一种基于短时奇异值分解的局部放电白噪声抑制方法

白噪声是电缆局部放电(partial discharge,PD)检测时最为常见的噪声之一。针对局部放电白噪声的抑制问题,提出一种基于短时奇异值分解的局部放电去噪方法。该方法通过短时数据窗截取含噪局放信号片段,利用奇异值分解实现局放信号白噪声抑制。通过典型局放脉冲模型模拟实际局放信号,考虑不同信噪比、窗口长度对去噪结果的影响,验证了该方法的可行性。在振荡电压和工频电压下对实验室模拟的两种不同典型电缆缺陷进行了局部放电测试试验,并利用不同去噪方法对测试得到的局放信号进行去噪,验证了该方法的有效性和准确性。结果表明,该方法相比于传统小波去噪识别灵敏度更高,且去噪后波形相比于传统小波和奇异值分解去噪后波形相似度更高、误差更小。     

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。     

基于广义S变换和奇异值分解的局放信号降噪优化方法

针对电缆终端局部放电现场检测时存在白噪声、周期性窄带干扰问题,提出一种基于广义S变换和奇异值分解的局放信号降噪方法。该方法首先通过广义S变换自适应获取窄带干扰个数并截取局放信号所在片段,然后利用改进的3谱线插值法对窄带干扰频率进行精确估计并构造引导信号加入原信号中,对该信号利用奇异值分解实现对混合噪声的抑制。通过对仿真、实测局放信号进行去噪,并与传统降噪方法进行对比分析。结果表明,该方法对于混合噪声干扰具有更优的抑制效果,能较好地还原局部放电信号。     

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。     

自适应奇异值分解局放信号降噪方法

针对高压设备局部放电现场检测时存在周期性窄带干扰、白噪声问题,提出了一种自适应奇异值分解局放信号降噪方法.该方法首先对测试信号构建Hankel矩阵,以此作为轨迹矩阵进行奇异值分解;通过提取前两个奇异值重构并结合功率谱熵自适应判断测试信号中是否含有周期性窄带干扰,以此为判断依据利用奇异值本身和奇异值子集标准偏差作为奇异值系列特征量,对其进行1次K类均值聚类算法获取局放信号对应有效奇异值片段;对该奇异值片段进行重构,进而获取降噪后的局放信号.通过对仿真、实测局放信号进行去噪,并与传统降噪方法进行对比分析.结果表明,该方法对于混合噪声干扰具有更优的抑制效果,能较好地还原局部放电信号.     

基于SAMP-VMD的局放信号去噪方法

针对电力设备局部放电信号容易受到环境中的窄带噪声和白噪声的干扰,为了更好保留局放信号特征以便后续进行故障诊断和预测,提出了一种基于压缩感知重构和变分模态分解的变压器局部放电信号去噪方法。该方法首先使用窗函数抑制窄带干扰的频率泄露,之后利用窄带干扰在频域上与局放信号和白噪声之间稀疏度的差异从而将窄带信号进行分离重构以抑制窄带噪声,其次通过改进变分模态分解方法根据各模态含有局放信号信息的多少来对不同模态进行分类去噪,最终恢复出局放信号。通过仿真及实测信号对该方法进行去噪效果测试,并与奇异值分解和变分模态分解去噪方法的去噪效果进行对比,结果表明该方法能够有效抑制局部放电信号的干扰,相比传统算法的波形相似系数提升约2%,能够更好的保留局部放电信号的波形特征。     

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EWT的高压电缆局部放电信号降噪研究

在测量高压电缆的局放信号时会混入以周期性窄带干扰和随机白噪声为主的噪声成分。为抑制噪声成分对局放信号测量精确度的影响,提出一种基于经验小波变换(Empirical Wavelet Transform, EWT )的高压电缆局放信号降噪方法。利用自适应经验小波变换对含噪信号进行分解,通过计算模态分量的峭度值,实现对脉冲信号的定位,将筛选出的有效特征分量进行重构。最后利用改进阈值函数去除重构信号中的冗余噪声,实现对多噪声的有效抑制。经仿真对比及现场试验测试,该方法能有效抑制窄带干扰和白噪声,较大程度地保留高压电缆局放中的有效信息,且在不同噪声环境下的降噪表现较为稳定。     

基于AVMD-自适应小波包法的电缆局部放电去噪研究

为准确提取检测到的局部放电信号,针对高压电力电缆的噪声抑制问题,提出了自适应变分模态分解(AVMD)结合自适应小波包分解的方法提取纯净的局放信号。首先运用AVMD将周期性窄带干扰、白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤出,得到仅含有白噪声的局放信号。再运用自适应小波包分解,将信号分解在高中低频的分量中,根据阈值法将不含局放信号的分量滤出,得到较为纯净的局放信号,并将所提方法分别与其中单独一种算法进行去噪比较分析。仿真结果表明,所提方法抑制噪声效果更明显,与仿真信号的相似度最高。     

改进阈值函数的小波熵方法抑制局部放电白噪声的研究

针对传统硬阈值法和软阈值法的缺陷,提出了改进阈值函数的小波熵方法。该方法对含噪局放信号进行小波分解,基于小波熵自适应选取阈值,并引入一种改进阈值函数对小波系数进行处理,最后重构得到去噪后信号。典型仿真信号和实测信号的去噪结果表明,提出的方法能够有效去除局放信号中的白噪声。     

基于SVD-WT的电机局部放电去噪方法研究

局部放电(PD)在线监测是高压电机状态监测的常用技术。然而现场的噪声干扰难以避免,最常见的噪声是白噪声和周期性窄带噪声。为此提出一种结合奇异值分解与小波变换（SVD-WT）的去噪方法,对原始PD信号进行SVD分解,通过计算奇异值序列的峭度值,自适应的选取需要重构奇异值实现周期性窄带噪声的去除;通过计算滑动窗内信号的方差值,确定PD信号的起始位置;对无PD发生的位置进行置零,得到去除噪声后的PD信号。通过对仿真和实测的PD信号进行去噪分析,与经验模态分解与小波变换(EMD WT)和自适应奇异值分解(ASVD)进行对比分析,仿真和实测的PD信号去噪结果表明,SVD WT方法具有优异的性能。     

基于改进量子粒子群优化稀疏分解的局放信号去噪方法

噪声抑制是局放在线监测的关键环节之一。针对局放信号噪声抑制问题,提出一种基于改进量子粒子群优化稀疏分解的局放信号去噪方法。该方法基于信号的稀疏分解思想,构建了仅与局放信号时频特性相匹配的匹配局放信号过完备原子库;基于匹配追踪(MP)算法在该原子库中对染噪局放信号进行最佳匹配原子搜索,并通过改进量子粒子群算法加速搜索进程,同时以残差比阈值作为MP迭代终止条件;基于各次MP迭代搜索得到最佳匹配原子仅可对原始无噪局放信号分量进行稀疏表示,而难以对噪声分量进行表示的原理,实现局放信号稀疏分解去噪目的。运用本文介绍方法对局放仿真信号及实测信号进行了去噪处理,并与基于形态学-小波的局放去噪结果作对比。结果表明,本文介绍方法能有效对局放信号进行去噪处理,去噪结果准确性高且波形无畸变,较好保留局放信号原始特征。     

基于Hankel矩阵和奇异值分解的局部放电窄带干扰抑制方法EI北大核心CSCD

针对高压设备局部放电信号的周期性窄带干扰抑制问题,提出一种基于Hankel矩阵和奇异值分解的窄带干扰抑制方法。首先,通过染噪局部放电信号采样序列构造Hankel矩阵,作为轨迹矩阵,并对其做奇异值分解;研究窄带干扰奇异值分解的规律,并在该规律的基础上利用奇异熵增量和K均值算法找出窄带干扰对应的奇异值,对窄带干扰进行重构;得到窄带干扰后,从染噪信号中将其除去,获得只含有白噪声的局放(partial discharge,PD)信号。对染噪局部放电仿真信号、实测信号进行窄带干扰抑制,并与改进FFT阈值法、小波降噪的结果进行对比分析。结果表明:该方法对窄带干扰的抑制效果更好,波形相似度更高。     

基于粒子群优化的最佳阈值法在局部放电信号去噪中应用

抑制白噪声干扰是局部放电（ Partial Discharge,PD）在线检测中的关键技术。提出一种基于粒子群优化的最优阈值选取去噪方法。该方法采用小波对局部放电信号进行分解,在选取阈值时建立广义交叉验证准则,以广义交叉验证准则作为适应度值函数,并结合粒子群优化算法自适应地确定出各分解层的最佳阈值。该方法不依赖任何先验知识,实现局部放电信号自适应去噪。对局部放电仿真信号和实测局部放电信号的去噪结果表明：本文提出的方法与标准阈值法相比,能更好地去除局部放电信号中的白噪声。     

基于Hankel矩阵和奇异值分解的局部放电窄带干扰抑制方法

针对高压设备局部放电信号的周期性窄带干扰抑制问题,提出一种基于Hankel矩阵和奇异值分解的窄带干扰抑制方法。首先,通过染噪局部放电信号采样序列构造Hankel矩阵,作为轨迹矩阵,并对其做奇异值分解;研究窄带干扰奇异值分解的规律,并在该规律的基础上利用奇异熵增量和K均值算法找出窄带干扰对应的奇异值,对窄带干扰进行重构;得到窄带干扰后,从染噪信号中将其除去,获得只含有白噪声的局放(partial discharge,PD)信号。对染噪局部放电仿真信号、实测信号进行窄带干扰抑制,并与改进FFT阈值法、小波降噪的结果进行对比分析。结果表明:该方法对窄带干扰的抑制效果更好,波形相似度更高。     

基于广义S变换模时频矩阵的局部放电特高频信号去噪方法

为有效抑制局部放电特高频信号中的噪声干扰,提出一种基于广义S变换模时频矩阵的去噪方法。基于二维模时频矩阵,采用区域最大能量法提取周期性窄带干扰的特征量,并通过矩阵逆向分离将其去除;采用奇异值分解去噪方法抑制信号中的高斯白噪声。使用该方法对仿真信号和实验室实测信号进行去噪处理,并与传统方法去噪结果进行对比。结果表明,所提方法能有效抑制局部放电信号特高频信号中的噪声,同时更好地保留了原始局部放电信号特征。对现场实测信号进行去噪处理,与传统方法相比,该方法具有较高的噪声抑制比和较低的幅值衰减比,可以有效提取局部放电超高频信号。     

基于超声波的电力电缆局部放电检测方法的研究

超声波在线监测技术可以用来发现电力电缆电场与磁场的畸变,进而为解决电缆发热,放电等问题提供技术支持。利用小波变换来检测低能量的短时瞬态变量以及因电缆局部放电而产生的尖波情况,利用数学形态学中膨胀、腐蚀的数学集合理论来检测电缆的噪声,利用结构元素在图像范围内平移,同时施加交、并等基本集合运算的方法来进行局部放电超声波检测信号的预处理,进而提取有意义的超声波局放信号,对不同的噪声进行仿真去噪处理,达到去噪效果。通过结合小波理论和数学形态学去噪理论,有效检测电力电缆局部放电的模式和类型,为问题的早发现,早处理打下了坚实的基础。     

基于CEEMDAN与改进小波阈值的电缆局部放电信号降噪方法

对检测到的电缆局部放电信号降噪是实现电缆绝缘诊断与评估的前提,为此提出一种基于自适应噪声的完备集合经验模态分解(CEEMDAN)与改进小波阈值的电缆局部放电信号降噪方法。首先,采用CEEMDAN算法将染噪局部放电信号进行分解,得到数个模态分量;然后,计算模态分量的峭度值,筛选出有效特征分量并重构;最后,将重构信号通过改进小波阈值法再次降噪去除冗余噪声,得到降噪后的局部放电信号。将该方法、传统小波阈值法及集合经验模态分解与改进小波阈值法分别用于不同噪声强度下局部放电仿真信号的降噪处理,结果表明该方法具有更高的信噪比与波形相似系数,能有效抑制周期性窄带干扰与白噪声。     

基于SVD分解和小波去噪的振动位移提取∗

针对奇异值分解提取振动位移信号中存在白噪声的问题,提出采用小波去噪的方法进行信号去噪处理.首先采用奇异值分解提取图像序列中的振动信息;然后采用小波去噪方法进行去噪处理,针对传统固定阈值会导致每层小波分解系数做同样处理的问题,提出了一种改进型阈值;最后通过对比不同小波函数的去噪效果,确定最优小波函数.仿真和实验结果表明,该方法是有效的.     

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。