融合 CEEMDAN 分解与敏感 IMF 精选的 串联电弧故障检测

针对串联电弧故障检测困难,以及基于分解策略的检测方法难以捕获敏感判别分量的问题,提出一种融合自适应噪声 的完备经验模态分解(CEEMDAN)和敏感本征模态函数(IMF)精选的串联电弧故障检测方法。 本方法采用 CEEMDAN 算法对 故障电弧电流进行完备分解;并定义了电弧电流的 12 个特征指标,以敏感性较强的峭度指标和能量特征作为判定依据,从而实 现了 IMF 分量的频段划分;在此基础上,提出了基于时间窗的特征计算方法,通过获取各高频 IMF 分量的时间维度局部特征, 并通过比较方差、均方根值等特征指标实现敏感 IMF 分量的准确选取。 最后,针对电流特征集,采用主成分分析实现二次降 维,并基于支持向量机(SVM)实现串联电弧故障检测。 实验证明了所提方法的可行性和电弧故障检测的有效性。     

基于多特征融合的光伏系统串联直流电弧故障识别方法

针对目前光伏系统中存在的串联直流电弧故障特征量少、识别定位困难等问题,提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法。首先搭建实验平台,采集正常和串联直流电弧故障下的电流信号并利用小波变换进行降噪;其次,对降噪后信号提取时域上的电流均值变化率和电流周期最值差特征量,并提取频域上的各频带能量及能量比,利用集合经验模态分解（ensemble empirical mode decomposition, EEMD）得到各阶信号本征模态函数（intrinsic mode function,IMF）,计算各阶IMF故障信号与正常信号余弦相似度,并提取相似度较低电弧的IMF能量熵特征;然后,以时域、频域、能量熵特征构成多维特征向量,构建故障电弧特征空间,通过实验确定故障空间边界参数,得到特征判据,根据多维特征判据实现直流电弧故障检测;最后,通过实验分析验证所提方法的准确性。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

基于CEEMDAN-ZCR的光纤电流互感器非线性误差识别

针对光纤电流互感器(FOCT)漂移、变比波动等非线性误差问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)-过零率(ZCR)的光纤电流互感器误差识别算法。首先,利用CEEMDAN算法对光纤电流互感器输出电流信号进行分解,得到包含非线性误差特征的固有模态分量(IMF),构成原始误差向量数据集。然后,对比不同误差下的分量数量,利用ZCR算法计算不同误差下各个IMF分量的过零率指标,用于将IMF分类。最后,根据ZCR指标呈现出的特点,将IMF分量信号分为三类,并叠加重组为三个分量,构建出分解结果数量稳定的IMF分量信号,根据不同分量的特征实现误差识别。结果表明：基于CEEMDAN-ZCR的误差识别算法能够有效的识别两种误差,其中漂移误差特征主要集中在IMF中第三层,变比误差主要集中在IMF中第二层,验证了本方法的有效性。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

一种基于小波变换能量与神经网络结合的串联型故障电弧辨识方法

针对交流串联型故障电弧发生时回路电流幅值较小、传统线路保护装置不能有效检测的问题,提出一种基于小波变换能量与神经网络结合且适用于多种典型负载的串联型低压交流故障电弧辨识方法。利用自制的电弧发生装置模拟产生低压交流故障电弧,获取了6种典型家用负载情况下电路正常运行及产生串联型故障电弧时回路的电流信号。对采集的信号进行小波分解,将各层细节信号能量的平均值和标准差输入BP神经网络后构成小波神经网络,实现对不同负载测试样本的辨识。采用粒子群优化算法计算神经网络训练初始值,利用自适应学习率方法提高了训练速度。算法输出结果含义明确,输入层特征量选取合理。实验结果表明,采用该方法进行故障电弧辨识的准确率达到95%以上。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于小波能量矩的航空交流串联电弧故障识别算法研究

针对现有串联电弧故障识别方法会受到线路中串联的非线性负载、电感性负载影响导致工作状态误判的问题,提出了一种基于小波能量矩的串联电弧故障特征提取方法。对串联电弧故障发生试验采集到的电流数据进行多分辨率小波分解,将分解得到的小波能量矩作为回路电流信号的特征量,找出工作状态区分明显的特征向量。利用参数寻优后的K最近邻算法进行特征分类,进而识别出线路中发生的电弧故障。分类验证结果显示,该方法提取的回路电流特征明显,分类算法简单,对电弧故障的识别率较高。     

不同生弧原因下串联型故障电弧实验研究

串联型故障电弧是供电系统的常见故障,会严重影响供电可靠性,甚至引发供电安全事故。在搭建低压串联型故障电弧实验平台的基础上,以三相异步电机和三相变频器为实验负载,针对接触松动和机械振动两种原因引起的串联型故障电弧开展实验研究。利用集合经验模态分解EEMD(ensemble empirical mode decomposition)方法将实验电流信号分解为若干本征模态函数IMF (intrinsic modal function);选取前4阶IMF组成初始向量矩阵,对其进行奇异值分解SVD(singular value decomposition);构建以奇异值平均值为特征量的特征向量,从而获得了不同生弧方式下串联型故障电弧电流信号在奇异值大小上的变化规律。研究结果表明,对不同生弧原因引起的故障电流信号,将经EEMD分解得到的前4阶IMF分量的奇异值作为串联型电弧故障的特征量是可行的。     

基于CEEMDAN与Teager能量算子的谐波检测方法

针对现有的电力系统谐波信号检测方法精度不高的问题,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)和Teager能量算子的谐波检测新方法。首先利用CEEMDAN对谐波信号进行分解,获得不同局部特征时间尺度的固有模态函数(IMF)分量。其次,通过改进的EEMD去噪方法和相关性判据方法分别去除噪声分量和虚假分量得到真实的谐波分量。最后利用Teager能量算子计算出谐波分量的瞬时幅值和瞬时频率,可以准确地获得谐波信号的能量谱信息。该方法充分利用了CEEMDAN的局部自适应性与Teager能量算子的快速响应特点,通过EMD、EEMD和CEEMDAN分别与Teager能量算子相结合的方法进行谐波检测。对比检测结果不仅表明了该方法具有较高的检测精度,而且验证了所提方法的可行性和有效性。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。     

基于NGO-VMD-DE的单相接地故障信号特征提取

针对电力系统输配电线路发生单相接地故障时,电气设备的电磁环境干扰,故障零序电流成分复杂等原因导致故障特征信息提取困难,变分模态分解参数人为确定导致其对零序电流分解效果差,常用的熵运算慢,鲁棒性差,进而后续选线准确率低的问题,提出了一种新的基于NGO-VMD-DE的单相接地故障的零序电流故障特征提取方法。首先,通过北方苍鹰优化算法(NGO)优化变分模态分解(VMD)实现零序电流信号的自适应分解,建立了自适应相关系数的本征模态函数(IMF)分量选取准则选取有效分量,然后对选取的分量进行重构,最后对重构后的信号进行散布熵(DE)计算以提取单相接地故障的零序电流故障特征,通过搭建模型进行仿真实验,并与近似熵、样本熵、模糊熵、排列熵等其他特征熵值指标进行对比表明,所提出的故障特征提取方法可以更加准确、有效地表征发生单相接地故障线路的零序电流故障信息。     

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。