小波消噪在10kV金属氧化物避雷器在线检测中的应用

针对金属氧化物避雷器(MOA)泄漏电流检测信号包含噪声的问题,提出了一种将新阈值法和平移不变小波相结合的消噪方法。该方法对含噪的金属氧化物避雷器在线检测信号进行小波分解,对分解后不同尺度下的小波信号进行平移,并同时按新阈值法进行处理,最后重构信号。将所提出的小波消噪方法用于10 kV金属氧化物避雷器的在线监测,提取去噪前后的泄漏电流检测信号波形进行分析对比。结果表明,该方法的消噪效果显著,消噪能力远优于传统的软、硬阈值消噪法。经小波消噪后的泄漏电流波形变得明显清晰,很容易从波形上对正常避雷器和老化避雷器进行区分,可以作为10 kV配电网MOA在线监测的依据。     

基于二次 CEEMD 与时域特征分析的去噪方法

为克服经验模态分解(EMD)去噪方法存在的模态混叠以及噪声分量与信号分量区分困难问题,本文提出了一种基于二次互补集合经验模态分解(CEEMD)与时域特征分析的去噪方法。该方法利用CEEMD来克服模态混叠问题,同时基于对CEEMD本征模态函数(IMF)的时域特征分析来确定噪声主导IMF分量与信号主导IMF分量的分界点,据此区分噪声分量与信号分量,并对分界点相邻两侧的噪声主导IMF分量与信号主导IMF分量进行二次CEEMD分解,在保留更多有用信号的同时进一步滤除剩余噪声。对含冲击噪声干扰的实际机载平台数据的去噪实验结果表明,新方法通过对噪声分量与信号分量的有效分离,可以更好地抑制噪声干扰,明显提升信噪比。     

基于CEEMD-WPT和Prony算法的谐波间谐波参数辨识

由于传统Prony算法对噪声极为敏感,因此采用互补集合经验模态分解(CEEMD)和小波包变换(WPT)相结合的去噪方法改善信号,提高Prony参数辨识的精度。首先对信号进行CEEMD分解得到固有模态函数(IMF),并对得到的IMF分量计算其排列熵(PE)值,根据排列熵值提取出含噪声较大的分量进行小波包去噪。然后将去噪重构后的IMF分量与剩余IMF分量重构信号。最后用Prony算法辨识重构后信号的参数。对所提算法进行仿真,并与已发表文献中的结果进行比较。仿真与比较结果表明,该算法是有效的,而且具有较好的辨识结果。     

EEMD在激光测云仪后向散射信号处理中的应用

激光测云仪后向散射信号是典型的非线性、非稳态信号,容易受噪声污染。针对该问题采用集成经验模态分解(EEMD)去噪算法进行处理,首先对含噪信号进行经验模态分解(EMD),将分解后的IMF分量进行自相关性分析,找出含噪占有量较大的IMF分量,对其进行SG(savitzky-golay)滤波,最后将滤波后的IMF分量和剩余分量进行信号的重构。经仿真实验结果表明,与传统的EMD方法相比,EEMD方法处理含噪信号后的输出信噪比提高了1.695 dB,均方误差平均降低了30%以上,说明该方法可以适用于非线性、非稳态的后向散射回波信号去噪处理,能为激光测云仪下一级的云底高度反演提供高信噪比的初始数据。     

基于改进CEEMDAN和小波阈值的雨声信号去噪算法研究

为了从混杂着各种噪声的雨声信号中提取到较为纯净的雨声信号，本文提出基于改进完全自适应噪声集合经验模态分解（CEEMDAN）和小波阈值相结合的雨声信号去噪方法。方法引入互相关函数寻找CEEMDAN的最优分解层数F值，并通过CEEMDAN算法按最优分解层数F层分解，将信号分解成多个频率由高到低的本征模态分量（IMF）;利用小波阈值，滤除高频IMF分量中的噪声分量，最后将去噪后的高频IMF分量和未经去噪的低频IMF分量进行信号重构，提取出较为纯净的雨声信号；实验表明，本文选用方法的去噪效果相对于经验模态分解（EMD）去噪算法、小波阈值去噪算法等传统方法具有一定的优势，去噪后的雨声信号能够准确反映出环境雨情的特征，提高雨情分析的精确度。     

一种基于S_VMD与Sdr_SampEn的局部放电信号去噪方法

交联聚乙烯(XLPE)电缆作为“双碳”目标中电力传输的重要工具,在使用一定年限后绝缘性能会下降,局部放电(Partial Discharge, PD)检测作为评估XLPE电缆绝缘状态的重要手段已广泛应用。针对PD信号中存在的各类噪声问题,提出了一种基于Spearman变分模态分解(Spearman Variational Mode Decomposition, S_VMD)与空间相关递归样本熵(Spatial Dependence Recurrence Sample Entropy, Sdr_SampEn)的局部放电信号去噪方法。首先通过S_VMD将信号分解为K个最优本征模态分量(Intrinsic Mode Function,IMF),然后通过计算各IMF的Sdr_SampEn值来判定其是噪声主导分量还是PD主导分量;再对分类后的IMF分别采取改进小波阈值去噪和Savitzky-Golay (SG)滤波去噪,最后进行重构得到去噪后的PD信号。利用该方法对仿真与实测PD信号进行去噪处理,并与自适应变分模态分解(Adaptive VMD, AVMD)等去噪算法进行对比分析,结果表明该方法能有效抑制PD信号中的噪声,具有一定的工程价值。     

基于VMD的去噪算法在套管引线检测中的应用

超声检测套管引线的信号数据中存在大量的噪声干扰,使得回波时间提取精度产生较大误差。针对上述问题提出了一种基于变分模态分解(VMD)与小波阈值的去噪新方法。采用VMD对含噪信号进行分解,通过计算相关系数筛选出固有模态函数(IMF)中的高频分量进行小波阈值降噪,保留高频分量中的回波信息,最后与低频IMF进行信号重构。实测数据的去噪结果表明,去噪效果良好,有效地保留了高频分量中的真实信息,提高了超声回波信号的信噪比,从而增加了超声检测套管引线的测量精度。     

基于快速EEMD的自适应滤波算法在输电线路激光测距中的应用

为提高输电线路激光测距的精度,提出一种基于快速集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的自适应滤波算法。首先,应用EEMD对含噪的激光测距信号进行分解,得到了激光测距信号的本征模态函数(Intrinsic Mode Function,IMF)分量。同时,对EEMD进行改进,加设阈值筛选IMF分量,提高算法的运行速度。再次,采用基于最小均方算法(Least Mean Square,LMS)的自适应滤波器对分解得到的IMF分量进行去噪。然后,将所得到的IMF分量重构,得到了去噪后的激光测距信号。最后,经模拟试验,结果证明应用该方法得到信号的去噪效果好,确实能提高输电线路激光测距的精度。     

基于统计特征与EMD算法的有载分接开关振动信号去噪

有载分接开关(OLTC)切换过程中的振动信号与其机械状态密切相关,是监测分析OLTC运行状态的重要依据。为降低噪声干扰对OLTC振动信号分析结果的影响,本文提出了一种基于统计特征与经验模态分解(EMD)算法相结合的OLTC振动信号去噪方法。首先通过高斯性检测验证了OLTC振动信号中所含噪声干扰的随机性,然后根据OLTC振动信号的EMD分解结果,基于Hurst指数选取了高频本征模态函数(IMF)分量并对其进行了多次乱序重排,通过对重排和滤波后的IMF分量进行重构得到了去噪后的OLTC振动信号。依据去噪评价指标对实测OLTC振动信号的分析结果表明,所提出的去噪方法能有效抑制OLTC振动信号中的噪声干扰,且优于现有的基于EMD算法和小波阈值的去噪方法。研究结果可为提高OLTC机械状态振动监测技术的应用提供重要依据。     

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm, POA)的变分模态分解(variational mode decomposition, VMD)结合小波阈值(wavelet threshold, WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function, IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。     

基于EEMD自适应阈值去噪的电能质量扰动检测与定位研究

为了改善电能质量扰动信号的去噪效果,实现扰动信号的检测与准确定位,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)自适应阈值的电能质量扰动信号去噪方法。首先利用集合经验模态分解将含噪的扰动信号分解成一些相互独立的固有模态函数(Intrinsic Mode Function,IMF)分量,然后对所得的IMF进行自适应阈值去噪,从而抑制噪声干扰。采用希尔伯特黄变换(HHT)提取去噪后扰动信号的起止时刻、瞬时频率和幅值信息。相比于小波去噪的启发式阈值、自适应阈值、固定阈值、极大极小阈值等方法,该方法在去噪的同时减少了信息损失,信噪比SNR和均方误差MSE均有明显提高。仿真结果验证了该方法在电能质量扰动检测与定位中的有效性和可行性。     

基于优化变分模态分解的海杂波去噪方法

文章分析了确定变分模态分解(VMD)参数存在的问题,提出了一种基于优化变分模态分解的海杂波去噪方法。利用鲸鱼优化算法(WOA)对模态个数K和惩罚参数α进行寻优,对海杂波原信号自适应分解,去除方差贡献率(VCR)较低模态分量,结合模糊熵筛选出噪声占主导的模态分量,将其进行Savitzky-Golay(SG)滤波处理。对滤波后的分量和有用分量叠加重构去噪后的信号,通过最小二乘支持向量机(LSSVM)对海杂波信号进行预测并验证去噪效果。仿真结果表明,本文所提算法能够有效抑制噪声干扰,去噪后的均方根误差(RMSE)为0.000 29,比去噪前的均方根误差0.012 3降低了两个数量级。     

基于变分模态分解的暂态扰动波形去噪算法

针对经验模态分解去噪时存在的模态混叠问题,提出一种变分模态分解与滑动均值滤波相结合的去噪算法。首先通过寻找变分模型最优解将含噪信号分解成若干个固有模态。然后利用相关系数准则确定最优分解层数K以及其对应的相关模态,并用滑动均值滤波器对非相关模态进行处理以得到其中的有用分量。最后基于相关模态和非相关模态中提取的有用分量构造去噪后的信号。仿真表明,与经验模态分解去噪和小波去噪相比,所提出的算法能够在更有效去除暂态扰动中噪声的同时,保留暂态扰动中的特征信息。     

基于自适应VMD和A-SVD的MOA在线监测方法

阻性电流是反映金属氧化物避雷器(MOA)绝缘状态的关键参数。电力系统正常运行时的MOA阻性电流非常小,阻性电流实测有效值数据易受到高频噪声、白噪声、随机脉冲等干扰影响,造成报警装置误报警。然而,现有方法难以有效消除上述干扰对阻性电流的影响,因此提出了一种基于自适应变分模态分解 (adaptive variational mode decomposition,A-VMD)和自适应奇异值分解(adaptive singular value decomposition,A-SVD)的MOA在线监测方法。首先,通过顺序递增二次惩罚因子和分解层数值,以能量和损失指标衡量VMD分解的效果,寻找分解层数和二次惩罚因子的最优参数值。然后,采用A-SVD消除经A-VMD初步去噪后阻性电流中少量残留白噪声,为监测MOA绝缘状态提供可靠依据。仿真试验和实测数据均证明了该方法的有效性,处理结果满足实际工程的需求。     

基于经验模态分解和固有模态函数重构的局部放电去噪方法

为了提取局部放电信号的特征,提出一种基于经验模态分解(EMD)和固有模态函数(IMF)重构算法的局部放电噪声抑制方法.首先对含有噪声的局部放电信号进行经验模态分解,得到含特征频率的固有模态函数,然后对所得的固有模态函数分量进行自适应阈值处理后重构,从而抑制噪声干扰.相比于常规的小波去噪算法,该方法具有自适应性强,不受小波函数和最佳小波分解层数选取的限制等优点,而且实现了阈值和固有模态函数阈值处理层数的自动选取.分别以仿真信号和实际信号为例,证明了该方法的有效性.     

基于VMD和平滑滤波的ECG去噪方法*

针对目前变分模态分解法在心电信号降噪时存在模态分量难以取舍的问题,提出了一种改进的变分模态分解方法。首先对含噪心电信号进行变分模态分解,通过各模态分量的中心频率和模态分量与原始心电信号的互相关来确定噪声占优的模态分量与信号占优的模态分量。然后选取中心频率处于医学心跳频率范围的模态分量来提取心跳频率对应的采样点数,根据心跳频率对噪声占优的模态分量和信号占优的模态分量分别进行平滑滤波。最后使用处理过的模态分量重构心电信号,完成基线漂移和肌电噪声的去除。实验结果表明该方法的去噪效果优于小波阈值法、变分模态分解法及两者相结合的方法。     

基于相位变换法的MOA阻性电流检测与故障诊断相关系数法研究

金属氧化物避雷器(MOA)老化后泄漏电流会发生明显变化,尤其是阻性分量,因此通过检测阻性电流的变化可判断MOA是否故障。针对MOA运行现场实测的泄漏电流幅值小,易受噪声干扰的问题,采用自适应阈值小波分解方法滤除噪声。在试验室进行MOA人工受潮试验获取故障样本,探究MOA受潮老化后泄漏电流的变化特征,分析得到MOA受潮老化的诊断方法。通过相位变换法从泄漏电流中提取阻性电流,借助傅里叶变换获取阻性电流的各次谐波,采用单相阻性电流基波峰值与出厂值纵向比较和相间阻性电流相关系数横向比较方法综合诊断MOA故障。     

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。     

基于 CEEMDAN-WP-SG 的 MEMS 陀螺仪去噪算法

为了减小MEMS陀螺仪随机误差,提出了一种新的去噪算法。该算法首先通过自适应噪声完备经验模态分解(CEEMDAN)将原始数据分解为多个本征模态函数(IMF),并根据多尺度排列熵与马氏距离将IMF分为噪声IMF、混叠IMF和信号IMF;其次对噪声IMF用小波包(WP)去噪,对混叠IMF用Savitzky-Golay滤波器(SG)去噪;最后,把处理后的IMF和信号IMF进行重构,得到去噪后的信号。通过所提方法对Bumps信号进行实验分析,去噪后信号从6 dB提高至17 dB,均方误差降低71.9%;对实测陀螺仪静态数据进行分析,实验结果证明去噪后信号的角度随机游走降低31.5%,表明该方法能显著提高MEMS陀螺仪的精度。     

基于EMD-WPT-SVD和指数加权平均的MOA阻性电流去干扰方法

金属氧化物避雷器(metal oxide arrester,MOA)阻性电流测量受环境干扰、高频噪声干扰和脉冲干扰等因素的影响,阻性电流实测信号必然含有多种强干扰成分.针对传统阻性电流去干扰方法在多种并发干扰情形下难以适用的难题,提出了一种基于EMD-WPT-SVD和指数加权平均的MOA阻性电流去干扰方法.首先,依据阻性电流中周期干扰的基波频率、采样频率和特征频率是否被间谐波浸没的特点,选取最佳分解层数和最优小波基;其次,对MOA阻性电流进行经验模态分解(empirical mode decomposition,EMD),将含有特征频率的模态分量再使用小波包变换(wavelet packet transform,WPT),使每个子信号最多含有一个特征频率;再采用奇异值分解(singular value decomposition,SVD)准确提取所有子信号中的周期分量;最后,从原信号中准确消除阻性电流受到的周期干扰,然后通过指数加权平均算法得到能真实反映MOA工况的阻性电流变化趋势.将模拟信号和工程实测数据与多种经典方法进行比较,结果证明:所提方法能消除阻性电流的多种干扰,得到能真实反映MOA实时工况的阻性电流,其结果满足实际工程测量的要求.