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。     

结合矩形窗的EEMD局部放电信号去噪

针对现有信号去噪方法的不足,采用总体经验模态分解EEMD(ensemble empirical mode dcomposition)方法对变压器局部放电信号进行消噪,并将其与小波消噪方法进行对比。由于EEMD本身的分解性质及计算机性能的限制,使得对于高采样率长信号的消噪处理变得很困难,故此提出将矩形窗与EEMD算法结合起来进行去噪。研究表明EEMD去噪方法更适合于变压器的局部放电去噪,加矩形窗的EEMD去噪方法通过时间复杂度分析和实验验证,更适合此类局部放电信号的去噪。     

基于改进VMD算法的电机局部放电信号去噪方法研究

针对高压电机局部放电(PD)在线检测中信号被高斯白噪声和窄带周期干扰淹没这一问题,应用基于改进变分模态分解（VMD）算法进行噪声滤除。为了克服常用的VMD算法可能会造成信号欠分解或过分解的问题,改用能量损失系数作为标准对分解模态数进行算法优化,优化分解后利用峭度值剔除无效模态,重构出PD信号。使用改进算法与现有方法进行了仿真数据对比,结果表明,使用改进的VMD算法可以更有效地滤除PD信号噪声。     

基于CEEMD-EEMD的局部放电阈值去噪新方法

为了解决局部放电信号去噪过程中自适应性不足,提出了基于完全经验模态分解和总体平均经验模态分解 (CEEMD-EEMD)的局部放电阈值去噪新方法。首先将放电信号进行CEEMD分解,其次对分解出来的固有模态函数进行EEMD分解,根据数理统计的知识将分解后的信号进行阈值去噪。利用该算法对局部放电的仿真信号和实测信号进行去噪处理,并与常规的小波去噪算法比较分析。仿真和实验的去噪结果表明,基于CEEMD-EEMD的局部放电阈值去噪方法取得了良好的去噪效果,验证了该方法的有效性,从而为局部放电信号的预处理提供了一种新思路。     

基于VMD和平滑滤波的ECG去噪方法*

针对目前变分模态分解法在心电信号降噪时存在模态分量难以取舍的问题,提出了一种改进的变分模态分解方法。首先对含噪心电信号进行变分模态分解,通过各模态分量的中心频率和模态分量与原始心电信号的互相关来确定噪声占优的模态分量与信号占优的模态分量。然后选取中心频率处于医学心跳频率范围的模态分量来提取心跳频率对应的采样点数,根据心跳频率对噪声占优的模态分量和信号占优的模态分量分别进行平滑滤波。最后使用处理过的模态分量重构心电信号,完成基线漂移和肌电噪声的去除。实验结果表明该方法的去噪效果优于小波阈值法、变分模态分解法及两者相结合的方法。     

应用变分模态分解和独立分量分析的变压器 局部放电信号特征提取研究

变压器局部放电信号中存在大量的电磁干扰,为有效提取特征量,提出利用变分模态分解法将被测信号分解成围绕若干中心频率波动的模态,同时去除白噪声;再进行含变压器局部放电信息的模态重构,用独立分量分析法滤除周期干扰噪声,实现信号的特征提取。仿真结果验证了方法的有效性,具有良好的去噪效果。     

基于EMD的图像信号去噪的改进算法

根据EMD对图像信号进行分解,本文讨论了采用硬阀值去噪声和软阀值去噪的方法的优劣性,并提出了EMD＋SG滤波器组合去噪的方法,对前N／2个IMF采用SG滤波器对每一数据点的一个邻域（长度为n的滑动窗口）进行滤波,用一元P阶多项式根据最小二乘法准则,拟合出邻域内的最佳值作为去噪后的数值,再与后N／2个IMF进行图像重构。实验表明,该算法比其它算法具有较好的去噪效果。     

一种一种GIS局部放电信号分层去噪方法局部放电信号分层去噪方法

局部放电是封闭式组合电器(GIS)中的容易发生的故障,局部放电检测技术是诊断组合电器内部故障的有效手段,但现场电磁干扰对局部放电检测准确性影响很大。针对现场干扰源复杂的问题,提出一种多干扰源分层去噪方法,采用软硬件结合的抗干扰技术,可在现场强烈的干扰环境中获取准确的局部放电信号。     

快速独立分量分析算法在局放超声阵列信号去噪中的应用

根据阵列信号去噪需要最大限度保留"相位差"信息的要求,提出采用快速独立分量分析(fast independent component analysis,FastICA)对含噪局放超声阵列信号进行去噪处理。首先通过分离矩阵U实现混合信号中源信号与噪声信号的逐次分离;然后采用波形相似性原则对分离后的信号进行盲抽取,获得去噪后局放超声信号;在此基础之上,对局放超声阵列信号模型进行了重构。同时,提出以阵列流型平均相角差、波形变化趋势、波形相似性以及去噪前后的信噪比等参数对局放超声阵列信号的去噪效果进行综合评价。最后,将FastICA用于实验室实测局放超声阵列信号的去噪。结果表明,FastICA能够很好的抑制局放超声阵列信号中的白噪声,在保证高信噪比的情况下,可最大限度地保留阵列信号的"相位差"信息,确保良好的测向效果。     

改进VMD和阈值算法在局部放电去噪中的应用

为解决局部放电检测中存在白噪声和周期窄带干扰的问题,提出一种结合改进变分模态分解(VMD)和阈值算法的局部放电去噪法.针对VMD在实际应用中难以自适应选取分解参数的问题,提出以能量偏差最小为原则确定分解个数,通过天牛须搜索算法(BAS)优化各分量对应的惩罚因子,以峭度准则筛选出有效分量,从而去除掉窄带干扰噪声;利用3σ...     

基于自适应提升小波的局部放电信号噪声消除

为了解决在局部放电信号检测中的噪声抑制问题,采用提升小波变换的方法构造小波,在讨论了第二代小渡变换基本原理及特点的基础上,将自适应性引入提升小波方案中,提出了第二代小波变换的改进算法,并用先更新后预测的改进提升方案解决因自适应性引起的非线性问题。将提出的改进提升方案应用到局部放电信号的去噪处理中以验证其效果,并将其去噪效果与传统小波变换的去噪效果进行了比较。仿真结果表明,这种经过改进的提升方案取得了比传统小波变换更好的去噪效果。     

基于改进经验小波变换的局部放电荧光信号去噪

由于现场环境的复杂性,局部放电(partial discharge,PD)检测伴随着大量噪声干扰,易出现PD漏报与误报现象,影响电力设备后续运维工作。文中采用荧光光纤PD检测法,提出了基于谱峭度和改进经验小波变换(empirical wavelet transform,EWT)的自适应PD荧光信号去噪算法。首先利用快速谱峭度图确定荧光信号傅里叶频谱的紧支撑区域边界,随后对含噪荧光信号进行EWT分解并获得荧光信号所在的有用信号分量,最后对有用信号分量采用小波阈值法去除残留噪声,得到去噪后的PD荧光信号。利用该方法对仿真荧光信号进行去噪分析,并将去噪结果与经验模态分解-小波变换(empirical mode decomposition-wavelet transform,EMD-WT)法和EWT法进行对比,结果表明,该方法在信噪比、均方根误差和归一化相关系数等指标方面都有所提升,证明了该方法具有良好的去噪效果。此外,实测信号的去噪结果表明,该方法的降噪率优于EMD-WT法和EWT法,具有较好的噪声抑制能力。     

基于小波阈值的局部放电去噪新方法

针对局部放电信号去噪,传统的小波阈值法因小波基、阈值和分解层数这三个因素的影响,会使去噪后的波形发生畸变,产生较大误差。为了减小这些因素的干扰,本文提出了基于小波阈值去噪的新方法。首先利用波形相似法选取最优小波基,其次通过对理想局部放电信号和高斯白噪声进行每个尺度的小波分解与重构,并结合统计学知识确定局部放电信号去噪的阈值,最后对高频信号和低频信号进行能量分析,确定最优的分解层数。利用该方法和传统的小波阈值法对仿真放电信号去噪,去噪结果表明新方法在信噪比、均方根误差、相关系数和波形畸变率四个不同的指标上都得到了有效的提升,定性和定量的分析验证了该方法的有效性,实测的去噪结果表明新方法去噪效果令人满意,为局部放电信号去噪提供了一种新思路。     

基于小波迹方法的局部放电信号消噪研究

在检测电力系统变压器稳定性时,通常会发现变压器放电信号存在各种各样的干扰,尤其是噪声干扰。文章提出一种基于传统小波迹方法的平稳小波迹阈值消噪方法,有效消除了信号采样中的噪音。通过重新定义小波迹字典的方法,改进了传统小波方法中的不足。对所要处理的放电信号进行循环平移,有效消除小波基的平移依赖性,提高小波变换在奇异点附近的特殊性,从而达到消除随机振荡的目的。通过与传统小波包消噪和传统小波消噪的比较,选取阈值、小波基和分解层数,得到了信号消噪的最佳值,进而构建一个适用于局部放电信号研究的平稳小波迹阈值消噪方法。结合MATLAB仿真实验信号和部分某变电站变压器局部放电实际信号验证,该方法能有效抑制局部放电噪声干扰,提取有效信号,消噪效果优于传统小波和小波包方法,可以达到识别的需求。     

基于样本加权FCM聚类的未知类别局部放电信号识别

针对电力变压器待识别局部放电信号中可能存在不属于已知类别的未知样本的问题,提出了一种基于样本加权模糊C均值(FCM)聚类的未知类别局部放电信号识别方法。对已知类别的局部放电信号进行FCM聚类,确定各已知类的聚类中心;分别计算已知类别和待识别局部放电信号的样本权值,并根据Otsu准则确定样本权值的自适应阈值;将各待识别局部放电信号的权值与确定的阈值进行比较,判断其是否属于已知类别;采用支持向量机(SVM)对得到的属于已知类别的待识别局部放电信号进行分类,对未知类别样本进行人为分析判断。采用所提方法对实验室条件下的放电信号进行分析,实验结果表明,所提方法可以有效地区分待识别局部放电信号中的未知类别样本。     

基于集合经验模态分解的局部放电信号的窄带干扰抑制

采用经验模态分解(EMD)方法抑制局部放电的窄带干扰时,由于EMD方法本身存在模态混叠问题,在含有局放成分的模态固有函数中仍可能同时含有一定量的窄带成分,导致局放信号无法提取.分析了在局放信号上叠加不同幅值、不同频率的窄带干扰条件下的EMD混叠现象,并提出了基于集合经验模态分解(EEMD)的解决方法.该方法对单频率成分和多频率成分的窄带干扰,均能较好地提取出局放信号.并针对EEMD引入的白噪声干扰,提出了自适应阈值的抑制方法,取得了较好的结果.仿真和现场测试的结果均验证了所提方法的有效性.     

基于Iradon-CNN的变压器局部放电状态识别方法

为解决变压器局部放电故障所带来的安全隐患,提出了一种基于逆拉冬变换(Inverse Radon transform,Iradon)-卷积神经网络(Convolutional Neural Networks,CNN)的变压器局部放电信号图像识别方法。针对三种故障进行了局部放电实验,首先通过共振稀疏分解对局部放电信号进行分解,获取低共振分量,然后将其转换成Iradon图像,最后利用CNN自适应地提取Iradon图像的特征信息。结果表明,该方法能够准确提取信号特征,具有强大的数据处理和识别功能,并为变压器局部放电状态的识别提供了丰富的信息,提高了学习效果和识别精度。     

基于改进FastDOA算法的变压器局部放电超声阵列信号测向

实验室大量试验结果表明,使用超声阵列传感器对变压器进行局部放电检测时,核心是选择合适的波达方向(DOA)估计算法。提出一种改进的FastDOA算法进行变压器局部放电超声阵列信号的测向,该算法在传统FastDOA的基础上增加一个扩展系数来构造不同阵列孔径的虚拟阵列,然后利用真实谱峰的大小、位置不变,伪峰大小、位置随扩展系数改变的原理,对各虚拟阵列得到的估计谱值进行加权平均以减小伪峰的影响,有效提高测向精度。利用MATLAB对其进行仿真,结果显示该算法的测向误差在2°以内,与传统算法最大误差超过10°相比,具有更好的稳定性。在实验室搭建局部放电测向平台,10组试验数据表明该算法的误差均在3°以内。     

基于经验模态分解的水轮发电机组局部放电信号提取

提出一种基于经验模态分解（EMD）的水轮发电机组局部放电信号提取方法。对实际局部放电信号,在频域内降低其干扰的幅值后得到中间信号,然后对中间信号进行经验模态分解,得到包含特征频率的固有模态函数（IMF）,接着对所得到的固有模态函数分量局部重构,从而提取出局部放电信号。通过实例证明了该方法的有效性。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。