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。     

基于改进 SVD_EMD 的绝缘子泄漏电流去噪方法

泄漏电流是表征气体绝缘输电线路(GIL)内部绝缘子性能优劣的重要指标,在实际工程中泄漏电流信号的采集常受窄带信号与白噪声信号的干扰,进而影响对于绝缘子性能的准确评估,常用泄漏电流去噪方法多依赖于经验参数与人工设定。针对以上问题,提出利用奇异值曲率谱对奇异值变换(singular value decomposition,SVD)进行改进,去除窄带信号干扰;然后引入正负白噪声组,利用经验模态分解(empirical mode decomposition,EMD)对含有白噪声信号的泄漏电流信号进行分解,在分解过程中对模态分量进行去噪处理,保留最终模态分量即为无噪泄漏电流信号。信号仿真与现场实测结果均表明所提方法可以有效实现GIL绝缘子泄漏电流去噪。     

小波－奇异值分解在异步电机转子故障特征提取中的应用

针对电流信号中异步电机的转子故障特征分量经常被电源频率分量淹没而无法准确检测的缺点,提出了一种基于小波-奇异值分解的转子故障特征提取方法。通过连续小波变换将电流信号中的各特征频率分量转换到时频分布空间中,对该时频空间进行奇异值分解将各特征频率分量分解到不同的正交特征子空间中,对特征子空间的选择重构可以有效地滤除电源频率分量而提取出转子故障特征分量。模拟数据和实际故障信号的应用表明,该方法提供了一种可实际应用的异步电机转子故障诊断方法。     

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与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

基于变分模态分解和小波分析的变压器局部放电去噪研究*

为有效去除变压器局部放电信号中大量的电磁干扰,针对现有经验模态分解存在模态混叠等问题,提出将一种新的信号分解算法——变分模态分解结合小波运用在变压器局部放电信号中来抑制窄带周期干扰和白噪声。首先利用变分模态分解将含噪信号分解成若干个以某中心频率波动的模态,在分解过程中自动滤去白噪声;然后提取含局部放电信息的模态进行重构;最后通过小波去除残余窄带周期干扰,进而实现干扰抑制。仿真和实测信号分析结果表明,该方法能很好地抑制两类干扰,保留局部放电信号特征,验证了采用变分模态分解结合小波去除噪声的有效性,为局部放电信号去噪提供了一种新的方法。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

基于VMD-SWT联合算法的谐波/间谐波检测

针对现有电力系统谐波/间谐波检测方法中提取精度不高、对噪声敏感的问题,提出一种基于变分模态分解VMD(variational mode decomposition)和同步挤压小波变换SWT(synchrosqueezing wavelet transform)的谐波/间谐波检测新方法。首先对含有谐波/间谐波的信号进行连续小波变换,得到小波量图确定分量个数。利用VMD自适应地将信号分解成多个模态分量,筛选出所选模态中心频率附近的小波系数进行SWT挤压重组锐化时频图,获得小波脊线,从而提取各谐波模态瞬时频率和幅值。仿真和实际数据表明,该方法在噪声环境下依然可以准确提取各个谐波分量,具有较高的检测精度。     

结合奇异值分解与最小描述长度准则的变压器极化电流数据去噪方法

现场测量变压器极化电流受噪声干扰造成测量精度偏低,为消除噪声干扰,本文提出一种奇异值分解(SVD)结合最小描述长度准则(MDL)的信号去噪算法.利用测量数据构建Hankel矩阵并进行奇异值分解,将信号分解为有用分量与无用分量的线性叠加,再利用MDL确定信号与噪声的界限,提取有用分量重构信号.对变压器极化电流的仿真和实测数据表明,利用MDL能有效区分有用分量与噪声,去噪数据趋势完整,噪声得到有效去除.与小波硬、软阈值去噪结果对比,信噪比最大可提高12.61dB,方均根误差最大可减小47％.