基于小波分解尺度系数能量最大原则的GIS局部放电超高频信号自适应小波去噪

抑制干扰是GIS局部放电在线监测的关键技术之一。尽管局部放电超高频检测方法能够有效避开低频干扰,但来自测量系统的白噪声仍然为准确测量局部放电带来困难。为有效抑制白噪声,提高局部放电超高频法的测量精度,本文提出一种用于GIS局部放电超高频信号的自适应小波分解去噪算法,该算法基于每层小波分解尺度系数能量最大的原则,逐层自适应选取最优的小波进行分解,并结合Donoho提出的软阈值法进行去噪。对人工绝缘缺陷产生的四种GIS超高频信号的去噪结果证明了该算法较其他小波算法能更好地去除白噪声且去噪后信号波形畸变较小,具有很好的应用前景。     

变压器局部放电监测中的最优小波与脉冲鉴别去噪方法研究

文中提出一种用于变压器局部放电在线监测信号的去噪方法,该方法基于尺度相关的最优小波分解去噪算法和脉冲序列分析算法。通过双电流传感器分别耦合流过每一相高压套管和高压套管末屏接地线的脉冲电流,首先采用逐层最优小波分解算法有效地抑制白噪声且减小对脉冲波形造成的畸变,再利用脉冲序列分析算法分析双传感器输出的脉冲序列,达到去除脉冲干扰的目的。实验结果表明,该方法能够鉴别出外部的脉冲干扰,有效地提取出变压器内部的局部放电信号,具有很好的应用价值。     

遗传算法用于局部放电小波自适应阈值去噪

小波去噪用于局部放电信号在线监测具有良好的效果,阈值选取与局部放电去噪后信号的畸变具有紧密联系。为提高局部放电监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出一种小波自适应最优阈值去噪算法,用于变压器局部放电脉冲信号去噪。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于史坦无偏似然估计(SURE)的最优阈值自适应选择方法,并引入一种新的具有多阶导数的阈值函数,结合二进制遗传算法全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。对局部放电仿真信号和现场局部放电信号的去噪结果表明,该方法与Donoho阈值计算公式及标准软阈值法相比,能更好地去除局部放电信号中的白噪声,去噪信号失真度较小,具有良好的应用价值。     

用于提取局放脉冲的波形匹配识别方法初探

针对现场采集的局部放电信号中经常混杂白噪声和窄带周期干扰现象,本文首次提出使用Laplace小波按照波形匹配的原则来提取局部放电脉冲信号的方法.利用该小波波形与局部放电脉冲波形相吻合程度较好的特点,根据波形匹配的原则对含噪信号在一个由该小波构成的小波基函数空间中进行模式识别,进而去除噪声,提取局部放电脉冲信号.该方法不仅能够用于去噪,而且可以确定脉冲的放电主频率、衰减度、放电时刻及放电个数,从而为故障识别和定位奠定良好的基础.仿真和实验结果显示该算法具有良好的去噪性,同时可以获得更多的局放脉冲信息.     

混合粒子群优化小波自适应阈值估计算法及用于局部放电去噪

小波去噪是局部放电(PD)检测中常用的去噪手段,小波阈值的选取会对局部放电信号失真度及误差产生重要影响。为了提高局部放电小波去噪的自适应能力,降低去噪畸变,提出了1种用于局部放电信号去噪的混合粒子群优化小波自适应阈值估计(HPSOWATE)算法。针对普通阈值选取算法容易陷入局部最优的问题,采用融合了交叉、变异的HPSOWATE算法进行了全局自适应搜索最优阈值。引入遗传算法及标准粒子群算法对计算结果进行了验证。对局部放电染噪仿真信号和现场实测信号的去噪结果表明,该算法能够有效地跳出局部最优位置,较快收敛到全局最优,显著提升了结果可信度和算法计算速度。计算结果表明,所提出的算法在不同信噪比下得到的去噪信号的均方误差(MSE)和幅值误差都最佳,能更好地去除局部放电信号中的白噪声,具有良好的应用价值。     

NATA阈值算法在局部放电波形提取中的应用

目前工程应用中,局部放电小波消噪处理阈值算法广泛应用的是中值阈值算法(MAD-U),易造成有用信号的波形畸变,只适合于离线测量和局部放电脉冲幅值的检测。笔者研究了MAD-U的改进算法——基于噪声特性的自适应阈值算法(NATA)。首先研究了NATA算法的原理和构成;其次,从不同信噪比(SNR)下的阈值误差以及小波重构信号与原始信号误差两方面进行了MAD-U和NATA的比较研究。研究结果表明,MAD-U阈值算法其重构波形与原始脉冲波形的误差随信噪比SNR的增大呈指数倍增大,即高SNR的PD脉冲反而畸变严重。NATA阈值算法的误差较小且不随SNR而变化,不易造成信号波形的畸变,并且对小波分解尺度的依赖性小,适合在线检测和脉冲波形检测。     

粒子群优化小波自适应阈值法用于局部放电去噪

为了提高局部放电在线监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出了一种用于电力设备局部放电信号去噪的粒子群优化小波自适应阈值方法。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于SURE无偏估计的最优阈值自适应选择方法,结合粒子群优化算法进行全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。为了验证其去噪效果,还引入遗传算法对小波自适应阈值法进行优化计算。对局部放电仿真信号与实测局部放电信号的去噪结果表明,本文与标准软阈值法和遗传算法优化小波自适应阈值法相比,能更好地去除局部放电信号中的白噪声,计算速度更快,具有良好的去噪效果和应用价值。     

基于小波阈值的局部放电去噪新方法

针对局部放电信号去噪,传统的小波阈值法因小波基、阈值和分解层数这三个因素的影响,会使去噪后的波形发生畸变,产生较大误差。为了减小这些因素的干扰,本文提出了基于小波阈值去噪的新方法。首先利用波形相似法选取最优小波基,其次通过对理想局部放电信号和高斯白噪声进行每个尺度的小波分解与重构,并结合统计学知识确定局部放电信号去噪的阈值,最后对高频信号和低频信号进行能量分析,确定最优的分解层数。利用该方法和传统的小波阈值法对仿真放电信号去噪,去噪结果表明新方法在信噪比、均方根误差、相关系数和波形畸变率四个不同的指标上都得到了有效的提升,定性和定量的分析验证了该方法的有效性,实测的去噪结果表明新方法去噪效果令人满意,为局部放电信号去噪提供了一种新思路。     

形态学滤波与自适应噪声抵消在GIS局部放电超高频信号去噪中的应用

抑制局部放电信号中的噪声干扰是GIS局部放电在线监测的关键技术之一。尽管超高频检测方法能够有效避开低频干扰,但来自测量系统的白噪声仍然为局部放电的准确测量带来挑战。针对GIS局部放电监测中的白噪声干扰,以提高局部放电超高频法的测量精度为目标,文中采用形态学滤波和自适应噪声抵消相结合的方法对GIS局部放电超高频信号的去噪问题进行了研究。通过对4种典型绝缘缺陷产生的局部放电超高频信号的去噪实验,结果表明文中所用方法较小波变换方法能更好地去除白噪声且去噪后信号具有较小的幅值误差和畸变率。     

基于归一化自相关函数与类小波软阈值法的GIS局放信号降噪方法研究

针对目前利用特高频方法检测GIS典型缺陷时,存在白噪声干扰滤除效率低以及原始信号波形畸变率高等问题,构建了GIS特高频局部放电检测试验模型,经人工处理获得4种典型局部放电UHF信号,提出采用EMD分解将4种典型缺陷的特高频信号分解为有限个IMF分量,利用归一化自相关函数找到IMF分量中局部放电信号与白噪声的分界点,对含白噪声的IMF分量使用类小波软阈值进行滤波,随后重构所有IMF分量,得到各缺陷局部放电特高频信号。将文中方法所得信号与小波去噪信号进行信噪比以及波形畸变率对比,结果表明文中所用方法具有更为良好的去噪效果,可用于GIS局部放电监测。     

局部放电在线监测中小波阈值去噪法的最优阈值自适应选择

小波系数阈值是决定小波阈值去噪法处理后的去噪信号失真度及误差的关键因素。针对局部放电脉冲频谱特征,提出用于局部放电信号去噪的小波最优阈值选择方法,阐述了自适应阈值搜索中的尺度选择方案;采用四种人工模拟加噪信号和两种典型局部放电脉冲仿真信号对该方法的去噪效果进行了定量分析,并采用了自适应阈值法对实测局部放电信号进行了处理,结果表明,该方法在局部放电在线监测中具有良好的去噪效果和实用价值。     

FFT与小波分析应用于抑制局部放电窄带干扰

局部放电极易被噪声污染,众多干扰中载波通讯、高频保护、无线电广播等周期干扰尤其严重,而窄带干扰严重时可能完全淹没局部放电信号,这给局部放电的检测工作带来了巨大困难。为了从强的窄带干扰背景中有效提取局部放电信号,在基于FFT与小波分析理论的基础上,根据窄带干扰与局部放电信号具有不同频谱的特性,提出了抑制局部放电信号窄带干扰的新方法。考虑FFT处理方法的频谱泄漏性,再用小波变换对FFT处理后的局部放电信号进行进一步消噪,由此能够取得很好的消噪效果。仿真结果表明,此方法对窄带干扰去噪要比FFT、小波及小波模极大值去噪效果好,且得到的局部放电信号失真小。     

基于VMD的电力电缆局部放电信号自适应阈值降噪方法

局部放电(Partial Discharge, PD)用于高压电缆在线监测时,采集到的信号包含多种噪声,白噪声是最常见、影响最广泛的一种。为了抑制白噪声的影响,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)的局部放电信号降噪方法。采用变分模态分解对含噪局部放电信号进行分解,得到频率从低到高的模态分量后,计算各个变分模态分量的峭度值,选取脉冲特征分量进行重构,利用小波自适应阈值对重构信号再次降噪。与小波变换阈值法对比在不同噪声环境下的降噪结果,结果从均方误差、波形相似系数定量优于小波标准软阈值降噪法和小波全局硬阈值降噪法。仿真和现场实验结果表明,该方法可以有效去除噪声信号,能够较为完整地保留原始信号波形。     

基于时域能量与自适应奇异值阈值的改进局放信号去噪方法

局部放电(简称局放)检测是探测电力电缆绝缘缺陷的有效手段。针对传统短时奇异值分解(STSVD)白噪声抑制方法存在的不足,文中提出了一种基于时域能量与自适应奇异值阈值的局放信号白噪声抑制方法。该方法利用自适应奇异值阈值估计策略对重构奇异值个数进行准确估计,并在此基础上结合时域能量准则仅对局放脉冲区域进行去噪处理,从而极大地提升了算法的执行效率。对仿真和实测含噪局放信号进行处理,并将去噪结果与现有的自适应奇异值分解(ASVD)、传统STSVD及小波变换去噪结果进行对比。研究结果表明：相比于ASVD、小波变换去噪方法,文中所提去噪方法能够取得更好的去噪效果,去噪后波形误差更小;相比于传统STSVD,文中所提方法能够有效解决去噪后存在的毛刺干扰问题,且计算速率更快。     

Db复小波在超高频局部放电测量中的应用(英文)

On-line partial discharge(PD)detection still remains a very challenging task because of the strong electromagnetic interferences.In this paper,a new method of de-noising,using complex Daubechies wavelet(CDW)transform,has been proposed.It is a relatively recent enhancement to the real-valued wavelet transform because of tow important properties,which are nearly shift-invariant and availability of phase information.Those properties give CDW transform superiority over other real-valued wavelet transform,and then the construction algorithm of CDW is introduced in detail.Secondly,based on the real threshold algorithm of real-valued wavelet transform,complex threshold algorithm is devised.This algorithm take the different characteristics of real part and imaginary part of complex wavelet coefficients into account,it modifies the real and imaginary parts of complex wavelet coefficients respectively.Thirdly,to obtain a real de-noised signal,new combined information series is devised.By applying different combination of real part and imaginary part of de-noised complex signal,a real de-noised signal can be restored with higher peak signal-to-noise ratio(PSNR)and less distortion of original signals.Finally,On-site applications of extracting PD signals from noisy background by the optimal de-noising scheme based on CDW are illustrated.The on-site experimental results show that the optimal de-noising scheme is an effective way to suppress white noise in PD measurement.     

油中典型局部放电模型放电波形特征参数的提取

根据油中局部放电脉冲波形的特性,提出了一种用于抑制噪声的多分辨率分析和软阈值相结合的小波消噪算法;同时对提取的放电波形的特征参数进行了分析和处理。结果表明,软阈值消噪能较好地解决保留信号局部特征与抑制噪声之间的矛盾,特别适合于对单个局部放电脉冲波形的处理;不同的局部模型,其放电脉冲波形的特征参数有很大差异,提取每种放电的波形特征参数,就可以较好地进行放电类型的识别。