奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

间谐波参数估计的TLS-ESPRIT算法

文中提出将TLS-ESPRIT法用于间谐波频率检测,该算法同时考虑旋转关系方程两边误差,减少噪声对间谐波检测过程的干扰.首先对由采样信号构造的数据矩阵进行奇异值分解(SVD),结合总体最小二乘法(TLS)求解旋转关系方程,得到间谐波频率,并用最小二乘法(LS)估计幅值和相位.采用截断点法判断异常值进行子空间划分.确定间谐波分量个数,减少计算量,降低噪声影响.仿真结果表明:TLS-ESPRIT法实现过程方便,检测结果直观明了,抗噪能力强,有效提高了低信噪比条件下的间谐波频率检测精度.     

奇异值分解和Teager能量算子的电压暂降方法

针对噪声干扰严重影响电压暂降检测分析精度的问题,提出一种采用奇异值分解和Teager能量算子（Teager energy operator,TEO）进行电压暂降检测的改进算法,即采用 Hankel矩阵对电压暂降信号进行奇异值分解法（singular value decomposition,SVD）,从而获得降噪后的供电点上电压暂降近似信号;利用Teager能量算子跟踪该近似信号的瞬时幅值;最后通过仿真算例验证该方法的可行性和有效性。     

WPSEG法在GIS故障识别中的应用

为了对气体绝缘全封闭组合电器GIS(gas insulated switchgear)更好地进行故障诊断,本文结合小波包变换、奇异值分解SVD(singular value decomposition)、能量值法,提出了基于小波包奇异能量WPSEG(wavelet packet singular energy)值的GIS故障识别方法,该方法通过量化故障特征对不同故障进行识别。对故障信号进行小波包分解重构得到小波包系数矩阵;利用SVD分解求得矩阵的奇异特征值,最终求取奇异特征值的能量。对现有的GIS 4类超高频局部放电仿真信号进行分析表明,不同故障的WPSEG值不同,同一类故障,小波包分解层数不会影响WPSEG值,并且在相同噪声环境下,4类缺陷的WPSEG值是成比例增长的,不会影响故障的识别。通过与小波包奇异熵WPSEP(wavelet packet singular entropy)法在GIS故障识别中的应用,说明WPSEG值的优越性。     

支持向量机结合TLS-ESPRIT的间谐波参数估计

为精确估计间谐波信号参数,提出支持向量机(SVM)结合总体最小二乘旋转不变子空间(TLS-ES-PRIT)算法的间谐波分析方法。首先对由采样数据形成的HANKEL矩阵进行奇异值分解(SVD),运用总体最小二乘法(TLS)求解旋转关系方程,获得电网信号的频率参数;然后通过支持向量机算法估计出间谐波信号的幅值和相位参数。仿真结果表明,该方法能够精确估计间谐波信号的各项参数,不仅减小了单独使用SVM算法的计算量,而且在低信噪比条件下,具有良好的稳健性。     

变分模态分解在电力系统谐波检测中的应用

针对电能质量分析中的谐波检测问题,将变分模态分解(VMD)应用到电力系统谐波检测中。利用VMD对信号的频带划分能力,实现各谐波模态的有效分离。对谐波信号进行频谱预分析确定VMD模态分解数,采用Hilbert变换提取各谐波模态幅值、频率等特征信息,通过基于奇异值分解的扰动定位方法对暂态谐波起止时刻与幅值变化时刻进行准确定位。不同类型谐波信号仿真实验验证了该方法的有效性,在无噪声与较低信噪比情况下均具有较高检测精度,具有良好的噪声鲁棒性。     

基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息

气体绝缘组合电器(gas insulated switchgear,GIS)在产生局部放电(partial discharge,PD)时,会向外辐射特高频(ultra-high frequency,UHF)电磁信号,有效提取UHF PD信号的特征信息可实现GIS的在线监测与故障诊断。针对UHF PD信号经过复小波变换后,层间奇异信息分布和层内奇异信息复杂度的差异性,采用二元树复小波变换(combined dual-tree complex wavelet transform,DT-CWT)和奇异值分解(singular value decomposition,SVD)相结合的信号处理方法,提取了UHF PD信号的特征信息。采用Birge-Massart阈值策略对DT-CWT分解后的复小波系数模值序列进行压缩,并构造复合矩阵,分析复合矩阵的奇异熵和复小波分解层数的关系,提出一种求解复小波最优分解层数的算法;利用最优分解层数下的压缩后的各高频系数模值序列构造Hankel矩阵,提取各Hankel矩阵的最大奇异值和奇异熵作为PD辨识的特征参量。结果表明:该特征可以有效识别4种典型绝缘缺陷,且识别率都到达了92%及以上。     

基于SVD和低秩RBF神经网络的局部放电信号提取方法

局部放电(partial discharge,PD)特高频(ultra high frequency,UHF)信号检测过程易受到白噪声和周期性窄带干扰的严重影响.为有效提取PD UHF信号、抑制干扰,提出一种基于奇异值分解(singular value decomposition,SVD)和低秩径向基函数(radical basis function,RBF)神经网络的去噪方法.首先,将染噪局部放电信号构造为Hankel矩阵,并奇异分解到特征矩阵空间;然后,把特征矩阵中奇异值突变点设为阈值,以去除窄带干扰;最后,采用RBF神经网络逼近去干扰后的PD信号,并采用Gaussian窗滤波以提取局放信号.所提方法与逆向分离(reverse separation,RS)和形态学小波综合滤波器(morphology wavelet filter,MWF)进行对比.从仿真和实测结果表明,该方法对周期性窄带干扰和白噪声有着强抑制作用,评价指标更为显著.     

基于ELMD-SVD和Prony的谐波间谐波检测方法

为了解决噪声干扰Prony算法提取谐波参数问题,提出了一种集成局部均值分解（ELMD）-奇异值分解（SVD）-Prony的谐波分析方法（ELMD-SVD-Prony）。首先采用ELMD分解含噪信号,对获得的一系列乘积函数（PF）采用K-L散度来确定含噪分量与有效分量之间的分界点,去除噪声分量并保留有效分量,对有效分量通过相空间重构Hankel矩阵,运用奇异值分解进行二次降噪并重构。最后将重构的信号与ELMD余项叠加得到去噪后的谐波信号,结合Prony算法检测谐波的频率、幅值与相位。仿真实验结果表明,该方法能有效降噪并提取谐波特征参数。     

采用时频矩阵奇异值分解和多级支持向量机的雷电及操作过电压识别

雷电及操作过电压的识别,对改进和提高电力系统绝缘配合水平具有重要意义.提出了一种基于时频矩阵奇异值分解(singular value decomposition,SVD)和多级支持向量机(support vector machine,SVM)的雷电及操作过电压识别方法,通过对过电压信号的小波分解,构建多尺度时频矩阵,利用 SVD 对该矩阵进行奇异值分解,将信号分解到不同的时频特征子空间,然后获取过电压信号的奇异谱,并计算奇异谱的特征量,将这些特征量作为多级 SVM 的输入,实现雷电及操作过电压的辨识.对变电站实测5种过电压信号的计算表明:提取的特征量维数低,对过电压信号的电磁干扰具有相对稳定性;采用的识别方法训练次数少,识别率高,能够实现雷电及操作过电压的准确分类.     

广义S变换多分量LFM信号检测及参数估计

针对多分量线性调频信号(LFM)信号在低信噪比状况下信号检测出现漏检、参数估计精度不高等问题,提出在广义S变换(GST)基础上,进行奇异值分解(SVD)滤波的方法。在S变换基础上,导出了广义S变换及逆变换公式,对离散后得到的广义S变换矩阵进行奇异值求解,通过选取合适的奇异值个数,实现多分量信号时频滤波。仿真结果表明,该方法在低信噪比状况下能有效滤除噪声,避免因噪声或者各分量信号强弱相差较大而出现漏检现象,同时信号参数估计精度也得到了提高。     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性     

混合噪声背景下正弦参数估计的互高阶谱SVD方法和SVD-TLS方法

从理论上论述了相关高斯噪声和非相关噪声背景下正弦参数的估计方法,该方法采用互高阶的特征分解（ＳＶＤ）及最小二乘法（ＴＬＳ）,并且建立了信号矢量空间和噪声空间,几科不需要任何关于有色噪声的先验信息,就可以估计出正弦信号的幅值,频率和相位,该方法信噪比工作门限低,有良好的谱估计分辨率及稳定性。     

局部放电干扰评价参数信噪比的二阶估计

针对实测局部放电(partial discharge,PD)信号去噪的盲目性,提出对PD信号受干扰程度先作估计评价再决定是否需要去噪的思想。运用二阶统计理论,对构造的实测PD信号相关矩阵进行奇异值分解,将得到的奇异值空间划分为代表信号能量和噪声能量的子空间,建立表征信号和噪声能量大小的判别规则,对PD信号受干扰程度评价参数信噪比(signal-to-noise ratio,SNR)进行二阶估计。通过对模拟与实测PD信号的SNR二阶估计对比分析表明,该二阶估计能很好地判断PD信号受干扰程度,为后续PD信号的去噪处理提供理论依据。     

一种改进EMD-SVD算法的暂态电能质量扰动信号消噪研究

针对小波变换在暂态电能质量消噪方面对高频有用信号误滤除,造成消噪后信号失真严重,或毛刺过多现象,提出一种结合经验模态分解(EMD)的改进奇异值分解(SVD)降噪方法,该方法采用EMD将噪声信号进行初步滤除,通过构造Hankel矩阵,利用左右奇异向量确定奇异矩阵,根据奇异值的分布规律,提出一种改进的奇异值差分方法来确定有效奇异矩阵阶次,从而完成消噪后信号的重构.结果 显示该方法去噪效果较好,特别对电压暂降和电压中断的效果最为明显,其信噪比分别提高了2.9 dB和7.3 dB以上,验证了所述方法的有效性.     

低频振荡模态参数辨识新算法

TLS-ESPRIT算法的实质是通过对信号子空间进行奇异值分解(SVD),辨识出信号的频率和阻尼比。SVD虽然可以抑制部分噪声影响,但噪声过强时就会影响TLS-ESPRIT算法的辨识精度;而且SVD易把较弱信号滤除,丢失真实模态而引入虚假模态。针对此结合数学形态学能够在时域内对信号进行滤波,且滤波后信号的几何特征保持不变的特点,将实测信号先经数学形态学滤波再通过TLS-ESPRIT进行模态辨识,可以最大限度地降低噪声的影响,使辨识精度更加精确。仿真结果验证了所提算法的可行性、有效性和强抗噪性。     

基于随机奇异值分解的局部放电脉冲提取及去噪技术

针对低信噪比下局部放电信号易漏检与传统奇异值分解算法在进行局放脉冲提取时计算量大的问题,提出一种基于随机奇异值分解的局部放电脉冲提取及去噪方法。该方法能有效提取局放脉冲及去除白噪声,且相较于传统SVD脉冲提取计算所需时间更短,更具工程实用价值。首先,利用滑动短时数据窗截取原始局放信号片段,采用随机奇异值分解法计算最大奇异值,并与全局最优奇异值阈值进行比较,确定脉冲信号的起止点;然后,利用奇异值分解法结合局部最优奇异值阈值,去除提取信号的白噪声。通过对典型局放模拟脉冲进行实验,验证了该算法在脉冲提取时的执行效率优越性。在工频电压下对实验室模拟电缆缺陷进行局放测试,分别采用所提方法、离散小波变换及自适应双阈值方法进行对比性实验,结果表明,所提方法局放信号漏检率低,去噪效果好。     

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。     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。