基于改进变分模态分解的低频振荡模式辨别

针对现有信号处理方法无法有效解决电力系统低频振荡信号中的非线性及混叠问题的现状,将一种变分模态分解(VMD)方法引入到低频振荡的模式辨识中,并利用样本熵与快速傅里叶变换(FFT)对VMD无法自适应分解的情况进行了改进。原始信号由改进变分模态分解(IVMD)方法分解为若干模态分量,然后利用Teager-Kaiser能量算子(TKEO)对各分量分别拟合即可获得幅值、频率和阻尼等参数。在构造的测试信号下,令提出方法与VMD、经验模态分解(EMD)、总体最小二乘旋转矢量不变技术(TLS-ESPRIT)和Prony等方法进行模式参数辨识性能对比,结果表明,IVMD方法有效克服了EMD、TLS-ESPRIT和Prony在处理模态混叠、含噪声序列和非平稳信号等方面的不足。最后,通过对IEEE 4机2区域系统和新英格兰39节点系统仿真信号的辨识,验证了该方法在提取电力系统低频振荡模式参数中的有效性。     

一种基于新型小波阈值去噪预处理的EEMD谐波检测方法

为了提升经验模态分解(EMD)用于谐波检测的效果,用集合经验模态分解(EEMD)消除了EMD谐波检测的模态混叠问题。通过研究发现采样信号中的噪声会对EEMD的分解产生较大影响,提出了一种基于新型小波阈值去噪预处理的EEMD谐波检测方法。该方法首先采用变换小波系数精确选取小波阈值,然后采取软硬阈值相结合的方式,以消除随机噪声,再将去噪后的信号进行EEMD分解。经仿真分析,所提方法可以有效地消除随机噪声对谐波检测的影响,提高了EEMD谐波检测的精度与适用性。同时与原有EEMD算法相比,所提方法在分解速率上平均提高了大约3.8倍,有效分量与原始信号的相关度平均提升了22.5%。     

基于参数优化VMD的呼吸波提取

针对目前呼吸波提取准确率不高的问题,提出一种从光电容积脉搏波（PPG）信号中提取呼吸波的改进方法。在MIMIC数据库获取十组脉搏和呼吸信号。利用遗传变异粒子群参数优化的变分模态分解（VMD）算法对同一时段光电容积脉搏信号进行分解,得到本征模函数（IMF）,选择相关系数大于0.3的IMF分量重构呼吸信号,并将重构呼吸信号与原始呼吸信号进行比较。实验结果表明,呼吸速率的平均准确率为0.95,波形相关系数（RCC）的平均值为0.9451,均方根误差（RMSE）的平均值为2.0110,该算法提取呼吸波呼吸速率相比于EMD、EEMD算法提高了5%和3%,RCC提高了19.96和13.17%,准确性更高。同时该算法克服了VMD算法在分解时惩罚因子和分解层数选取的不确定性。这对临床实践具有重要意义。     

变分模态分解在去除心电图信号基线漂移中的应用

心电图(ECG)信号可反映心脏电生理功能活动状态并能为临床心脏病准确诊断提供有重要价值的信息。检测到人体的心电图信号,通常伴随着很多干扰,其中基线漂移干扰很大程度影响了对心电图信号的准确判断。根据变分模态分解(VMD)理论,提出了一种去除心电图信号基线漂移的方法。选择合适的分解层数,利用变分模态分解将心电图信号分解为一组模态分量,去除含有基线漂移成分的模态分量,重构剩余模态分量得到去除基线漂移后的心电图信号。通过ECG信号仿真和实际数据处理实验,与经验模态分解算法比较信噪比提高了4 d B,且能够保持心电图信号的形态特征,有效去除了基线漂移干扰。     

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。     

基于二次 CEEMD 与时域特征分析的去噪方法

为克服经验模态分解(EMD)去噪方法存在的模态混叠以及噪声分量与信号分量区分困难问题,本文提出了一种基于二次互补集合经验模态分解(CEEMD)与时域特征分析的去噪方法。该方法利用CEEMD来克服模态混叠问题,同时基于对CEEMD本征模态函数(IMF)的时域特征分析来确定噪声主导IMF分量与信号主导IMF分量的分界点,据此区分噪声分量与信号分量,并对分界点相邻两侧的噪声主导IMF分量与信号主导IMF分量进行二次CEEMD分解,在保留更多有用信号的同时进一步滤除剩余噪声。对含冲击噪声干扰的实际机载平台数据的去噪实验结果表明,新方法通过对噪声分量与信号分量的有效分离,可以更好地抑制噪声干扰,明显提升信噪比。     

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。     

基于变分模态分解的暂态扰动波形去噪算法

针对经验模态分解去噪时存在的模态混叠问题,提出一种变分模态分解与滑动均值滤波相结合的去噪算法。首先通过寻找变分模型最优解将含噪信号分解成若干个固有模态。然后利用相关系数准则确定最优分解层数K以及其对应的相关模态,并用滑动均值滤波器对非相关模态进行处理以得到其中的有用分量。最后基于相关模态和非相关模态中提取的有用分量构造去噪后的信号。仿真表明,与经验模态分解去噪和小波去噪相比,所提出的算法能够在更有效去除暂态扰动中噪声的同时,保留暂态扰动中的特征信息。     

基于改进频移经验模态分解的低频振荡参数提取

对于规模越来越大的复杂电力系统来说,采用基于量测数据的低频振荡研究方法日益受到重视。经验模态分解(EMD)方法的分解过程具有自适应且适于分析非平稳信号,在低频振荡参数提取方面应用较多,但EMD方法存在模态混叠等现象。当信号中2个单频分量的频率在2倍频内时,频移经验模态分解(FS-EMD)可将2个分量分解开。但当信号中有多个单频分量的频率在2倍频内时,FS-EMD就无法分解。为了提高EMD的频率分辨率并使分解方法具有通用性,文中提出了改进的频移经验模态分解(RFS-EMD)算法。此方法增大了信号中组成分量的频率比,且保证频率不翻转,使之可循环使用RFS-EMD算法分解复杂信号。该方法在应用于电力系统低频振荡模态参数的提取时,能较好地提取多个2倍频范围内的低频振荡模态分量的频率、幅值、相位及阻尼比等参数。数值仿真和实例分析均表明了该方法的有效性。     

基于FEEMD-NTEO的风电场送出线路故障定位

针对集合经验模态分解(EEMD)用于双馈风电场送出线路行波故障定位中行波检测精度不高,存在模态混叠、抗噪能力弱及故障定位实时性不好等问题,提出了一种基于快速集合经验模态分解(FEEMD)与改进Teager能量算子(NTEO)结合的行波故障定位方法。该方法利用FEEMD对故障电流行波信号进行分解,分解为平稳的固有模态分量和残差分量,消除噪声成分,保留信号的完整性;然后采用NTEO算法对分解的高频信号再次去噪,增强故障行波突变特征,精确标定行波波头。仿真结果表明,所提方法能够快速将故障行波波头精确标定,且去噪效果好,与FEEMD-TEO、EEMD-NTEO行波检测方法相比,提高了故障定位的精度和速度。     

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VMD和MP算法的旋转机械故障特征提取

旋转机械故障振动信号为不平稳、非线性而且信噪比低的多分量信号,故障特征很难提取。小波分析方法受限于小波基和分解层次的选取,经验模态分解（EMD）等自适应分解方法存在模态混叠和虚假分量的问题,应用在旋转机械故障提取上容易误判。提出了利用匹配追踪算法（MP）改进变分模态分解(VMD)的故障诊断方法。通过构建合适的仿真信号仿真和对实测信号的仿真,验证了该方法的可行性和实用性。     

基于小波自适应阈值滤波的VMD降噪方法

本文提出了一种基于小波自适应阈值滤波的可变分模式分解（VMD）降噪方法。该方法降噪过程为：先将含噪声信号进行VMD分解,进而将VMD分解分量中含大部分噪声的高频模态分量进行小波自适应阈值滤波降噪,滤波降噪后的分量与其他模态分量重构降噪信号。三个实例表明：所提方法能有效减低信号噪声,适应性广。 关键字：可变分模式分解（VMD）;小波变换; 自适应阈值     

基于IWOA-VMD的永磁同步电机匝间短路故障振动信号去噪方法

针对永磁同步电机(permanent magnet synchronous motor, PMSM)匝间短路故障振动信号易受噪声干扰导致故障特征难以准确提取的问题,提出一种改进鲸鱼优化算法(improved whale optimization algorithm, IWOA)优化变分模态分解(variational mode decomposition, VMD),并将其应用于PMSM匝间短路故障振动信号去噪。首先在传统鲸鱼优化算法中引入非线性收敛因子、自适应权重和柯西算子,利用IWOA算法对VMD参数进行寻优来实现信号的自适应分解。然后根据多尺度排列熵-方差贡献率最优模态分量选取原则将信号分量分为噪声主导分量和有效信号分量,对噪声主导分量进行非局部均值滤波(non-local mean filtering, NLM)去噪。最后将去噪分量与有效信号分量重构为去噪信号。使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障实验平台,利用该方法对仿真与实测信号进行去噪处理,并与小波阈值去噪等去噪方法进行对比分析,得出仿真信号的信噪比从8 dB提升至20.273 8 dB,实测信号的信噪比相较于小波阈值去噪提高了77.01%,验证了所提方法的有效性和实用性。     

基于WPT和参数优化的VMD谐波检测方法

针对变分模态分解(Variational Mode Decomposition, VMD)在谐波检测中易受噪声影响、分解模态个数K难以确定的问题,提出一种基于小波包降噪(WPT)和参数优化的VMD谐波检测方法。首先,对谐波信号进行WPT降噪处理,然后对降噪后的信号进行VMD预分解,根据解析分量的瞬时频率均值选取最优的K值,最后对降噪信号进行最优K值VMD分解并提取频率,用希尔伯特变换进行幅值检测。仿真结果与对比表明,该方法能够有效的选择VMD分解模态个数,减小噪声影响,且具有良好的检测精度。     

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。     

基于优化VMD与噪声估计的间隔阈值局部放电去噪方法

为了抑制局部放电(PD)信号中含有的窄带周期干扰和白噪声,提出一种基于优化的变分模态分解(VMD)阈值去噪方法。首先针对VMD算法可能造成染噪信号欠分解或过分解的问题,提出一种基于频谱分析和四分位数的模态分解数K值优化方法,并结合模态的峭度特征去除窄带周期干扰和高频白噪声;针对PD信号主导模态中残留的白噪声,利用文中研究中发现的VMD分解白噪声所得模态的两个统计特性,提出一种噪声标准差估计方法来确定阈值,最后引入间隔阈值函数对PD信号主导模态进一步去噪。采用该方法对仿真和实测信号进行去噪处理,并将其与传统方法进行对比,结果表明,所提方法不仅可以更有效地抑制噪声,同时也能更好地保留PD信号的特征。     

基于优化变分模态分解的海杂波去噪方法

文章分析了确定变分模态分解(VMD)参数存在的问题,提出了一种基于优化变分模态分解的海杂波去噪方法。利用鲸鱼优化算法(WOA)对模态个数K和惩罚参数α进行寻优,对海杂波原信号自适应分解,去除方差贡献率(VCR)较低模态分量,结合模糊熵筛选出噪声占主导的模态分量,将其进行Savitzky-Golay(SG)滤波处理。对滤波后的分量和有用分量叠加重构去噪后的信号,通过最小二乘支持向量机(LSSVM)对海杂波信号进行预测并验证去噪效果。仿真结果表明,本文所提算法能够有效抑制噪声干扰,去噪后的均方根误差(RMSE)为0.000 29,比去噪前的均方根误差0.012 3降低了两个数量级。