLAB仿真含有谐波的信号,应用该方法进行检测,结果表明,该方法不但可检测谐波次数、幅值和初相角,还可检测间谐波,且检测精度较高。     

改进新息图法在不良数据检测与辨识中的应用

针对连支测量值为不良数据时,传统新息图法检测与辨识过程的无连续性问题,提出基于蚁群算法的改进新息图法。该方法根据配电网的网孔对配电网的支路进行编码,建立独立回路矩阵,通过对连支测量值的自动判断,利用简化的蚁群算法生成新树,对配电网络中的不良数据进行高效地检测与辨识。采用IEEE14节点配电系统对此方法进行验证,并与新息图法进行对比分析,仿真结果证明改进新息图法在时间上的高效性和在检测与辨识上的准确性。     

基于小波分量奇异值分解的单通道盲分离算法

针对单通道盲分离领域先验信息不足的问题,提出了一种基于小波变换、奇异值分解和独立分量分析的单通道盲分离算法.首先对单路传感器接收的信号进行小波分解和重构,得到一组代表原始信号特征的细节信号,对其施加奇异值分解并剔除小于门限值的奇异点,以此消除干扰信号和噪声的影响.然后将经过处理的细节信号组作为独立分量分析算法的输入信号...     

基于相对变换的ICA故障检测方法

针对传统独立主元分析方法(independent component analysis,ICA)在标准化处理后导致特征值大小近似相等,难以提取有代表性变量等问题,提出了一种基于相对变换的独立主元分析(relative transformation ICA,RTICA)故障检测方法。该方法引入欧氏距离相对变换理论,将原始空间数据变换得到相对空间,然后在相对空间进行独立主元分析,降低相对空间的数据维数,使提取的独立主元特征具有更大的适应性,建立故障检测模型,最终实现在线故障检测。该方法通过田纳西-伊斯曼过程仿真加以验证,并应用到电主轴裂纹故障的状态监测中,实验结果表明该方法能有效减少独立主元个数,简化故障检测模型的复杂度,增强状态检测性能。     

基于改进DEMD和ICA的海上风机传动系统早期故障诊断

针对传动系统早期故障振动信号较弱的情况,提出基于改进微分经验模式分解(DEMD)和独立分量分析(ICA)的海上风机传动系统早期故障诊断方法。为克服传统的DEMD算法在分解低阶本征模态函数(IMF)时存在失真现象,提出改进的微分经验模式算法将原始振动信号分解成若干个独立的IMF信号,结合ICA进一步进行原始振动信号故障特征分量的提取,并基于标准数据和风机动力传动故障诊断实验平台进行了仿真研究,最后选取海上风电机组传动系统常出现的发电机轴承故障进行诊断分析。结果表明,相对于传统的故障诊断方法,该方法能更好地放大故障分量,减少噪声和其他振动干扰信号的影响,提高了海上风电机组传动系统早期故障诊断的准确性。     

基于JADE算法的变压器振动信号分离的研究

为了实现变压器绕组和铁心振动信号的分离,从而达到对绕组与铁心运行状态监测的目的,文章利用独立分量分析理论(ICA)与联合近似对角化算法(JADE),将变压器铁心、绕组的振动信号从传感器监测到的混合信号中分离出来,并根据各个部件振动信号与数据库原始信号中的频率特性对比分析,判断变压器的故障隐患。采用LabVIEW与MATLAB混合编程技术对JADE算法进行编程,由仿真结果可知:在信号源和混合参数未知的情况下,JADE算法能根据观测信号以及源信号统计独立的假设对源信号进行可靠分离。     

A novel method for power quality multiple disturbance decomposition based on Independent Component Analysis

In this paper, a novel method for power quality signal decomposition is proposed based on Independent Component Analysis (ICA). This method aims to decompose the power system signal (voltage or current) into components that can provide more specific information about the different disturbances which are occurring simultaneously during a multiple disturbance situation. The ICA is originally a multichannel technique. However, the method proposes its use to blindly separate out disturbances existing in a single measured signal (single channel). Therefore, a preprocessing step for the ICA is proposed using a filter bank. The proposed method was applied to synthetic data, simulated data, as well as actual power system signals, showing a very good performance. A comparison with the decomposition provided by the Discrete Wavelet Transform shows that the proposed method presented better decoupling for the analyzed data.     

基于EMD的ICA方法在电力载波通信信号提取中的应用

提出了1种结合经验模态分解的独立分量分析方法：首先对采样得到的1路电网电压信号进行经验模态分解，得到1组固有模态函数；通过计算它们的互相关系数，找出独立性最强的几个，接着用独立分量分析的方法处理这几个固有模态函数与原采样到的电压信号，最后得到1组彼此独立的独立分量，从而提取出通信信号。该方法综合了经验模态分解和独立分量分析的各自的优点，克服了独立分量分析不能对单一采样信号进行分析的缺点，利用独立分量分析方法提高了信号提取的效果。实验表明：文中提出的方法是有效且可行的。     

局部放电脉冲信号ICA提取技术的初步研究

为了提高局部放电在线监测的灵敏度,根据独立成分分析(ICA)基本模型的定义,提出将背景噪声信号与局放脉冲信号看成两个相互独立的信号源,不同观测点获取的观测信号为两者的线性混合,从而可以实现两者的分离的方法。利用ActiveX自动化技术实现了可用于局放脉冲信号提取的ICA软件模块;基于双通道超宽带检测技术,对加噪后的直流下油纸绝缘针板缺陷模型的局放脉冲序列提取进行了试验研究并且利用峭度准则与试验电压极性相结合的方法消除了局放脉冲提取的ICA含混性问题。实验结果表明:该方法能够提取被背景噪声完全淹没的脉冲信号,可以恢复出单个局放脉冲波形、脉冲波形之间的相对幅值关系以及脉冲极值所对应的时间点等重要局部放电信号信息。     

基于Bootstrap方法的独立分量分析可靠性研究

语音信号盲分离受到随机采样的数据所影响,产生统计可靠性问题,从而影响分离的效果.Bootstrap方法是以原始数据为基础的抽样统计推断法,可方便的应用于实际的数据处理之中,分析ICA的统计可靠性,但传统Bootstrap方法本身的计算特性限制了自助样本的生成范围,从而使得自助概率分布产生了一定的偏离,使之无法渐近于真实情形.本文通过对Bootstrap样本生成范围的拓展,改进了独立分量分析在语音信号应用的可靠性算法,获得了更加精确的可靠性参数.     

Feature extraction by supervised independent component analysis based on category information

Independent component analysis (ICA) is a technique of transforming observation signals into their unknown independent components; hence, ICA has often been applied to blind signal separation problems. In this application, it is expected that the obtained independent components extract essential information of independent signal sources from input data in an unsupervised fashion. Based on such characteristics, ICA is currently utilized as a feature extraction method for images and sounds for recognition purposes. However, since ICA is an unsupervised learning, the obtained independent components are not always useful in recognition. To overcome this problem, we propose a supervised approach to ICA using category information. The proposed method is implemented in a conventional three‐layered neural network, but its objective function to be minimized is defined not only for the output layer but also for the hidden layer. The objective function consists of the following two terms: one evaluates the kurtosis of hidden unit outputs and the other evaluates the error between output signals and their teacher signals. The experiments are performed using several standard datasets to evaluate performance of the proposed algorithm. It is confirmed that a higher recognition accuracy is attained by the proposed method as compared with a conventional ICA algorithm. © 2007 Wiley Periodicals, Inc. Electr Eng Jpn, 161(2): 25–32, 2007; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20522     

基于独立分量分析的电力系统瞬时电压畸变信号判别方法

提出一种基于独立分量分析(independent component analysis,ICA)的瞬时电能质量扰动信号检测与判别方法。利用ICA可将相互独立的源信号从其线性混合信号中分离出来的特点,以负熵作为衡量信号独立性的目标函数,通过优化此函数,得到一种固定点算法：FastICA算法,用此算法对包含瞬时电能质量扰动信号的电网电压信号进行计算,可分离出与扰动相对应的信号。对于不同类型的扰动,分离出的信号具有不同的波形特征,根据这一特点,可对扰动进行判别并确定其位置和持续时间。仿真试验结果表明,该方法对瞬时电压跌落、瞬时电压上升、瞬时脉冲、瞬时电压中断、谐波等多种瞬时电压畸变信号有较好的检测与判别效果。