基于广义S变换与数学形态学的局部放电窄带干扰抑制方法

针对高压电力设备局部放电信号受周期性窄带干扰影响大的问题,提出了一种基于广义S变换与数学形态学的局部放电窄带干扰抑制方法。该方法可以从染噪局部放电(partial discharge,PD)信号中分离出原始PD信号和窄带干扰信号的时频谱图,从而在时频域内准确辨识出窄带干扰和原始PD信号,避免强能量的窄带干扰掩盖原始PD信号时频特征的问题。再利用总体最小二乘不变旋转矢量技术准确估计窄带干扰的特征参数,以抑制染噪PD信号中窄带干扰。对仿真和实测PD信号开展窄带干扰的抑制测试,测试结果表明：该文所提方法可以有效分离出染噪PD信号时频谱图中窄带干扰和PD信号,提高了时频分析的准确率;同时相比于传统的快速傅里叶变换(fast Fourier transform,FFT)算法谱最小熵解卷积滤波法和自适应奇异值分解法,该文方法能够有效抑制小幅值的窄带干扰,具备更好的窄带干扰抑制效果,以恢复局放信号的波形特征。     

应用组合广义形态学滤波器抑制变压器局放信号窄带干扰

为了抑制变压器局部放电(PD)信号中常见的窄带周期性干扰,根据PD信号和窄带周期性干扰的频谱特性不同,在开闭和闭开形态学滤波器的基础上,构造和采用组合广义形态学滤波器,在频域中滤除窄带周期性干扰形成的离散谱线,保留PD信号本身宽频带特性,从而达到抑制窄带周期性干扰的效果。用去噪前后的信噪比和波形相似系数对仿真PD信号的干扰抑制结果进行了评价,结果表明,组合广义形态学滤波器可以有效地抑制窄带周期性干扰。     

用于复小波变换的EWC阈值法抑制周期性窄带干扰

由于气体绝缘组合电器(GIS)的局部放电(PD)特高频检测虽然能够避开大多数窄带干扰,但是,还有部分窄带干扰会进入检测系统,从而湮没PD信号,因此在现场检测时必须加以抑制。根据PD信号与周期性窄带干扰小波变换后的不同特点,剖析了抑制周期性窄带干扰的常用方法--小波系数直接置零法的局限性,提出了可以用于抑制周期性窄带干扰的有效小波系数(EWC)阈值法,并以所构造的db4复小波对仿真信号与实测GIS特高频PD信号进行了对比去噪研究。研究结果表明:基于EWC阈值法的复小波变换能够有效地抑制GIS特高频PD信号中的周期性窄带干扰。     

基于短时傅里叶变换的局部放电窄带干扰抑制

为有效抑制局部放电(PD)信号中周期性窄带干扰,文中提出短时傅里叶变换和矩阵束相结合的局部放电窄带干扰抑制方法。该方法利用短时傅里叶变换分析染噪PD信号,得到窄带干扰数目,同时分离出染噪PD信号中信号帧和噪声帧;采用矩阵束算法在噪声帧中对窄带干扰参数进行估计,重构出全时段的窄带干扰,实现局部放电的窄带干扰抑制。仿真及实测染噪PD信号的去噪效果表明,与传统的傅里叶级数法和局部能量比法相比,所提方法去噪后的残余噪声更小,对染噪PD信号中窄带干扰有很好的抑制效果。     

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.     

结合广义S变换和快速独立分量分析的局放信号中窄带干扰抑制方法

针对现有方法对局部放电（partial discharge,PD）信号中窄带干扰抑制效果较差的问题,提出了一种基于广义S变换和快速独立分量分析的窄带干扰抑制方案。该方案首先利用广义S变换对染噪PD信号进行时频分析,在染噪PD信号的时频分布图中,根据窄带干扰和PD信号的不同时频特征,可以确定窄带干扰的特征区域;然后在窄带干扰的特征区域中,利用Candan算法对窄带干扰的频率进行估计;最后利用窄带干扰频率估计值和快速独立分量分析方法分离出PD信号,实现窄带干扰抑制。仿真和实测结果说明,所提方法可以有效抑制染噪PD信号中窄带干扰,并且能准确获取PD信号的波形特征,对比传统的奇异值分解方法和快速傅里叶变换滤波方法,文中方法对窄带干扰的抑制效果更好,残余干扰的能量较小。     

用于复小波变换的EWC阈值法抑制周期性窄带干扰

由于气体绝缘组合电器（GIS）的局部放电（PD）特高频检测虽然能够避开大多数窄带干扰，但是，还有部分窄带干扰会进入检测系统，从而湮没PD信号，因此在现场检测时必须加以抑制。根据PD信号与周期性窄带干扰小波变换后的不同特点，剖析了抑制周期性窄带干扰的常用方法——小波系数直接置零法的局限性，提出了可以用于抑制周期性窄带干扰的有效小波系数（EWC）阈值法，并以所构造的db4复小波对仿真信号与实测GIS特高频PD信号进行了对比去噪研究。研究结果表明：基于EWC阈值法的复小波变换能够有效地抑制GIS特高频PD信号中的周期性窄带干扰。     

基于改进奇异值与经验小波分解的局放去噪算法

局部放电(partial discharge,PD)检测是监测绝缘劣化的重要手段.由于现场环境复杂,PD检测易被干扰,而PD检测的真实性影响电气设备绝缘性能评估的准确性.因此,检测信号去噪是PD检测的重要任务.常用PD去噪算法的效果依赖于人工选择阈值或分解层数等参数,为了解决这个问题,该文提出不依赖于人工选择算法,使用基于曲率的奇异值变换(singular value decomposition,SVD)自适应地选择奇异值重构并去除窄带干扰;然后对残留白噪声的PD信号进行基于经验小波变换(empirical wavelet transform,EWT)的自适应分解;利用通用阈值对满足峭度和相关系数条件的模态去噪;最后通过时域去噪去除残留噪声,得到去噪后的PD信号.模拟PD信号和现场实测PD信号的去噪结果均表明所提方法能够更有效地去除窄带干扰和白噪声.     

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FastICA的局部放电在线监测窄带干扰高保真性抑制方法

为了解决传统阈值法和盲分离法在局部放电周期性窄带干扰抑制过程中存在的波形畸变与不确定性问题,提出利用改进的Fast ICA算法对局部放电(PD)信号进行窄带干扰抑制。首先结合PD混合信号离散傅里叶变换功率谱的特点,引入信息熵理论对窄带干扰个数进行确定,并提出利用功率谱"两步法"对窄带干扰频率进行精确估计;然后引入简化的Simpson-Newton迭代公式对Fast ICA算法进行改进,减少算法的迭代次数,并提出利用校准信号对分离信号进行校准,修正分离PD信号的幅值和相位。仿真及实测结果表明,该方法能够有效抑制周期性窄带干扰并能有效保留信号原始特征,且算法的时间复杂度较小,同时与频率切片小波去噪方法和傅里叶变换滤波相比,该方法去噪效果更明显,且能有效避免边缘效应的影响。     

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。     

用最优谐波小波包变换抑制局部放电混频随机窄带干扰

在进行电气设备局部放电(partial discharge,PD)在线监测中,当多个随机周期性窄带干扰的频率位于传感器监测频段内部时,会严重影响监测的可信性和准确性,然而目前缺乏有效抑制此类干扰的方法。为此,利用谐波小波具有严格盒形频谱特性的优点,提出一种基于最优离散谐波小波包变换的PD去噪新方法,将不同频率窄带干扰的能量分别集中在单一的子带内,用分解后子带香农熵比值的大小来确定包含各窄带干扰的子带,只要将对应的小波系数置零后重构就能得到去除窄带干扰后的PD信号,克服了离散小波包变换子带间存在频谱泄漏的缺点,实现了对PD监测信号的自适应优化分解。通过对仿真和实测PD信号频带范围内含有的混频随机窄带干扰进行去噪处理,并与离散小波包变换去噪结果进行对比分析后表明,最优离散谐波小波包变换对PD信号去噪后的能量损失和波形畸变较小,有利于后续对PD信号的模式识别,可以解决干扰频率位于监测频段内难于抑制的难题。     

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。     

基于优化VMD与噪声估计的间隔阈值局部放电去噪方法

为了抑制局部放电(PD)信号中含有的窄带周期干扰和白噪声,提出一种基于优化的变分模态分解(VMD)阈值去噪方法。首先针对VMD算法可能造成染噪信号欠分解或过分解的问题,提出一种基于频谱分析和四分位数的模态分解数K值优化方法,并结合模态的峭度特征去除窄带周期干扰和高频白噪声;针对PD信号主导模态中残留的白噪声,利用文中研究中发现的VMD分解白噪声所得模态的两个统计特性,提出一种噪声标准差估计方法来确定阈值,最后引入间隔阈值函数对PD信号主导模态进一步去噪。采用该方法对仿真和实测信号进行去噪处理,并将其与传统方法进行对比,结果表明,所提方法不仅可以更有效地抑制噪声,同时也能更好地保留PD信号的特征。     

TLS-ESPRIT在局部放电窄带干扰抑制中的应用

针对局部放电信号的多态性以及利用混沌振子抑制周期性窄带干扰存在的不足,将一种阵列信号处理方法总体最小二乘-旋转矢量不变技术TLS-ESPRIT(total least squares-estimation of signal parameters via rotational invariance techniques)应用到局部放电信号窄带干扰抑制中。首先将含有窄带干扰的局放信号进行采样并形成HANKEL矩阵;再对HANKEL矩阵进行奇异值分解,划分为窄带干扰子空间与局放信号子空间,并判断是否存在窄带干扰及主要干扰的真实数目;最后通过TLS的二次消噪处理,改善周期性窄带干扰参数的提取精度。研究结果表明,该方法能够有效识别窄带干扰参数和有效处理多种形态的放电信号。     

基于LS_SVM高精度抑制局部放电信号窄带干扰的研究

在频域内抑制局部放电信号窄带干扰通常会造成局放信号能量损失.从时域出发,用最小二乘支持向量机拟合出一段窄带干扰信号,对其周期延拓得到测量时段内的全部窄带干扰信号,再将其从测量信号中减去,从而抑制了窄带干扰;讨论了最小二乘支持向量机嵌入维数对估算精度及参数(γ,σ)的影响.研究分析表明,本方法可有效抑制窄带干扰,窄带干扰越强、窄带信号频率与局放信号越接近,本方法优势越明显;合理选择嵌入维数可提高精度及参数鲁棒性.     

复小波包变换抑制PD监测中周期性窄带干扰

为了有效抑制PD测量中的周期性窄带干扰,采用相同滤波器构造小波包和"保持实小波包滤波器的幅频特性,改变其相频特性"构造复小波的方法,构造了与相应实小波包具有相同幅频特性和与相应复小波具有相同相频特性的复小波包;给出了构造复小波包的具体方法,并用描述波形相似程度的NCC和VTP参数以及幅值相对误差,对原始PD仿真信号分解后直接重构的效果进行了定量评价,证明了复小波包构造的正确性和具有很好还原非平稳脉冲信号的能力。最后,用复小波包变换技术对含有不同频率、不同强度窄带干扰的PD混合仿真和实测信号进行了去噪应用,解决了窄带干扰频率在检测仪器频带内用硬件滤波对局放信号有较大损失和用小波包变换去噪效果差的难题。     

GIS局部放电超高频在线监测技术研究及应用

研制了GIS局部放电超高频在线监测系统,针对局部放电(PD)信号提取时面临的复杂干扰因素,提出在GIS盆式绝缘子处外置超高频(UHF)传感器耦合GIS泄露的PD信号、噪声传感器耦合周围噪声水平,借助信号处理电路对二者获取的信号进行阈值比较、数字滤波和相位对比,进而剔除外来干扰,提取真实有效PD信号的干扰抑制方案。通过现场应用实例,验证了本文所提干扰抑制方案的有效性。     

改进经验模态分解阈值算法抑制强窄带干扰

为抑制电力设备局部放电在线监测中出现的较强窄带干扰,提出改进经验模态分解(EMD)阈值算法,改进了频域阈值算法并解决了其阈值和干扰频带难以确定的问题.首先在频域处理时设置一个较大阈值来降低窄带干扰幅值,接着EMD以得到含有特征频率的固有模态函数(IMF),然后对IMF分量进行阈值处理,利用窄带干扰和局部放电信号在IMF分量上的特性差异来抑制窄带干扰.     

基于EMD的局部放电窄带干扰抑制算法

以经验模态分解(empirical mode decomposition,EMD)为基础,提出了一种基于包络线及有效值的自适应窄带干扰抑制算法,用以从噪声中提取局放信号。EMD可以自适应地将信号分解成若干阶不同频率段的固有模态函数(intrinsic mode functions,IMF),窄带干扰经分解后在振幅上显示出与局放脉冲明显不同的特征,通过包络线及有效值确定的阈值可以有效地区别开来。仿真及实际处理结果表明:与常规的基于小波变换的窄带抑制算法相比,该算法具有较强的自适应性;能有效地抑制局放信号中的窄带干扰。