基于EMD盲源分离算法的电力系统低频振荡模式识别

针对广预测量系统低频振荡过程中的高斯噪声干扰和定阶问题,提出了基于EMD(empirical mode decomposition)盲源分离(blind source separation,BSS)算法的单通道低频振荡信号的模式分析方法。首先将信号利用经验模态分解得到一系列本征模函数分量组合的新信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号,并利用独立分量分析消除模态混叠的有效方法;然后利用盲源分离技术--二阶盲辨识算法(second order blind identification,SOBI),处理多通道观测信号矩阵,从中提取出不同的单模式信号;最后将去噪、定阶后的信号运用最小二乘-旋转不变技术(TLS-ESPRIT)算法辨识,得到低频振荡模态参数。数值算例仿真、IEEE四机两区域仿真实验表明该算法能够有效分离源信号,相比于其他方法具有抗噪性能好、拟合精度高等优点。     

基于小波包混合优化的欠定盲源分离方法

为解决欠定盲源分离问题,提出一种基于小波包混合优化的欠定盲源分离方法。 该方法采用小波包变换将观测信号分 解,将观测信号的维数进行扩展,利用互相关系数值剔除冗余的信号分量,欠定盲源分离问题得到转化。 接着使用贝叶斯信息 准则下的奇异值分解方法估计源信号数目,通过白化过程对信号降维。 最后,引入鲸鱼优化算法中的螺旋泡网狩猎行为与莱维 飞行策略,对灰狼优化算法进行改进,将改进后的混合灰狼优化算法与独立成分分析算法相结合,实现重构正定白化信号的分 离,从而得到源信号的近似估计。 通过仿真实验对算法性能进行测试,结果验证所提方法的可行性和有效性。     

动态载荷盲源识别系统设计及其LabVIEW实现

盲源分离可以从混叠的系统响应中识别出激励源信号的特征。针对结构参数未知的系统,结合盲源分离算法和模态分析法,提出一种基于模态参数盲辨识的载荷识别方法,并对简支梁系统进行实验验证。首先采集简支梁系统的冲击响应信号,利用盲辨识算法得到其有效模态参数,构建系统的模态模型;然后利用模态分析法识别其动态载荷。实验结果说明了该方法的实用性和正确性。     

计及源数估计的盲源分离技术在GIS局部放电监测中的应用

为解决气体绝缘开关设备可能同时存在多个局放源并且源个数未知的实际问题,文中提出在对气体绝缘开关设备中局放源进行源数估计的前提下再对混合信号进行盲源分离的方法。对不考虑传感器噪声和考虑传感器噪声的两类情形,分别利用零空间法与特征值分解法对其进行源数估计,采用估计结果,运用快速独立分量法对信号进行盲源分离。分析研究信噪比对盲源个数估计以及盲源分离效果的影响,为避开盲源分离存在反相与幅值不定的缺陷,运用相关系数法检验分离效果,分离结果说明了盲源个数估计及盲源分离方法在对多局放源激发的混合特高频信号的分离中具有一定的实用性及可行性。     

基于EMD的单通道变压器振动信号盲分离

针对工程应用中测量通道数小于源信号数的问题,提出欠定盲源分离方法分离单通道混合信号。首先,利用经验模式分解(EMD)将单通道变压器振动信号分解成一系列本征模态函数(IMF),并采用邻近奇异值差值法估计源信号个数。然后,根据估计出的源信号数进行虚拟信号重组,将欠定盲源分离问题转化为适定盲源分离问题。最后,经独立分量分析(ICA)得到分离后的变压器振动信号,并分别进行频谱分析。通过与快速ICA算法的分离结果进行对比,验证了该方法的有效性。     

盲源分离技术在振动法检测变压器故障中的应用

变压器油箱表面的振动信号可以反映其内部绕组与铁心的健康状况,具有良好的应用前景。但在油箱表面测得的信号都是绕组和铁心振动信号的混合,且两者相关程度很高,难以用普通分离算法进行分离,不利于分别对绕组及铁心的故障进行诊断。鉴于此,本文提出一种基于子空间独立分量分离法(SDICA)的变压器绕组和铁心振动信号盲源分离方法。首先,对基于SDICA算法的盲源分离方法进行了说明,利用所构建的仿真信号对该算法进行了验证,并与普通盲源分离算法—快速独立分量分离(fastICA)算法的分离结果进行了对比,证实了SDICA算法适用于变压器振动信号的分离;然后,运用SDICA算法对测得的一台试验变压器的振动信号进行了分离,并探讨了测量位置、电压等级以及负载大小对分离结果的影响;最后,将SDICA盲源分离算法在一台现场实际运行的、有一定故障隐患的变压器中进行应用,成功分离出了绕组和铁心振动信号,且绕组信号中包含有丰富的振动故障特征,与该变压器实际的运行情况相符合。本文提出的盲源分离算法可根据在油箱表面测得的多路振动信号直接分离出绕组和铁心振动信号,这对于振动法在变压器绕组及铁心故障诊断中的推广应用具有重要意义。     

基于GRU-EEMD算法的非侵入式配电网功率欠定盲源分离

针对目前配电网级非侵入式功率监测和盲源分离问题,文中提出了一种新的欠定功率信号分离方法,将门控循环单元（GRU）网络和集合经验模态分解（EEMD）算法结合起来。首先,利用分时段、分类别的GRU网络功率辨识模型得到源信号估计,将估计结果和EEMD算法联合得到升维非欠定的功率信号。然后,利用辨识网络解决快速独立成分分析提取源信号的顺序不定问题。最后,通过对含综合能源的配电网实测信号分析验证了所提方法的可行性。     

改进的FastICA在盲图像分离中的应用

盲源分离（BSS）是信号处理领域的一个热点问题。独立分量分析（ICA）是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已广泛应用于信号处理领域。为了有效地对混合图像进行盲源分离,介绍了一种基于改进的快速固定点算法（FastlCA）,对经过随机线性混合后的模糊图像进行盲源分离。仿真结果显示,该算法可以很有效地对线性混合图像进行盲源分离。     

空调电机振声信号的盲源分离故障特征提取

电机振声信号蕴涵着丰富的电机状态信息,文中提出利用电机振声信号对电机进行故障诊断,实现噪声出厂检测.由于观测信号信噪比较小,难于提取电机振声信号故障特征.应用肓分离技术从观测信号提取独立的声源信号,提出了基于峭度的盲源分离开关算法,可以在源信号概率密度函数未知时提取独立分量,消除相邻部件辐射噪声的干扰.实验证明该算法成功分离电机振声信号,有效提取故障特征.     

基于EEMD和负熵准则的变压器振动信号盲分离

变压器油箱表面测得的振动信号是各个振源的混合信号,直接加以分析,不能确定不同部件的运行状况。而传统盲源分离方法难以解决信号分析中相关源信号盲分离、欠定盲分离等问题。鉴于此,提出基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与负熵准则的欠定盲源分离算法。首先,利用EEMD方法对变压器振动信号进行分解,得到若干本征模态函数(Intrinsic Mode Function,IMF),并采用邻近奇异值差值法估计混合信号中源信号个数;然后,根据负熵准则选取独立性较好的IMF分量,组成新的测量信号;最后,对新的测量信号进行盲分离。利用实测变压器振动信号对该算法进行了验证。     

基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

一种欠定混合情形下的信源数目盲估计方法

准确估计信源数目是盲源分离实现有效分离的重要前提之一。针对源信号数目未知且少于观测信号数目的欠定问题,提出了一种有效的信源数目盲估计方法。该方法基于经验模态分解,并结合协方差矩阵的奇异值分解,采用拉氏逼近的贝叶斯选择原理来估计源信号数目。在对观测信号进行经验模态分解前,为了消除本征模态函数的模态混合现象,引入卡尔曼滤波算法对观测信号进行了消噪处理。分别采用仿真信号和实测信号对该方法进行验证,研究表明,方法能够准确估计出源信号数目,为盲源分离提供准确的先验信息。     

圆形钢板中声发射信号响应特征研究

声发射检测技术应用广泛，声发射仪器系统良好的灵敏度是进行声发射检测的重要保障。搭建了一套声源信号检测平台，通过实验和数值分析研究了两种不同声源在圆形钢板中声发射信号的响应特征。实验结果表明，随着与声源距离的增加，不同方向上信号的响应幅值变化趋势基本一致，不同方向间响应幅值的差异主要分布在2.1~8.8 dB。在距离声源0~350 mm时信号响应幅值整体下降速度较快，脉冲激励相较断铅激励产生的信号衰减率低 3% 左右。脉冲信号激励传感器产生的声源拥有更好的稳定性和再现性，本研究对声发射仪器灵敏度测试中声源的选择提供了参考。     

基于双谱与双流卷积神经网络的断路器故障诊断

高压断路器操动机构的振动信号包含了断路器运行状态的重要信息,对操动机构工作状态的诊断辨识十分重要。针对振动信号随机、非平稳的复杂特性,提出了一种基于双谱分析和双通道流浅层卷积神经网络的断路器故障诊断方法。对振动信号进行双谱分析和小波分析,分别提取2D双谱矩阵以及1D小波频带能量作为双流卷积神经网络的双通道特征;对断路器模拟实验采集到的五种工况下的振动信号进行有监督训练。结果表明,双谱分析能够抑制高斯噪声、保留操动机构不同工况下主要峰值形态特征并融合小波频带能量特征,所提模型训练迭代5次即可达到98.33%的高识别精度,实现断路器操动机构的故障诊断辨识。     

基于Z源逆变方式的多功能三相测试源

提出了一种采用新颖的Z源逆变方式应用于万能式断路器的测试电压源。利用Z源独特拓扑将直流电压源和逆变器主电路相耦合,结合相应的控制方法可以使逆变输出正弦交流电压高于直流侧的母线电压,扩大了输出电压的调节范围,同时又能实现调频、调幅、调相等控制功能。     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于分合闸线圈电流信号的高压断路器机械故障诊断

高压断路器作为常用的电气设备,其中分合闸线圈是其操动机构的关键部件。文中阐述了根据监测断路器分合闸线圈电流信号来判断其故障的一种新方法,首先介绍了磁通随电磁铁的气隙变化而变化的监测原理,然后进行了以DSP为核心的硬件电路的设计,最后利用小波分析法和动态时间规整法相结合的方法对信号作了具体的分析,从而能够准确的得出断路器的状态信息。根据状态信息可以及时发现断路器运行过程中存在的隐患,然后进行必要的检修。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。