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。     

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。     

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SAMP-VMD的局放信号去噪方法

针对电力设备局部放电信号容易受到环境中的窄带噪声和白噪声的干扰,为了更好保留局放信号特征以便后续进行故障诊断和预测,提出了一种基于压缩感知重构和变分模态分解的变压器局部放电信号去噪方法。该方法首先使用窗函数抑制窄带干扰的频率泄露,之后利用窄带干扰在频域上与局放信号和白噪声之间稀疏度的差异从而将窄带信号进行分离重构以抑制窄带噪声,其次通过改进变分模态分解方法根据各模态含有局放信号信息的多少来对不同模态进行分类去噪,最终恢复出局放信号。通过仿真及实测信号对该方法进行去噪效果测试,并与奇异值分解和变分模态分解去噪方法的去噪效果进行对比,结果表明该方法能够有效抑制局部放电信号的干扰,相比传统算法的波形相似系数提升约2%,能够更好的保留局部放电信号的波形特征。     

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ICEEMDAN与小波包分解的脉搏信号联合去噪

针对脉搏信号非线性、非平稳,且难以去噪的问题,提出了一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)相结合的联合去噪方法,对采集的脉搏信号进行去噪处理。首先对噪声信号进行ICEEMDAN模态分解,产生一系列的固有模态函数(IMF),再将这些IMF分量分别与原信号进行相关系数的计算,比较相关系数的值,然后进行信号的重组,最后对重组后的信号进行小波包分解,提取得到降噪后的脉搏信号。利用仿真数据、实际采集的脉搏信号进行实验分析,将该方法与集合经验模态分解(EEMD)进行了对比,并比较了这两种方法的信噪比(SNR)和均方根误差(RMSE)。实验结果表明：基于ICEEMDAN-WPD的联合去噪方法能更有效地去除噪声,并更好地保留脉搏信号的特征。     

基于毫米波传感器的呼吸检测与去噪方法研究

利用毫米波传感器测量较远人体目标的呼吸信号时,容易受到环境杂波的干扰,导致信号中含有较多噪声。因此提出了一种新的GA-VMD-WT去噪方法。方法针对呼吸信号的特点,借助排列熵设计适应度函数,采用GA算法优化VMD参数,以获得最优模态分量个数K和惩罚因子α,再用优化得到的VMD参数对噪声信号分解,然后对分解结果小波阈值去噪,最后重建得到去噪信号。该方法不仅避免了VMD分解时出现的过分解问题,并且仿真实验显示,与各传统的去噪算法相比较,信噪比分别提高了8.5025dB,7.6642dB,3.3637dB。实测信号实验结果表明,所提方法去噪效果好,可以保留更多有用信号的信息。     

基于CEEMD与改进Prony的谐波检测方法

为了解决经验模态分解(EMD)处理非线性非平稳信号的模态混叠现象以及传统Prony方法抗噪性能差的不足。提出基于完全经验模态分解(CEEMD)和改进Prony相结合的谐波分析方法。先将含噪的谐波信号进行CEEMD分解得到固有模态函数,再通过能量门限法对分解的固有模态函数进行阈值去噪。针对原始Prony方法优化了实际阶数和线性预测参数的求解过程。最后将去噪后的谐波分量进行改进Prony变换检测分析。并通过MATLAB仿真实验以及依托三相不可控负载的实测数据验证了该方法能够精确辨识出谐波分量的特征参数且具有良好的抗噪性能,从而为谐波分析提供了一种新思路。     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

基于CEEMD与排列熵相结合的谐波检测方法研究

为消除基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）的谐波检测法易受到迭代次数与辅助白噪声的干扰而产生虚假分量与模态混叠等问题,以及CEEMD方法在检测噪声背景下的谐波信号精度不高的缺陷,提出一种基于排列熵（Permutation Entropy,PE）算法与CEEMD相结合的PE-CEEMD谐波检测方法。首先对谐波信号进行互补集合经验模态分解,得到若干频率由高到低排列的固有模态函数（Intrinsic Mode-Function,IMF）,利用排列熵算法快速选定随机性较大的噪声分量进行剔除,对剩余信号再进行CEEMD分解。仿真实验数据表明,相较于CEEMD方法,PE-CEEMD方法能够较好地克服模态混叠与虚假分量等问题,并且针对复杂谐波信号的各次谐波频率成分与幅值的检测精度分别提高了4.424%与9.3%。     

基于Prony分析特征提取的同调机组分群方法

同调机群识别在电力系统的动态等值、主动解列控制中具有重要意义。提出一种基于Prony分析特征提取的同调机组分群方法。首先针对Prony分析受噪声干扰严重的缺点,利用集成经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法对含噪声的信号降噪。然后对降噪后的功角信号进行Prony分析,提取功角信号的幅值、频率和阻尼特征值,形成每台机组的特征向量。最后将系统中所有机组特征向量组成的特征矩阵输入到自组织神经网络进行聚类,从而实现同调机组分群。EPRI-36节点系统和华北电网系统算例表明,所提方法可以很好地降低噪声影响,充分提取功角曲线特征,准确识别同调机组。     

基于ESMD和HT相结合的谐波检测新方法

针对现有的电力系统谐波信号检测方法精度不高的问题,以及研究较多的经验模态分解(EmpiricalMode Decomposition, EMD)在谐波检测中出现的模态混叠问题,结合极点对称模态分解(Extreme-pointSymmetricMode Decomposition, ESMD)理论和算法,提出基于ESMD和希尔伯特变换(HilbertTransform, HT)相结合的谐波检测新方法。首先对信号进行极点对称模态分解,得到一系列不同特征尺度的固有模态函数(IntrinsicModeFunction,IMF),再对IMF分量进行希尔伯特变换得到各谐波瞬时幅值和瞬时频率信息。该方法能够根据信号自身特征进行自适应分解,理论上由于扩展了IMF定义并采用内部插值方法,使得该方法具有简单、精度高的优势。仿真结果表明,该方法在谐波检测中自适应分解能力强,检测精度高,实时性好,并且能够在不添加噪声的情况下有效避免EMD方法在谐波检测中出现的模态混叠现象。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

A feature extraction method for the signal sorting of interleaved radar pulse serial

In this paper, a new feature extraction method for radar pulse sequences is presented based on structure function and empirical mode decomposition. In this method, 2-D feature information was constituted by using radio frequency and time-of-arrival, which analyzed the feature of radar pulse sequences for the very first time by employing structure function and empirical mode decomposition. The experiment shows that the method can efficiently extract the frequency of a period-change radio frequency signal in a complex pulses environment and reveals a new feature for the signal sorting of interleaved radar pulse serial. This paper provides a novel way for extracting the new sorting feature of radar signals. Translated from Journal of Harbin Institute of Technology, 2006, 38(1): 130–133 [译自: 哈尔滨工业大学学报]     

基于改进EEMD及能量特征的战场目标识别方法

针对战场声目标探测系统对目标识别及分类问题,提出了一种基于频率截止EEMD(cut-off frequency-EEMD,CFEEMD)的能量特征分析(energy feature analysis,EFA)方法。选取信号自身的最小有效频率作为EEMD筛分的终止条件,对EEMD方法进行改进,实现目标声信号的快速分解,获得准确的IMF分量;通过计算各阶IMF能量,得到目标信号的总体能量向量,进而分析典型目标声信号各阶IMF分量的能量分布情况;定义目标声信号高低频段能量差特征参数,用于战场声目标的特征识别与分类。半实物仿真试验结果证明了CF-EEMD与EFA相结合的目标声信号识别方法的可行性和实用性,适用于战场声目标识别及分类。     

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。     

改进复合插值包络经验模态分解的滚动轴承故障特征提取方法

针对复合插值包络经验模态分解(CIEEMD)方法存在非平稳系数阈值无法自适应确定的问题,提出了一种改进复合插值包络经验模态分解(ICIEEMD)方法。首先,以边长为ε的网格覆盖振动信号求出其分形盒维数,实现信号非平稳阈值自适应选取,分解得到若干固有模态函数(IMF);其次,结合互相关系数、时域峭度和包络谱峭度建立互相关系数-TE峭度(C-indexTE)复合指标,筛选出有效IMF分量并重构信号,使用Teager能量算子解调获得重构信号的能量谱,实现滚动轴承故障特征提取;最后,基于仿真信号和实验台滚动轴承数据集进行实验分析,与CIEEMD方法和谱峭度法相比,所提方法能够提取出更加清晰的故障特征频率,证明了所提方法的可行性和有效性。