井下配电网电缆故障在线双端行波测距方法

为了解决采用传统经验模态分解的电缆故障测距方法存在的频带混叠问题,以及基于总体平均经验模态分解的电缆故障测距方法受残留白噪声影响等问题,提出了一种基于补充总体平均经验模态分解的井下配电网电缆故障在线双端行波测距方法。该方法通过补充总体平均经验模态分解提取双端故障行波线模分量的固有模态函数,利用基于瞬时频率突变和模极大值的奇异性检测原理进行行波波头标定,从而实现故障点定位。通过在PSCAD/EMTDC环境下搭建基于频变特性电缆线路的6kV井下配电网模型并进行仿真,验证了该方法测距精度高,最大测距误差不超过4%。     

基于CEEMD和TEO的电力电缆故障测距方法研究

针对传统希尔伯特黄变换(HHT)中经验模态分解(EMD)在分解过程中存在模态混叠现象,将补充总体平均模态分解(CEEMD)与Teager能量算子相结合.提出一种基于CEEMD和TEO的电力电缆故障行波测距方法,通过CEEMD分解得到故障行波信号的固有模态分量(IMF),采用Teager能量算子得到瞬时能量谱,得到故障初始行波到达检测点时刻.PSCAD/EMTDC仿真结果验证了该方法的正确性,测距精度高.     

基于改进EEMD的心电信号基线漂移消除方法

针对传统方法滤波效果不佳的问题,本文提出了基于改进集合经验模态分解（Ensemble empirical mode decomposition,EEMD）的消除心电信号基线漂移方法。该方法克服了经验模态分解（Empirical mode decomposition,EMD）模态混叠的问题,并对EEMD方法存在的问题和不足进行改进,建立集合经验模态分解方法中加入辅助白噪声大小的可依据准则,从而确定加入的辅助白噪声大小以及集合平均次数这两个重要参数。它从含噪心电信号中提取基线漂移信号,然后重构其余本征模函数（Intrinsic mode function,IMF）分量得到"干净"的心电信号,为后续的研究提供前提。经实验验证表明：相较于传统方法,这种方法能够提高信噪比、降低均方差、保持特征波形、去噪更加彻底,很好地解决了心电信号低频成分损失的问题。     

基于EEMD和LSTM的短期风速预测模型研究

由于风具有较强的阵性和局地性,影响因子较多,利用机器学习相关技术进行风速的预测,往往会受这些影响,降低预测的准确率,特别是对于瞬时大风的预测,准确度普遍不高。针对上述问题,提出一种基于集合经验模态分解法(EEMD)和长短期记忆神经网络(LSTM)相结合的短期风速预测模型,该模型采用EEMD将风速序列分解为多个频域相对稳定的子序列,进而改善经验模态分解法(EMD)模态混叠现象,再采用LSTM构建预测模型,实现短期风速预测。该方法与其他预测方法相比,预测的精度更高,误差更小,验证了本文预测方法的可行性和有效性。     

基于EEMD的含分布式电源配电网故障定位

研究含分布式电源配电网单相接地短路故障区间定位方法.由于分布式电源接人,配电网发生短路故障时,分布式电源会向短路点提供一定的短路电流,导致短路电流难以进行整定,故障特征提取困难.为此提出利用集合经验模态分解,对故障零序电流进行分解,获得有限个本征模态函数分量,通过比较各监测点选取的本征模态函数分量一阶差分的极性和模最大值,实现含分布式电源配电网的单相接地故障区间定位.EEMD过程主要采用加、减法对信号进行处理,计算速度快.仿真结果表明,应用上述方法简单、运行速度快、区间定位准确,不受过渡电阻和故障时刻等随机因素影响.     

基于改进EEMD方法的轴承故障诊断研究

该文针对轴承故障诊断中信号处理的端点效应问题,提出基于极值波延拓与窗函数的改进集合经验模态分解EEMD方法。首先对原始信号进行极值波延拓,其次对延拓后的信号加入组合窗体,最后对信号进行EEMD分解,通过仿真验证改进EEMD方法的有效性。同时,进一步结合Hilbert变换建立了改进EEMD-Hilbert的轴承故障诊断模型,利用轴承故障的实测信号证明了该模型在提高轴承故障诊断效率方面有一定优势。     

基于故障暂态信息的配网电缆单相接地故障测距方法

介绍一种基于线路分布参数模型的、可利用故障暂态信息的配网电缆单相接地故障测距方法,应用于高精度电缆测距装置上,能对电缆故障快速精确定位,缩短恢复供电时间,有效弥补传统型电缆故障测距仪器的不足.     

基于行波检测的电缆线路故障点定位的研究

文章提出了一种采用电压行波测距确定电缆不同故障点位置的方法,介绍了行波极性的确定、行波测距定位的原理。该行波测距法主要是利用电压行波和小波变换模极大值的关系,判断波头极性和捕捉初始行波与故障点反射波波头到达时刻,确定行波运行时间,完成故障测距,确定故障点的位置。仿真实验验证了该方法的可行性。     

线损业务场景仿真及故障定位系统的设计与实现

目前电能传输大多应用远距离输电线路。由于部署环境复杂、线路老化等因素影响,线路故障定位效率和精准度都低。为了快速定位故障点恢复供电,通过PSCAD/EMTDC仿真软件分析了各类故障的波形特点,并基于双端D型测距算法进行故障定位。对各类工频故障、雷击故障进行了仿真分析,并详细设计了线损业务场景仿真及故障定位系统,完成了从数据采集、波形分析到故障定位的闭环管理。经过实地部署测试验证定位误差较小,具有较高的实用价值。在识别故障隐患、故障快速排除、线损趋势分析方面发挥了实际效用,为提升供电企业服务质量、避免经济损失规划了可实现的技术方案。     

基于脑电EEG的改进EEMD算法

为了有效地改善模态混叠问题以适应脑电信号的研究,提出了一种改进的集合经验模态分解算法。首先对脑信号进行相关性筛选;然后自适应地从原始脑信号中预测脑电特性信号,融合高斯白噪声生成新型脑信号噪声;最后基于该噪声进行集合经验模态分解。仿真实验表明,新型脑信号噪声不仅具有自适应特性,而且可以更好地解决脑信号经验模态分解中的模态混叠问题,同时也证明了该算法在脑电研究领域的理论和应用价值。     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO)优化径向基函数(RBF)神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点,提出基于集合经验模态分解(EEMD)能量熵和模拟退火粒子群混合算法(SAPSO)优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵,并使用相关性分析方法剔除虚假的分量,把筛选后的有效数据作为故障识别的特征向量;利用模拟退火(SA)算法具有局部概率突跳的特性,将SA算法和PSO算法相结合,在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明,使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于HHT变换的电缆故障脉冲法定位分析

电力电缆故障的实际测试波形与理论波形相差较大,需要经验比较丰富的专业测试人员才能够比较准确地确定出故障位置。针对这一问题,对电力电缆实际故障测试波形采用HHT变换,从而获得与理论波形更为相似的波形。经实际测试,能够获得更为准确的测试结果,为电力电缆故障定位提供了一种更为有效的方法。     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

基于EEMD的多传感器信息融合降噪方法

由于传感器被动采集所得信号没有太多先验信息,在后续应用过程中因噪声的存在受到限制,所以,提出一种基于总体经验模式分解（EEMD）和时延估计的多传感器信息融合降噪方法.首先将多传感器采集所得信号进行EEMD,将所得对应IMF分量进行互相关,求取时延估计值,依据时延矢量封闭准则（TDVCR）获得相应IMF分量的时延矢量误差.最后,根据多传感器综合支持度确定相应权重,对IMF分量进行重构,得到降噪后的信号.实验结果表明：该方法在EEMD的基础上有效利用了多传感器的时延估计特性,在没有任何先验信息的条件下降低了信号噪声,取得满意的效果.