基于EMD的Hilbert变换应用于暂态信号分析

将一种新的非平稳信号处理方法——基于经验模态分解(EMD)的希尔伯特（Hilbert）变换方法，应用于电力系统暂态信号分析中。通过EMD方法提取信号的固有模态函数（IMF），再进行Hilbert变换，求瞬时频率、瞬时振幅，得到信号的Hilbert谱，进而得到Hilbert边际谱，对故障暂态和扰动信号进行了分析。通过瞬时频率进行故障暂态和扰动时刻的准确检测；通过Hilbert边际谱与傅里叶幅值谱的比较，表明Hilbert边际谱在分辨率上具有明显的优越性。该方法为电力系统暂态信号分析提供了一种新的分析手段。仿真结果验证了该方法的有效性。     

HHT方法在电力系统故障信号分析中的应用

论文应用HHT方法来进行电力系统故障信号的分析.该方法利用经验模态分解法(EMD)将复杂的故障暂态信号分解成有限个固有模态信号(IMF),从而使Hilbert变换(HT)的瞬时频率具有实际物理意义.通过瞬时频率和进一步得到的Hilbeert边际谱,对故障暂态信号进行了分析.仿真结果表明:该方法可以从时频两方面同时对故障信号进行分析;能够实现对故障时刻的准确检测;能够提取、区分电力系统谐波分量;Hilbert边际谱的分辨率优于傅里叶谱.     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.     

Hilbert-Huang变换在电力系统过电压识别中的应用

将希尔伯特-黄变换(HHT)方法引入到过电压信号分类识别研究中,该方法由经验模态分解(EMD)与Hilbert变换两部分组成,能够定量、准确地对信号幅值及频率特征进行刻画。采用HHT方法对7种电力系统中常见的过电压信号进行了分析计算,结果表明HHT方法计算得到的瞬时幅值谱、Hilbert边际谱、Hilbert时频谱,能够作为特征量对不同种类型过电压进行分类识别。基于HHT算法与RBF神经网络搭建了过电压信号分层识别系统,并以实测过电压数据对其进行验证,结果表明,该分类识别系统能够有效地对过电压信号进行分类识别,并具有较高的识别率。     

基于HHT的电力系统暂态复合扰动信号的提取分析与研究

针对电力系统非线性和非平稳性暂态复合扰动信号的提取要求,采用经验模态分解(EMD)从信号的时间尺度特征出发对信号进行分解,实现了信号自适应的频带划分,在此基础上进行Hilbert变换,分离出了各扰动信号的时间、频率和幅值特征,仿真结果表明该方法对电力系统非平稳的扰动信号具有较好的分析效果.     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于HHT的电力系统暂态复合扰动信号的提取分析与研究

针对电力系统非线性和非平稳性暂态复合扰动信号的提取要求,采用经验模态分解(EMD)从信号的时间尺度特征出发对信号进行分解,实现了信号自适应的频带划分,在此基础上进行Hilbert变换,分离出了各扰动信号的时间、频率和幅值特征,仿真结果表明该方法对电力系统非平稳的扰动信号具有较好的分析效果。     

Hilbert-Huang变换在电力系统暂态信号分析中的应用

以一种全新的非线性信号分析方法——Hilbert-Huang变换(Hilbert-Huang transform,HHT)为基础,将其应用于电力系统暂态信号方面的研究。该方法利用经验模态分解法EMD(empirical mode decompo-sition)将暂态信号分解成有限个固有模式函数IMF(intrinsic mode function),从而根据Hilbert变换求出每一个固有模式函数瞬时频率和瞬时幅值,对电力系统暂态信号进行分析。仿真和实例分析结果均表明,该方法具有很强的自适应能力,应用于电力系统暂态信号分析方面具有可行性、有效性。     

基于粗糙集神经网络和振动信号的高压断路器机械故障诊断

为了准确检测出高压断路器的机械故障类型,该文提出一种基于本征模态边际谱能量与粗糙集神经网络相结合的高压断路器振动信号故障诊断方法。首先将断路器的振动信号经过经验模态分解(EMD),得到若干个本征模态函数(IMF),对各个IMF分量进行希尔伯特(Hilbert)变换得到Hilbert边际谱,求取Hilbert边际谱的二次方得到Hilbert边际谱能量作为特征向量。基于粗糙集理论对特征向量进行属性约简分析,从而建立简单明了的决策表,根据决策表规则建立径向基函数(RBF)神经网络故障模型。实验结果表明,该方法能有效对高压断路器的机械故障类型进行分类。     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法。将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行H ilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的H ilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性。     

采用Hilbert-Huang变换和支持向量机的过电压分类识别方法(英文)

This paper proposes an effective method for over-voltage classification based on the Hilbert-Huang transform(HHT) method.Hilbert-Huang transform method is composed of empirical mode decomposition(EMD) and Hilbert transform.Nine kinds of common power system over-voltages are calculated and analyzed by HHT.Based on the instantaneous amplitude spectrum,Hilbert marginal spectrum and Hilbert time-frequency spectrum,three kinds of over-voltage characteristic quantities are obtained.A hierarchical classification system is built based on HHT and support vector machine(SVM).This classification system is tested by 106 field over-voltage signals,and the average classification rate is 94.3%.This research shows that HHT is an effective time-frequency analysis algorithms in the application of over-voltage classification and identification.     

一种改善HHT端点效应的新方法及其在电能质量中的应用

利用Hilberr-Huang变换(HHT)方法进行电能质量检测分析,可以得到准确的瞬时频率和瞬时幅值,但该方法在应用中存在严重的端点效应,会影响分析结果。为了改善其端点效应问题,提出了一种基于人工神经网络和镜像延拓相结合的新方法对短时间序列进行延拓。采用三层BP神经网络对信号两端进行延拓,用带镜像延拓程序的经验模态分解(EMD)方法对延拓后的信号进行边分解边延拓,得到具有原始信号长度的固有模态函数(IMF);为了改善Hilbert变换中的端点效应,再次利用BP神经网络对各个IMF分量进行延拓。最后对延拓后的IMF分量进行Hilbert变换,从而得到精确的瞬时频率和瞬时幅值。将其应用到电力系统的谐波分析中,取得了较好效果。     

基于Synchrosqueezing小波变换的谐波和间谐波检测方法

非线性电力元件的广泛使用使电力系统的谐波和间谐波污染越来越严重。为准确计算谐波和间谐波的参数特征,以有效克服噪声影响,提出基于Synchrosqueezing小波变换的谐波和间谐波的一种检测方法。首先对电力系统信号进行连续小波变换;然后确定同步挤压阈值,对连续小波变换结果进行同步挤压,并利用同步挤压结果计算电力信号主频率;最后,设置提取频率区间,将电力信号分解为一组内蕴模态类函数分量(IMT),并结合Hilbert变换及最小二乘拟合,精确计算噪声背景下谐波和间谐波的幅值与频率。通过模拟信号和实测信号对所提方法有效性进行了分析,实验结果表明,与Prony和HHT方法相比,本文方法通过同步挤压有效抑制了噪声干扰,谐波和间谐波的检测精度有较好的提高。     

基于变分模态分解的电能质量扰动检测新方法

为了更加准确地提取扰动信号特征,提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先,对扰动信号进行傅里叶变换以确定VMD的预设分解尺度;然后,利用VMD将扰动信号分解为系列调幅-调频函数之和;最后,对每个调幅-调频函数进行HT,求取瞬时幅值和瞬时频率,进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法,VMD方法不仅可分析不同时间支集的扰动信号,处理复合扰动和频率相近的奇数次谐波,也不存在模态混叠,获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。     

旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较

基于经验模态分解(Empirical Mode Decomposition，EMD)的希尔伯特变换(Hilbert Ttransformation，HT)，是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于小波变换(Wavelet Transformation，WT)的时频分析在时域、时频域和频域进行了比较研究，研究结果说明，旋转机械振动信号基于EMD的HT时频分析方法比基于WT的有效。     

Fault classification in SEIG system using Hilbert-Huang transform and least square support vector machine

This paper presents the transient performance analysis of self excited induction generator (SEIG) during both balanced and unbalanced faults using stationary frame d–q axis. Significance of fault detection and fault classification is also investigated in this study. Current signal of SEIG is extracted. Non stationary distorted current waveforms of SEIG during fault condition are considered as superimposition of various oscillating modes. To separate out these oscillating components known as intrinsic mode functions (IMFs), empirical-mode decomposition (EMD) is used. Hilbert transform (HT) is applied on the first four IMFs to extract instantaneous amplitude and frequency. Combination of EMD and HT is known as Hilbert-Huang transform. To classify different faults of SEIG system, least square support vector machine (LSSVM) is used. Finally the superiority of the proposed SVM is established through comparison with support vector machine and probabilistic neural network.     

Hilbert-Huang变换方法在谐波和电压闪变检测中的应用

将一种新的非平稳信号处理方法,即HHT(HilbertHuang Transform)方法用于检测与时频分析典型的电能质量扰动信号,如谐波、电压闪变与波动信号.该方法由经验模态分解法(EMD)及Hilbert变换两部分组成,先用EMD提取信号的固有模态函数(IMF)分量,再对IMF作Hilbert变换求瞬时频率和幅值.该方法可以从时域和频域两方面同时对信号进行分析,能够准确检测出突变、非平稳谐波和电压闪变信号的时间、频率和幅值信息.仿真分析结果表明了该方法检测非平稳电能质量扰动信号的有效性.