电能扰动检测和识别线调频三角样条小波方法

线调频小波变换是傅里叶变换和小波变换的一般情况,它具有更灵活的时频局部化特性.但连续线调频小波变换实质上是积分的数值计算,传统的方法是用多项式插值函数代替被积函数求积分.对电能扰动信号来说,计算的精度不高,影响检测效果.文中用连分式有理插值函数替代被积函数,提高了积分精度.最后,以三角样条小波函数作为线调频小波变换的母函数,并用线调频三角样条小波变换来检测和识别电能扰动,它的等高线可以清楚地显示出干扰发生时刻和持续时间.     

电能扰动检测和识别线调频三角样条小波方法

线调频小波变换是傅里叶变换和小波变换的一般情况,它具有更灵活的时频局部化特性。但连续线调频小波变换实质上是积分的数值计算,传统的方法是用多项式插值函数代替被积函数求积分。对电能扰动信号来说,计算的精度不高,影响检测效果。文中用连分式有理插值函数替代被积函数,提高了积分精度。最后,以三角样条小波函数作为线调频小波变换的母函数,并用线调频三角样条小波变换来检测和识别电能扰动,它的等高线可以清楚地显示出干扰发生时刻和持续时间。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别。对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类。算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法。     

多类分类SVM在电能质量扰动识别中的应用

结合傅里叶变换良好的幅频特性、小波变换良好的时频特性和支持向量机优秀的统计学习能力,采用多类分类支持向量机进行电能质量扰动的分类识别.对电压骤升、电压骤降、电压中断、谐波、电压波动、暂态振荡、瞬时脉冲、频率偏差等八种常见电能质量扰动进行数学建模,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,将特征量输入到osu_svm进行电能质量扰动多类分类.算例表明该方案具有识别正确率高,训练样本数少,训练时间短,实时性好,对噪声不敏感等优点,是电能质量扰动识别的有效方法.     

基于Mallat算法和快速傅里叶变换的电能质量分析方法

提出了一种基于Mallat算法和快速傅里叶变换的电能质量分析方法。将小波消噪应用于采样信号，根据信号的突变点检测结果，将采用Mallat分解算法得到的第一层和第二层高频系数作为区分稳态和非稳态扰动的判据，进而求出扰动的持续时间。根据多分辨分析的频带划分原理，采用Mallat重构算法提取出了暂态扰动波形，并编制了可准确判别电压骤降、骤升和断电等短期变化扰动的识别子程序。对于稳态扰动，提出可将快速傅里叶变换作为区分谐波和闪变的一种手段。Matlab的仿真结果验证了该方法的准确性和有效性。     

结合短时傅里叶变换和谱峭度的电力系统谐波检测方法

针对电能质量分析中的谐波检测问题,提出一种结合短时傅里叶变换和谱峭度的电力系统谐波检测方法。采用短时傅里叶变换作为时频分析工具对采样信号进行时频分解,同时引入频谱标准差和基于短时傅里叶变换的谱峭度作为辅助分析。通过频谱标准差和谱峭度对谐波模态进行识别,并根据识别结果从频谱矩阵中提取出相应的谐波分量,然后采用基于奇异值分解的扰动定位方法对暂态谐波的起止时刻进行准确定位。仿真实验结果验证了算法的有效性,在低信噪比的情况下仍具有较高的检测精度,具有较好的抗噪性和鲁棒性。     

基于概率神经网络和双小波的电能质量扰动自动识别

对电能质量(PQ)扰动的自动识别是找出引起PQ问题根本原因的前提。提出了一种基于概率神经网络PNN(Probabilistic Neural Networks)和db10,db1双小波的PQ扰动自动识别方法。首先,利用db10小波对信号进行分解,将各层小波变换系数的能量和第1高频层模极大值情况作为PNN的输入矢量,判断扰动类型;然后,对信号进行傅里叶变换以检测信号中是否含有谐波;最后,对判断存在电压下降的信号进行db1小波分解,根据其低频层的模值区分电压下陷和电压中断信号。测试结果表明,该方法提高了识别正确率,且实现简单,能有效检测幅值较小的谐波。     

利用关联向量机和S变换识别电能质量扰动

电能质量扰动检测识别对电能质量的监测和治理改善都具有重要作用。为更好地识别电能质量扰动,提出了一种基于关联向量机和S变换的电能质量扰动识别方法。首先,通过S变换提取正弦信号、谐波、电压波动、电压暂降、电压暂升、暂态振荡、谐波暂降及谐波暂升等9种电能质量扰动的主要特征,然后用关联向量机对特征样本进行训练及分类。算例结果表明,该方法能有效地识别出电能质量扰动信号类型,识别时间短,且正确率极高,达98.8%,是应用于实时电能质量监测工程实际的很好选择。     

基于谐波滤波器组的电能质量扰动数据压缩方法

提出一种基于谐波滤波器组的电能质量扰动数据压缩方法,该方法采用谐波滤波器组实现原始信号中稳态分量与暂态分量的分离,并通过插值离散傅里叶变换(IpDFT)算法来高精度估计谐波分量参数,然后对确定的稳态分量和暂态分量分别采用参数量化和小波变换进行压缩。最后,利用实际的电能质量扰动数据测试了该方法,结果表明,该方法对于各种类型的电能质量扰动信号均有效,同时在压缩比相同时,与通用小波压缩方法相比具有更好的压缩性能。     

基于小波的畸变波形同步分层谐波阻抗估计

针对电力系统中非线性负荷所产生的谐波电流特点,提出应用小波变换处理电能质量扰动信号。突出畸变信号以进行谐波阻抗估计,克服了傅里叶变换无法进行时一频局部化分析的缺陷,提取出局部时间范围内所需频带信号。介绍了其基本原理,以及小波分析窗口的选择和波动量的计算。应用Matlab建立电路模型进行仿真。结果表明该方法提高了系统谐波阻抗估计值的幅值精度。     

离散正交S变换在电能质量扰动检测中的应用

为了准确检测电能质量扰动信号的起止时刻,提出了基于离散正交S变换的扰动信号检测方法。在传统S变换的基础上,结合快速傅立叶变换对信号进行离散化处理,而后引入频带中心、频带宽度和时间变量对算法进行改进。构造基函数向量得到离散正交S变换系数矩阵,最终找到变换矩阵系数的突变点,从而检测出扰动信号的起止时刻。将该方法的分析结果与传统S变换的分析结果进行比较,结果表明离散正交S变换可准确有效地检测出扰动信号的起始和终止时刻。     

基于二进小波变换的电能质量扰动检测

电能质量扰动起止时刻和持续时间是描述扰动的重要属性,为了对电能质量进行分析与评估,需要对其进行检测。小波变换的局部模极大值对应信号的突变点,可以用来检测电能质量扰动。连续小波变换的计算量大,存在较大冗余,而多分辨率分析的方法由于进行了二抽取,难以直接根据变换结果进行检测,需要重构信号,因此,采用了二进小波变换对电能质量扰动进行检测。使用电磁暂态分析程序ATP仿真软件对电能质量扰动信号进行了仿真,用样条小波进行二进小波变换,检测结果表明在分解尺度一上可以实现较为准确的检测。     

基于线调频小波变换的电机故障信号消噪方法

电机故障信号包含大量白噪声和有色噪声 ,消噪是故障信号分析、诊断、处理的前过程 ,消噪的效果直接影响到后期工作。小波变换在电力系统的故障信号处理中得到广泛地应用 ,然而 ,小波变换只能消除白色噪声 ,对有色噪声不起作用。线调频小波变换是窗口Fourier变换和小波变换的推广 ,它不仅具有小波变换良好的时频局部性特点 ,而且它的时频窗口比小波变换的时频窗口更加灵活。本文应用线调频小波变换对电机故障信号进行消噪 ,效果明显。线调频小波变换在电力系统故障信号处理方面必将得到广泛的应用     

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。     

基于小波和短时傅里叶变换的电网谐波分析

为了测量电网中的波动谐波,将小波变换和短时傅里叶变换方法相结合用于电网谐波分析。通过小波变换设计出一组带通滤波器来分离出基波和各次谐波,并采用短时傅立叶变换计算出基波和各次谐波的幅值、频率和相位。仿真结果表明,当信号中存在高斯白噪声时该算法仍可准确检测出基波和2到63次谐波的幅值、频率和相位,且算法简单易于实现。     

基于线调频小波变换能量谱的电机故障信号处理

提出了一种基于高斯线调频小波变换诊断电机故障的新方法。线调频小波变换是信号的时间-频率-尺度变换, 具有比小波变换及其它时频分析更强的非平稳信号分析功能。利用高斯线调频小波变换作电机故障信号的能量谱估计,可提取电机故障信号的频率成份。试验结果表明,这种方法比Fourier变换和小波变换频率分布的能量更集中。     

基于稀疏盲分离的电能质量谐波分析方法

为准确检测和分离电力系统中日益严重的谐波污染,提出基于稀疏盲分离的谐波分析方法。首先利用延迟采样构建两路观测信号,建立电能质量谐波盲源分离的数学模型。然后对两路观测信号进行短时傅里叶变换,采用基于点密度的弧灭圆聚类方法,对频域散点图上样本点进行聚类以估计混合矩阵。最后通过求解最小L1范数方法分离各次谐波分量。对仿真信号和实际地铁电力信号的测试结果表明,所提方法能准确分离各次谐波的同时,在计算效率和分离含有量低的高次谐波方面优势明显。     

Wavelet and short-time Fourier transform analysis of electromyography for detection of back muscle fatigue.

Measurement of the time-varying characteristics of the frequency content of trunk muscle electromyography is a method to quantify the amount of fatigue endured by workers during industrial tasks, as well as a tool that may guide the training and rehabilitation of healthy and injured workers. Quantification of the change of signal power within specific frequency ranges may shed greater insight into the fatigue process. Sixteen healthy male subjects performed isometric trunk extension at 70% of their maximum voluntary contraction. Surface electromyography from medial and lateral erector spinae, and latissimus dorsi locations were processed using the short-time Fourier transform (STFT) and wavelet transform. Linear regression quantified the time rate of change of median frequency as well as frequency specific STFT filter and wavelet scale measures. The median frequency from the short-time Fourier transform declined by 22 Hz/min from an initial value of 77 Hz on average. The wavelet and STFT filter measures demonstrated this decline to be caused by a reduction in 209-349 Hz signal power in addition to an increase in 7-88 Hz signal power. A significant reduction in median frequency and significant elevation in 13-22 Hz wavelet signal component was detected in about 90% of the cases, indicating their use for detecting and quantifying fatigue.