电力线通信信道背景噪声建模研究

噪声干扰是影响电力线通信可靠性的最主要因素之一。分析了电力线通信信道背景噪声,搭建了背景噪声测量电路,建立了实测背景噪声的AR模型,分别用奇异值分解法和Levinson-Durbin（LD）递推法计算其AR模型参数,并进行仿真比较分析。结果表明：利用奇异值分解法所求参数和利用LD递推法所求参数都是可行的,奇异值分解法所得参数模型较为复杂,但极为精确,适合电力线通信信道背景噪声的离线计算和分析;LD递推法所得参数模型极为简单,但丧失了较大精度,适合电力线通信信道背景噪声的在线快速生成。     

电力线通信信道背景噪声建模研究

噪声干扰是影响电力线通信可靠性的最主要因素之一.分析了电力线通信信道背景噪声,搭建了背景噪声测量电路,建立了实测背景噪声的AR模型,分别用奇异值分解法和Levinson-Durbin (LD)递推法计算其AR模型参数,并进行仿真比较分析.结果表明:利用奇异值分解法所求参数和利用LD递推法所求参数都是可行的,奇异值分解法所得参数模型较为复杂,但极为精确,适合电力线通信信道背景噪声的离线计算和分析;LD递推法所得参数模型极为简单,但丧失了较大精度,适合电力线通信信道背景噪声的在线快速生成.     

基于SVD和DBN的水电机组故障诊断

针对水电机组早期故障信号信噪比低的问题,本文将奇异值分解（SVD）和深度置信网络（DBN）相结合进行故障诊断。首先,利用包含噪声的振动信号构造Hankel矩阵,对其进行奇异值分解,采用奇异值差分谱法选取有效奇异值进行相空间重构,实现降噪的目的;然后,对降噪后的振动信号进奇异值分解,用所得的整个奇异值序列构造特征向量;最后,建立深度置信网络分类器模型,实现水电机组的故障诊断。同时,将所提方法与BP神经网络,多分类支持向量机进行对比。结果表明,本文所提方法能够更加可靠高效地识别故障类型,具有一定的应用价值。     

高密度电法在变电所接地工程中的应用

介绍了高密度电法的测量原理、系统组成和特点.在220 kV芦江变电所接地改造工程中,利用CDEGS接地分析软件,分别基于高密度电法测量所得分层土壤模型和四极法测量所得均匀土壤模型,对芦江变接地改造前后接地网的接地电阻进行仿真计算.计算结果表明,基于高密度电法得到的分层土壤模型仿真计算值与实测值非常接近,而基于四极法的均匀土壤模型仿真计算值与实测值相差较大,验证了高密度电法测量得到的分层土壤模型的准确性.     

基于奇异值分解算法的大坝监测数据回归模型

针对大坝观测数据统计回归计算中出现的数据共线性和观测数据中的粗差问题，应用奇异值分解算法计算大坝统计模型中的系数。计算结果表明，基于奇异值分解算法的模型能够在这 2个常见问题上均取得较满意的结果。     

基于改进奇异值分解法的电力系统弱节点研究

本文建立了ZIP负荷和感应电动机负荷静态模型的综合负荷模型,并推导了计入综合负荷模型后的潮流雅克比矩阵。并在改进奇异值分解法的基础上,利用弱节点判断指标,分析了不同负荷模型对系统弱节点的影响。通过对IEEE30节点系统进行仿真计算,取得了满意的计算结果,从而验证了本文建立综合负荷模型及相应弱节点指标的正确性和可行性。     

电动汽车电机系统噪声声场模型分析研究

建立了电动汽车电机系统噪声声场模型,基于偏奇异值分析方法,通过进行电机系统噪声声场模型求解,计算修正信号的各阶偏奇异值进而识别主要声源。低速、低转矩工况下试验表明基于偏奇异值分析法确定的通道加权因子的噪声声场分析的主次更为分明。     

基于随机奇异值分解的局部放电脉冲提取及去噪技术

针对低信噪比下局部放电信号易漏检与传统奇异值分解算法在进行局放脉冲提取时计算量大的问题,提出一种基于随机奇异值分解的局部放电脉冲提取及去噪方法。该方法能有效提取局放脉冲及去除白噪声,且相较于传统SVD脉冲提取计算所需时间更短,更具工程实用价值。首先,利用滑动短时数据窗截取原始局放信号片段,采用随机奇异值分解法计算最大奇异值,并与全局最优奇异值阈值进行比较,确定脉冲信号的起止点;然后,利用奇异值分解法结合局部最优奇异值阈值,去除提取信号的白噪声。通过对典型局放模拟脉冲进行实验,验证了该算法在脉冲提取时的执行效率优越性。在工频电压下对实验室模拟电缆缺陷进行局放测试,分别采用所提方法、离散小波变换及自适应双阈值方法进行对比性实验,结果表明,所提方法局放信号漏检率低,去噪效果好。     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。     

基于奇异摄动法的降阶模型对系统稳定性的影响

电力系统含有大量非线性高阶的数学模型,电力系统稳定性分析时,不可避免地要采用简化的系统模型,文章首先对电力系统动态负荷模型和发电机模型进行了研究并进一步推导变形,然后采用奇异摄动法中多重时间尺度的思想将非线性的电力系统负荷模型分解成不同时间尺度下的几个子系统,并将高阶模型降阶为低阶模型,最后通过仿真得到一系列数据验证了奇异摄动法降阶后的模型更接近完整模型,所得结果偏差更小。摄动法使模型降阶有了依据,避免了经验降阶带来的较大误差。     

基于奇异值总体最小二乘法的间谐波估计算法

通过分析噪声误差,提出采用奇异值总体最小二乘(singular value decomposition total least squares,SVDTLS)算法进行间谐波频率估计,即同时考虑矩阵方程两边的噪声干扰,采用SVDTLS算法求解该情况下的最小范数解,通过对增广矩阵进行奇异值分解(singular value decomposition,SVD),采用简单实用的与信噪比相关的主奇异值个数确定方法对分解的右奇异矩阵进行存储计算,得到了较精确的间谐波频率估计结果。仿真结果表明,该算法具有良好的抗噪性能和数值稳定性,在低信噪比情况下可准确提取信号的频率。     

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。     

基于改进变分模态分解的SRM功率变换器故障诊断方法

为实现开关磁阻电机功率变换器故障诊断,本文提出了一种改进变分模态分解结合奇异值分析的方法,基于经验模态分解自适应特性和中心频率确定变分模态分解的分解数,并对故障相电流进行处理,根据互信息分析选择最佳模态分量构造初始特征矩阵,进行奇异值分解后计算归一化奇异值作为特征向量,输入支持向量机分类器进行故障识别。为验证诊断方法的可行性,建立了仿真模型与其他诊断方法进行了对比;搭建了开关磁阻电机实验台,测试了开路、短路故障状态,仿真和实验结果均表明本文所提方法可减小噪声影响,提高故障识别准确率。     

广义S变换多分量LFM信号检测及参数估计

针对多分量线性调频信号(LFM)信号在低信噪比状况下信号检测出现漏检、参数估计精度不高等问题,提出在广义S变换(GST)基础上,进行奇异值分解(SVD)滤波的方法。在S变换基础上,导出了广义S变换及逆变换公式,对离散后得到的广义S变换矩阵进行奇异值求解,通过选取合适的奇异值个数,实现多分量信号时频滤波。仿真结果表明,该方法在低信噪比状况下能有效滤除噪声,避免因噪声或者各分量信号强弱相差较大而出现漏检现象,同时信号参数估计精度也得到了提高。     

语音信号的奇异值分解去噪

针对时域中含噪语音信号较长而无法直接进行奇异值分解以及在分解中无法自适应确定分离阶数的问题,本文提出了将时域语音信号分段后再进行奇异值分解的方法,该方法在分段分解后通过拼接可还原出原信号。为了解决分离阶数选取困难的问题,在分解过程中本文采用均值法及方差法自适应确定分离阶数,仿真实验结果验证了该方法对语音信号去噪的有效性。     

基于时域能量与自适应奇异值阈值的改进局放信号去噪方法

局部放电(简称局放)检测是探测电力电缆绝缘缺陷的有效手段。针对传统短时奇异值分解(STSVD)白噪声抑制方法存在的不足,文中提出了一种基于时域能量与自适应奇异值阈值的局放信号白噪声抑制方法。该方法利用自适应奇异值阈值估计策略对重构奇异值个数进行准确估计,并在此基础上结合时域能量准则仅对局放脉冲区域进行去噪处理,从而极大地提升了算法的执行效率。对仿真和实测含噪局放信号进行处理,并将去噪结果与现有的自适应奇异值分解(ASVD)、传统STSVD及小波变换去噪结果进行对比。研究结果表明：相比于ASVD、小波变换去噪方法,文中所提去噪方法能够取得更好的去噪效果,去噪后波形误差更小;相比于传统STSVD,文中所提方法能够有效解决去噪后存在的毛刺干扰问题,且计算速率更快。     

基于小波神经网络的低压电力线背景噪声建模

为增强电力线通信的抗噪能力,针对低压电力线信道噪声中的有色背景噪声和窄带噪声,提出一种基于小波神经网络的建模方法。首先,将背景噪声进行小波神经网络建模,对比所建模型输出噪声与测试噪声的时域波形及功率谱密度,计算两者功率谱密度的均方根误差;然后,对同一组背景噪声分别进行基于传统的小波马尔科夫链和小波神经网络的建模,并计算2种模型输出噪声与测试噪声的功率谱密度及其均方根误差。仿真结果表明,小波神经网络输出噪声与测试噪声的时域波形及功率谱密度均有着较一致的变化趋势,因此小波神经网络对低压电力线信道背景噪声的建模是有效的,对宽带噪声的建模效果更好。     

基于矩阵束算法的谐波和间谐波参数估计

电力系统中非线性负载的不断增加导致谐波污染问题日趋严重。基于矩阵束算法提出了一种谐波和间谐波参数估计的新方法。该方法将含噪声的谐波、间谐波信号构造为两个Hankel矩阵,通过奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,同时减少了计算量;利用矩阵间的特定关系获得频率信息后,再通过最小二乘法得到幅值和相位。仿真结果表明,该方法具有精度好、运算率高、抗噪性强等特点。     

基于奇异值分解的非线性负荷谐波源定位方法

从电力部门运行和管理的角度出发,提出利用负荷的非线性特性定位谐波源及划分谐波责任的方法。该方法通过建立负荷时域等值模型,在不知道系统侧和用户侧负荷参数的情况下,利用公共连接点(PCC)上电压、电流的物理关系建立微分方程,求解负荷等值阻抗参数。根据辨识的负荷等值阻抗参数定位谐波源。采用奇异值分解(SVD)方法对采样的电压、电流数据进行分析,克服测量噪声及量测矩阵奇异的影响,提高参数辨识的精度。应用量化的负荷非线性度,进一步区分各谐波源的谐波责任。仿真表明,该方法简单可行,可准确定位谐波源,且不受背景谐波的影响。