基于掩膜分量的改进HHT方法在电能质量扰动信号定位中的应用

为克服EMD方法的缺点,提出了一种基于掩膜分量的改进HHT方法对电能质量进行检测.首先对信号进行神经网络预测延拓,并对延拓部分进行加窗处理,有效的抑制了端点效应在经验模态分解过程中带来的影响.然后用掩膜信号法对电能质量扰动信号进行分解,得到包含单一频率的精确的经验模态函数分量,再对各分量进行Hilbert变换,并对瞬时幅值求导就能确定出电能质量扰动的起止点.仿真结果表明,基于掩膜的改进HHT方法能有效克服端点效应和模态混叠对信号分解的影响,适用于各种暂态扰动的分析.     

基于EEMD的HHT在电能质量多扰动分类识别中的应用

现有的电能质量扰动分类识别方法对电能质量多扰动的分类准确性和识别能力较低,本文提出了将基于聚类经验模态分解(EEMD)的希尔伯特—黄变换(HHT)应用于电能质量多扰动的分类识别方法。它依据电能质量多扰动信号就是在电能基波上叠加不同频率和不同幅值波形的特性,首先利用EEMD对含扰动信号分解得到信号的固有模态函数(IMF),滤除残余噪声后,将得到的IMF分量作为特征值对扰动进行分类,再对IMF进行Hilbert变换得到其瞬时频率和瞬时幅值,瞬时频率的突变点反映电能质量扰动的起止时刻,瞬时幅值反映电能质量扰动的幅度,根据对突变点的观测实现对各个扰动的准确识别。Matlab仿真分析结果表明,该方法能够准确的对电能质量多扰动的扰动类型进行分类,并确定电能质量各个扰动信号的时间、幅值和频率。     

基于改进Hilbert-Huang变换的谐波检测新方法

指出准确、实时地对进行谐波检测是谐波治理的重要前提。提出了采用改进HHT对电力系统的谐波信号进行检测,该方法提出采用支持向量回归机与镜像延拓相结合对经验模态分解过程中出现的端点效应进行改进,从而使得到的瞬时频率和瞬时幅值具有了物理意义。     

基于MEEMD与HT的谐波检测方法

为解决采用希尔伯特-黄变换进行谐波分析对信号进行分解时出现的模态混叠、端点效应、抗噪能力弱及虚假分量等问题,提出一种基于改进型总体平均经验模态分解和改进的自适应波形匹配延拓结合希尔伯特变换的谐波检测新方法。首先,采用改进型总体平均经验模态分解算法和改进的自适应波形匹配延拓方法对谐波信号进行分解,获得一系列固有模态函数,再对各个固有模态函数进行希尔伯特变换,从而得到各次谐波的瞬时幅值和瞬时频率。采用经验模态分解、总体平均经验模态分解、完全经验模态分解算法和文中所提方法分别与希尔伯特变换结合进行谐波分析,仿真结果表明,所提方法能有效抑制模态混叠和端点效应,其受参数影响较小,自适应性较强,产生较少的虚假分量,且在强噪声下仍然具有很高的谐波检测精度。     

一种改善EMD端点效应的新方法及其在谐波分析中的应用

为了改善经验模态分解(EMD)过程中产生的端点效应,本文提出一种基于支持向量机和镜像延拓相结合的新方法对短时间序列进行延拓.首先应用支持向量机(SVM)对原始信号两端分别延拓一个极大值和一个极小值,再用带镜像延拓程序的EMD方法对延拓后的信号进行边分解边延拓,逐渐抛弃受"污染"的点,得到具有原始信号长度的固有模态函数(IMF).本文将该方法应用于电力系统的谐波分析中,仿真结果表明该方法能有效抑制EMD方法的端点效应,可以得到效果更好的单分量谐波信号.     

基于VMD的谐波检测方法

针对电网谐波检测问题,分析已提出的几种传统的谐波检测方法,首次提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的电网谐波检测方法。运用VMD方法将所含谐波的电网信号分解为一系列的本征模态分量(Intrinsic Mode Function,IMF),然后对分解出的IMF分量采用希尔伯特黄变换(HilbertHuang transform,HHT),获得每一个IMF分量的瞬时频率和瞬时幅值。由于VMD方法能准确的分解出每一个IMF分量,因此所得到的瞬时频率和瞬时幅值达到了很高精度的获取,并且与在经验模态分解(Empirical Mode Decomposition,EMD)所得到IMF分量Hilbert变换进行对比,说明了该方法比传统的Hilbert变换分解能力更强。为验证该方法对电网谐波的检测能力,将VMD算法与传统的瞬时无功功率谐波检测算法运用到实测数据中。仿真和实测数据表明,该方法是检测谐波的有效新方法。     

基于EMD的Hilbert变换应用于暂态信号分析

将一种新的非平稳信号处理方法--基于经验模态分解(EMD)的希尔伯特(Hilbert)变换方法,应用于电力系统暂态信号分析中。通过EMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱,进而得到Hilbert边际谱,对故障暂态和扰动信号进行了分析。通过瞬时频率进行故障暂态和扰动时刻的准确检测;通过Hilbert边际谱与傅里叶幅值谱的比较,表明Hilbert边际谱在分辨率上具有明显的优越性。该方法为电力系统暂态信号分析提供了一种新的分析手段。仿真结果验证了该方法的有效性。     

基于EMD的Hilbert变换应用于暂态信号分析

将一种新的非平稳信号处理方法——基于经验模态分解(EMD)的希尔伯特（Hilbert）变换方法，应用于电力系统暂态信号分析中。通过EMD方法提取信号的固有模态函数（IMF），再进行Hilbert变换，求瞬时频率、瞬时振幅，得到信号的Hilbert谱，进而得到Hilbert边际谱，对故障暂态和扰动信号进行了分析。通过瞬时频率进行故障暂态和扰动时刻的准确检测；通过Hilbert边际谱与傅里叶幅值谱的比较，表明Hilbert边际谱在分辨率上具有明显的优越性。该方法为电力系统暂态信号分析提供了一种新的分析手段。仿真结果验证了该方法的有效性。     

变压器直流偏磁的仿真研究

基于经验模态分解(empirical mode decomposition,EMD)和Hilbert变换,提出了一种新的变压器直流偏磁分析方法。首先对变压器励磁电流进行EMD分解,提取包含最多励磁电流畸变信息的基本模式分量(intrinsic mode function,IMF);再对IMF分量作Hilbert变换,得出其瞬时频率和幅值。仿真结果表明:该方法能够准确检测出励磁电流畸变的时间、频率和幅值。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.     

基于变分模态分解的电能质量扰动检测新方法

为了更加准确地提取扰动信号特征,提出了基于变分模态分解(VMD)的电能质量扰动检测新方法。该方法由VMD和希尔伯特变换(HT)2个部分组成。首先,对扰动信号进行傅里叶变换以确定VMD的预设分解尺度;然后,利用VMD将扰动信号分解为系列调幅-调频函数之和;最后,对每个调幅-调频函数进行HT,求取瞬时幅值和瞬时频率,进而确定扰动信号特征。较之希尔伯特-黄变换和局部均值分解方法,VMD方法不仅可分析不同时间支集的扰动信号,处理复合扰动和频率相近的奇数次谐波,也不存在模态混叠,获取的瞬时幅值和瞬时频率更加准确。仿真信号和变电站电容器组投入时的电压信号分析结果证明了所提方法的可行性和有效性。     

Fault classification in SEIG system using Hilbert-Huang transform and least square support vector machine

This paper presents the transient performance analysis of self excited induction generator (SEIG) during both balanced and unbalanced faults using stationary frame d–q axis. Significance of fault detection and fault classification is also investigated in this study. Current signal of SEIG is extracted. Non stationary distorted current waveforms of SEIG during fault condition are considered as superimposition of various oscillating modes. To separate out these oscillating components known as intrinsic mode functions (IMFs), empirical-mode decomposition (EMD) is used. Hilbert transform (HT) is applied on the first four IMFs to extract instantaneous amplitude and frequency. Combination of EMD and HT is known as Hilbert-Huang transform. To classify different faults of SEIG system, least square support vector machine (LSSVM) is used. Finally the superiority of the proposed SVM is established through comparison with support vector machine and probabilistic neural network.     

动平衡测试系统中不平衡量的测试方法研究

针对动平衡测试系统中不平衡量测试精度较低的问题,提出了一种基于希尔伯特黄变换(HHT)的滤波方法,该方法应用于动平衡测试系统,对获取的转子原始振动信号和转频信号进行分析,可以有效得到不平衡量的质量和相位.方法先对原始振动信号进行经验模态分解(EMD),将振动信号分解为一系列固有模态函数(IMF),再经过希尔伯特(Hilbert)变换计算出各IMF的希尔伯特边际谱,根据转子转频信号滤除掉高低频干扰信号,筛选出针对不平衡量的有效振动信号,根据该信号的幅度和频率即可得到不平衡量的质量和相位.与普通数字滤波方法比较,实验结果表明,该方法用于动平衡测试系统比普通数字滤波方法精度高,效果好.     

多分辨HHT在STATCOM并补线路故障位置识别中的应用

引入多分辨分析方法对Hilbert-Huang变换(HHT)进行改进:根据信号的特征尺度对信号筛分后进行经验模态分解(EMD)处理,然后对固有模态函数(IMF)分量进行Hilbert变换,求取各分量的瞬时频率和幅值。通过对信号按不同时间尺度进行滤波,有效消除模态混叠;同时对信号进行分段样条拟合,减少计算量。用多分辨HHT方法对含静止同步补偿器(STATCOM)的并补线路保护在稳态和故障暂态时的测量信号以及在不同故障位置时的谐波进行仿真分析,结果表明:STATCOM会使故障时保护安装处的电压谐波含量明显增大;谐波分量的特征与故障回路中是否包含STATCOM有关,故障回路包含STATCOM时特征谐波的幅值很大,否则幅值很小。将该谐波特征用于STATCOM并补线路的故障位置识别,可以自适应地判断故障点的位置,与距离保护相结合,可以有效地解决距离保护用于并补线路时的超越误动和欠范围拒动问题。     

Recognition of Single-stage and Multiple Power Quality Events Using Hilbert–Huang Transform and Probabilistic Neural Network

This article presents the Hilbert–Huang transform based algorithm for recognizing the single-stage and multiple power quality events comprising voltage sag, swell, notches, spikes, harmonics, transients, and flicker. The change of the state during the course of the single-stage power quality event is called a multiple power quality event. Hilbert–Huang transform is an adaptive signal processing technique that combines empirical mode decomposition and Hilbert spectral analysis and makes it an attractive tool for analysis of power quality events. A synthetic database of power quality events is generated in MATLAB (The MathWorks, Natick, Massachusetts, USA) as per Standard IEEE-1995. The significant features are extracted from the instantaneous amplitude, phase, and frequency contours of intrinsic mode functions of each disturbance, and the events are classified using the probabilistic neural network technique.     

基于Synchrosqueezing小波变换的谐波和间谐波检测方法

非线性电力元件的广泛使用使电力系统的谐波和间谐波污染越来越严重。为准确计算谐波和间谐波的参数特征,以有效克服噪声影响,提出基于Synchrosqueezing小波变换的谐波和间谐波的一种检测方法。首先对电力系统信号进行连续小波变换;然后确定同步挤压阈值,对连续小波变换结果进行同步挤压,并利用同步挤压结果计算电力信号主频率;最后,设置提取频率区间,将电力信号分解为一组内蕴模态类函数分量(IMT),并结合Hilbert变换及最小二乘拟合,精确计算噪声背景下谐波和间谐波的幅值与频率。通过模拟信号和实测信号对所提方法有效性进行了分析,实验结果表明,与Prony和HHT方法相比,本文方法通过同步挤压有效抑制了噪声干扰,谐波和间谐波的检测精度有较好的提高。     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法。将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行H ilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的H ilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性。