基于VMD的小电流接地故障融合选线方法

针对目前煤矿配电网故障选线方法在相关故障特征不明显时存在故障选线失效,基于单一模态分量和单一故障特征的故障选线方法的选线准确度较低等问题,提出了一种基于变分模态分解（VMD）的小电流接地故障融合选线方法。利用VMD将母线中各出线的故障零序电流分解为多个模态分量,根据模态分量的故障特征确定VMD层数,并选取故障特征明显的模态分量作为故障选线的有效模态分量;分别计算各出线故障零序电流有效模态分量的暂态能量和波形相似度;根据各出线有效模态分量的暂态能量占比和波形相似度占比,构建基于暂态能量的故障选线判据和基于波形相似度的故障选线判据,并将2种故障选线判据融合,形成基于VMD的故障融合选线算法。利用电磁暂态仿真软件ATP/EMTP搭建煤矿配电网模型,在不同接地故障电阻、故障初相角和故障位置的单相接地故障场景下,对所提出的故障融合选线方法进行验证,结果表明：在配电网发生各种单相接地故障时,基于VMD的小电流接地故障融合选线方法不受故障位置的影响,较能量法和相关性聚类法的故障选线正确率分别提高了17%和50%,且不受故障类型影响,可应用于小电流接地故障选线。     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

基于固有模态能量的暂态量选线方法

针对基于小波分析的煤矿电网故障选线方法由于分解效果取决于基函数的选择,不能保证最优分解效果的问题,提出了一种基于固有模态能量的暂态量选线方法。该方法利用经验模态分解对信号局部特征的自适应性,对单相接地故障零序电流的暂态特征进行分析,定义固有模态能量和能量权重因子作为故障特征参数,实现对故障暂态量信息的数据挖掘;求取故障后各馈线的零序暂态电流的固有模态能量,计算各馈线的能量权重因子,通过比较各馈线能量权重因子辨识出故障线路,即能量权重因子最大的线路就是故障线路。理论分析和仿真结果表明,该方法不受接地电阻、故障时间等故障条件的影响,能够准确可靠地实现煤矿高压电网故障选线。     

基于自适应多元多尺度熵的心电信号分类研究

针对目前单通道心电信号识别精度不高,现存多元分解方法效果不佳、多元非线性心电信号分析复杂等问题,提出了一种基于自适应多元多尺度色散熵的心电信号分类方法。首先利用频谱分析,创新性地引入了正弦辅助多元经验模态分解方法,对心电信号进行分解得到多元模态分量;然后结合多模态分解和色散熵的优越性,通过累加多元本征模态分量代替粗粒化采样,提出了自适应多元多尺度色散熵的方法获取特征熵值。最后将特征输入到多个分类器上进行分类,通过实验对比分析,在模拟信号和MIT-BIH数据上验证该方案的有效性。     

基于MEMD的高速列车转向架故障的排列熵特征分析

在监测高速列车转向架工作状态时,针对列车运动自由度数目多、不同监测点数据相关性强的特点,提出了多元经验模态分解和排列熵相结合的故障特征提取方法。首先利用多元经验模态分解对高速列车转向架7种不同工况的振动信号进行多通道同步联合分析,获取不同数据通道间的共同模式。利用相关系数选取反映故障信号特征的有效本征模态函数来重构原始故障信号,计算重构信号的排列熵作为故障特征。最后采用支持向量机进行故障状态分类识别。实验结果表明,列车在各种运行速度下均能达到85%以上的分类效果,验证了该方法的有效性。     

高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.     

基于经验模态分解差分谱的故障选线新方法

提出了一种基于经验模态分解差分谱的小电流接地系统单相接地故障选线新方法。该方法采用经验模态分解方法分解故障发生后各条线路的暂态零序电流,提取出各条线路的高频IMF1分量,并根据差分谱和波动值的定义,求出各条线路的IMF1分量差分谱及IMF1分量波动值;通过比较各条线路的IMF1分量波动值,得出IMF1分量波动值最大的线路,则该线路即为故障线路。仿真结果表明,该方法具有较高的选线准确度,适用于不同接地电阻与不同故障初相角情况下的小电流接地系统故障选线。     

基于变分模态分解和支持向量机的滚动轴承品质评估

针对滚动轴承品质评估过程中振动信号代表性特征提取不充分且模式识别方法精度低等不足,提出了基于变分模态分解(VMD)和支持向量机(SVM)的滚动轴承品质评估方法,首先,对3个品质等级的轴承样品进行振动信号的采集;其次,计算滚动轴承振动信号的有效值、峰值和峭度值3个时域指标(TDI),并采用VMD方法将信号分解为4个有限带宽模态函数(BIMF),并分别计算其排列熵(PE)值;最后,将3个时域指标和4个排列熵值共计7个特征作为SVM的输入变量构建轴承品质等级预测评估模型.实验结果表明:与TDI–PE–SVM模型相比, TDI–VMD–PE–SVM轴承品质评估模型更优,识别率由83.33%提高到93.33%, VMD方法有效地提高了振动信号的分辨率,有利于轴承振动信号细节特征信息的提取.     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

基于内禀模态奇异值分解和支持向量机的故障诊断方法

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.