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。     

改进EEMD算法在高压并联电抗器声信号去噪中的应用

高压并联电抗器运行过程中产生的声信号是准确判定电抗器运行状态的重要依据,在对电抗器声信号现场采集时易受到多种外界噪声的干扰,测量仪器无法有效进行预处理,导致对电抗器运行状态的评估发生误判。提出了一种基于多传感器融合及最小下限频率截止的改进集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)高压并联电抗器声信号去噪方法。首先,利用一致性数据融合算法对各声纹传感器进行关联和甄别,剔除失效传感器,确定有效传感器组。其次,选取有效传感器组中的最小下限频率作为固有模态函数(intrinsicmodefunction,IMF)的筛选截止条件并进行集合经验模态分解。然后利用相关系数法提取有效的IMF分量。最后对有效IMF分量叠加重构,得到去噪声信号。模拟实验和实测结果表明,该方法具有较好的去噪效果。通过与传统经验模态分解法(empiricalmodedecomposition,EMD)、标准EEMD去噪技术的比较,验证了该方法在实际应用过程中的有效性和实用性。     

EEMD在超宽带雷达生命信号提取中的应用

超宽带生命探测雷达回波信号具有非线性、非平稳特性,由于心跳信号能量较弱,且受到呼吸谐波的干扰,传统的数字滤波方法无法有效地提取心跳信号。鉴于此采用一种从时域上提取生命信号的新方法。应用聚类经验模式分解(EEMD)将生命信号分解成有限个固有模态函数(IMF),再依据模式判别准则从时域上重构呼吸和心跳信号。实验结果表明,相比于经验模式分解(EMD),EEMD能有效提取呼吸信号和心跳信号。     

基于信道状态信息的后向散射信号检测

为了实现WiFi环境后向散射系统中后向散射信号的检测,提出了2种检测方案。首先通过对WiFi后向散射系统的建模和分析,基于WiFi上行链路的IEEE802. 11a标准提出了一种常规检测方案;方案在信道估计中,利用接收到的长训练序列和短训练序列以获得信道状态信息,WiFi阅读器利用这个信道状态信息通过后向散射标签检测编码数据,从而实现检测功能;为了进一步提高检测阈值的质量,提出了在WiFi阅读器上采用多个接收WiFi信号的天线的改进检测方案,并通过对多个接收信号进行平均运算以提高接收信号的信噪比,从而进一步提高检测性能。仿真实验结果表明,提出的2种检测方案不仅能够实现对WiFi环境后向散射信号的有效检测,而且还增大了检测距离。     

改进的EEMD去噪方法及其在谐波检测中的应用研究

针对低信噪比条件下集合经验模态分解(EEMD)在分解过程中产生的模态混叠问题,本文提出改进的EEMD阈值去噪方法。首先利用白噪声经EEMD分解后其固有模态函数(IMF)分量中能量密度与平均周期乘积为常量的特性确定有用信号与含噪信号的分界点,对含噪信号进行"粗筛";进而对粗筛出的含噪模态进行"细筛",在此过程中采用"3σ法则"对第一层噪声信号进行细节处理,从而更好地保留有用信号的细节特征,继而通过能量估算方式对其他各个含噪模态进行阈值处理;最后进行信号重构。选取信噪比与均方误差作为去噪效果评价标准,经与实验对比分析,结果表明本文方法达到了最佳的去噪效果,尤其在低信噪比时优势更加明显。基于以上去噪方法,本文又进一步提出了基于二次EEMD分解的谐波检测方法,结果表明该方法可实现在低信噪比下的谐波检测,进一步证明了所提去噪方法的有效性。     

超声回波去噪算法在变压器套管引线检测中的应用

变压器套管引线在运行中受力的作用极易产生形变,影响变压器的安全运行,因此可通过超声检测技术实现变压器套管引线的定期检测。超声回波信号在进行采集时极易受到噪声干扰,需通过高效的去噪算法实现去噪。针对传统去噪算法阈值大小、信号分解层次难以确定和去噪效率低等缺点,提出一种全新去噪方法,将改进小波变换与EEMD分解去噪算法结合,使用改进小波去噪法进行信号预处理,然后对处理后的信号进行EEMD分解去噪二次处理,提升去噪效果与信号的信噪比。经试验验证,处理后超声回波信号信噪比显著提高,提高了超声检测的精度,达到了较为理想的效果。     

基于后向散射和软件定义的无线传感器网络通信

针对需要低比特率和超低成本传感器的无线传感器网络(WSN),提出了一种基于后向散射无线电和软件定义的通信体系结构,它由实现射频载波生成、零差检测和复杂信息处理的中心Hub和具有载波调制功能的传感器构成。前者构建了一种软件定义的收发器来发送载波和接收来自于各个传感器的反射,并提取和处理它们发送的信息;后者每个传感器的发射机被简化为一个连接到天线上的晶体管,且每个传感器的设计都围绕着一个驱动低功率射频(RF)开关的低功率微控制器进行,实现传感器的信息被调制到其唯一的子载波上;从而建立起一个完整的后向散射无线电链路通信系统,实现每个传感器和中心Hub之间的通信;基于理论的仿真结果和原型机的实验结果表明,提出的WSN通信系统不仅能够实现较大范围的可靠通信和数据传输及处理,而且具有低复杂度和超低成本。     

多小波在信号去噪中的应用

利用GHM多小波,采用通用的二变量阈值法,对多小波用于信号去噪中的阈值选取给出了具体的方法,对单小波与多小波的去噪方法进行了比较。通过实验结果可以看出,多小波在信号去噪的效果上明显优于单小波。     

小波去噪算法研究及在电力系统中的应用

暂态信号分析是电力系统故障诊断和暂态保护的基础和依据,小波变换为暂态信号分析提供了强有力的数学工具。小波分析由于在时域频域同时具有良好的局部化性质和多分辨率分析的特点,用于信号去噪,能得到较为满意的结果,同时也是小波理论应用于实际的一个重要方面。文章主要介绍了用于一维检测信号去噪的4种常用方法,并在虚拟仪器开发软件LabVIEW环境中实现了上述去噪算法,最后对这几种算法的去噪效果、信噪比、均方误差和计算时间等方面进行了比较,同时也就小波基函数的选择对去噪效果的影响进行了分析比较。     

基于后向散射调制指数选择的RFID系统工作范围提高

针对无源射频识别系统上、下行工作范围的不对称性,提出了基于后向散射阻抗调制指数选择的方案。一方面将标签集成电路的两种阻抗状态用来实现后向散射调制,每种调制状态都由一个调制指数来表征;另一方面,通过对并联调制、串联调制和混合调制3种调制方式的分析,获得不同调制方式下的下行和上行范围估计;为了进一步提高工作范围,将问题构建为一个以最大化系统工作范围为目标同时使下行和上行范围相等的约束优化问题,通过优化求解获得最佳调制指数,从而实现系统工作范围最大化。仿真实验结果表明,所提出的方案不仅能够在给定标签灵敏度下获得理想范围内的后向散射调制指数和工作范围,而且相比于其他方案有更大的最大工作范围。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于EEMD和Teager能量算子的电能质量扰动检测

针对电能质量扰动检测的问题,结合经验模态分解（EMD）理论和总体平均经验模态分解（EEMD）算法以及Teager能量算子（TEO）,提出基于EEMD和Teager能量算子的电能质量扰动检测方法。利用经验模态分解方法,将电力系统监测信号分解成不同特征时间尺度的单分量固有模态函数（IMF）,用Teager能量算子计算各固有模态函数的瞬时幅值和频率,得到扰动信号的幅值谱。该方法充分利用了EEMD的自适应性与Teager算子的快速响应能力,仿真试验结果验证了该方法的有效性。     

基于自适应EEMD和分层分形维数的风电机组行星齿轮箱故障检测

针对传统平均经验模态分解(EEMD)中添加白噪声参数需依据人工经验设定的缺陷,在研究引起模态混叠原因的基础上提出一种自适应EEMD方法。该方法可以根据信号本身特性,自适应设定白噪声标准差以达到最优分解效果。首先使用奇异值差分谱法对信号进行分解、重构,然后利用提取得到的高频冲击分量和噪声分量的复合分量对所需添加白噪声标准差大小进行自适应整定,最后通过自适应EEMD将信号分解为一系列本征模态函数(IMF)。分形维数对信号特征评价性能良好,所以用分形维数来识别不同类型振动信号是十分有效的。本文提出分层分形维数方法,可提高信号识别、分类效率和准确度。使用该复合方法处理仿真信号、风电机组传动系统实验平台信号均取得良好效果,证明了本文所提方法的有效性。     

基于EEMD能量矩与ISSA-SVM算法的GIS局部放电类型识别方法

为有效识别气体绝缘开关组合电器(gas insulated switchgear, GIS)局部放电(partial discharge, PD)类型,进而保障设备安全稳定运行,提出了一种基于集合模态分解(ensemble empirical mode decomposition, EEMD)联合能量矩与改进麻雀群搜索算法优化支持向量机(improved sparrow search algorithm-support vector machines, ISSA-SVM)算法的GIS局部放电类型识别方法。首先搭建能产生4种局部放电类型效果的GIS局部放电实验平台,以获取4种局部放电信号,然后利用EEMD联合能量矩算法分别对4种局部放电信号进行模态分解与特征向量提取,最后利用经ISSA算法优化后的SVM算法对GIS局部放电类型进行识别。实验结果表明,所提方法可有效识别GIS不同局部放电类型,且较PSO-SVM与SSA-SVM算法识别精度分别提高了16.7%与8.5%,验证了所提GIS局部放电类型识别方法的有效性以及优越性。     

基于改进 CEEMDAN 的应答器上行链路信号降噪研究

针对在高速铁路复杂电磁环境中应答器上行链路(balise uplink, BU)信号传输受扰的问题,提出了一种基于自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波包自适应阈值的联合降噪方法。首先,采用CEEMDAN算法将模拟BU信号分解为12个模态分量,根据相关系数判断分量为相关分量或无关分量;然后,相关分量经小波包降噪处理后重构为降噪后的BU信号;最后,选用信噪比(signal-noise ratio, SNR)和均方根误差(root mean square error, RMSE)作为评价指标,将该方法与目前广泛采用的6种降噪方法进行对比,信噪比提高了0.486 1～6.144 dB,均方根误差降低了0.054 9～11.091。为检验该方法的实际应用效果,采用联合降噪方法对实测BU信号进行降噪处理。仿真验证和实验验证的结果表明,采用联合降噪方法降噪后的BU信号不仅噪声分量得到了有效去除,而且信号特征保存完好,证明该方法能够应用于解决实际BU信...     

基于EEMD-ARMA模型的电网工程导线价格预测

由于电网工程导线价格具有非线性和非平稳性特征,导致其价格预测难度大、预测精度低,针对这一问题,建立了EEMD-ARMA预测模型.利用集合经验模态分解（ensemble empirical mode decomposition,EEMD）对经验模态分解（empirical mode decomposition,EMD）进行改进,通过EEMD将历史价格分解为平稳的、周期波动的若干价格分量,并以此作为输入,利用自回归滑动平均模型（auto regressive and moving average model,ARMA）对各分量进行价格预测,最后将各预测分量叠加得到预测值.以630/45导线的历史数据为样本,通过EMD-ARMA与EEMD-ARMA的预测结果进行对比及误差分析,验证了所采用的EEMD-ARMA算法较EMD-ARMA算法的预测精度更高,其预测结果对于工程造价管控和设备材料招投标具有一定的参考价值.     

结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法

为了解决噪声、模态混叠等原因造成提取电能质量扰动信号的时频特征不清晰的问题,根据电能质量扰动信号具有非平稳、不确定性以及周期性强的特点,应用总体经验模态分解(ensemble empirical model decomposition,EEM D)的方法对电能质量扰动信号进行分解,基于滑动窗奇异值分解(singular value decomposition,SVD)数据压缩方法对EEMD分解得到的一系列固模函数(intrinsic mode function,IMF)分量组成的矩阵进行了重构,并对重构后的IMF分量作Hilbert变换降维,提取了扰动信号时间、频率、幅值上的特征。对比传统的EEMD算法,新方法能更加准确定量地提取各个扰动成分的起始时刻、幅值、频率等扰动特征,同时能够有效抵御噪声的干扰,克服了以往只能通过人为选取IMF分量来提取扰动时频特征过于主观的缺点。算例仿真的结果验证了该方法的有效性。     

基于EEMD与KICA的局部放电窄带干扰抑制

窄带干扰严重时可能完全淹没局部放电信号,给局部放电检测工作带来巨大困难。针对局放信号经验模态分解模态混叠现象,提出采用集合经验模态分解与核独立分量分析抑制局部放电窄带干扰的方法。在局放信号叠加不同频率、不同幅值的窄带干扰情况下,该方法能较好地提取出局放信号,有效提高信噪比且信号失真小。仿真和现场测试信号的处理结果均验证了所提方法的有效性。