基于变分模态分解和希尔伯特变换的直流纹波检测

准确检测直流信号的纹波分量对于评估直流电源质量至关重要。本文提出了基于变分模态分解和希尔伯特变换的组合算法来检测和分析直流信号纹波分量的特征。首先,通过排列熵均值法确定变分模态分解算法的最佳模态数。通过使用变分模态分解算法,可以将直流信号准确地分解为一系列调幅-调频函数。然后,将希尔伯特变换算法应用于每个调幅-调频函数以获得相应的瞬时幅度和频率,并确定直流信号的特性。结果表明,与总体平均经验模态分解-希尔伯特变换算法相比,变分模态分解-希尔伯特变换算法对于复杂信号具有较高的分解精度,较强的噪声鲁棒性,且对采样频率不敏感,可用于直流纹波检测。     

基于多路信号联合去噪的Prony谐波检测法

针对传统Prony算法易受噪声干扰且同一区域内多路电能质量信号存在相关性的特点,文中提出了一种基于多路信号联合去噪的Prony谐波检测算法,实现在较强噪声条件下的谐波准确检测。首先,采用中心频率法和轨迹相似度法改进多元变分模态分解（MVMD）算法;其次,利用改进的MVMD算法联合分解相关联的多路信号,提取出主导模态分量并重组为适宜Prony分析的稳定信号;最后,对稳定信号进行Prony分析得到初步的谐波参数,通过阈值筛选和人工鱼群全局寻优,得到准确的谐波检测参数。仿真实验表明,改进的MVMD去噪算法的输出信噪比为37.3,高于VMD去噪法（33.2）和小波去噪法（32.8）,去噪效果更优;文中算法谐波检测结果的误差总体小于传统Prony算法,具有谐波检测准确度高、同时计算多路信号的特点。     

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。     

基于广义S变换突变识别的暂稳态谐波检测方法

为解决谐波分析中经验模态分解(EMD)存在模态混叠现象与加窗插值FFT无法准确检测含暂态分量信号的问题,提出一种基于广义S变换突变识别的谐波检测方法。首先,使用广义S变换得到信号的模时频矩阵,根据模时频矩阵中模值较大频带的能量连续性将信号分为稳态、含暂态分量信号。然后,针对两种信号分别使用加hanning窗三谱线插值FFT和基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进HHT计算谐波和间谐波参数。最后,构建稳态、含幅值突变和频率突变信号的验证表明,该方法能自适应判别稳态、含暂态分量信号,对两种信号均能达到较高检测精度,具有较好的实用性。     

基于变分模态分解与Teager能量算子的谐波/间谐波检测方法

为了提高电力谐波信号中谐波/间谐波的检测精度,提出一种基于变分模态分解(VMD)与Teager能量算子相结合的检测新方法。利用相关系数法来确定VMD算法中的模态分解个数K;采用VMD对谐波/间谐波信号进行分解,得到一系列IMF分量;利用Teager能量算子对IMF分量进行解调分析,能够得到分量的瞬时幅值和频率,同时根据时频图中瞬时频率突变点,可准确定位暂态谐波/间谐波的起止时刻。在信噪比较低的情况下,将集合经验模态分解(EEMD)、VMD分别与Teager能量算子相结合进行谐波/间谐波检测的对比。仿真实验对比表明文中所提方法能将稳态、暂态谐波信号进行有效的分离,同时具有较高的检测精度和较好的噪声鲁棒性。     

基于多元变分模态分解与峭度的配电电缆故障定位方法

针对现有配电网电缆故障定位的准确率和可靠性均偏低的问题,提出一种基于多元变分模态分解（multivariate variational mode decomposition,MVMD）与峭度的故障定位方法。鉴于MVMD模态数K及惩罚因子α对算法与信号的匹配度有较大影响,改进了MVMD的参数;利用改进的MVMD算法分解故障电流暂态分量,获得多个本征模态函数分量后分别计算其峭度,取峭度最大值所对应的模态为特征模态,并标定行波波头;修正电磁暂态下的行波波速,用双端法行波测距实现故障的精准定位。仿真结果表明：故障点距离电缆中间位置越近,其定位精度越高;当故障点靠近电缆两端,则其定位误差相对较大,但均在0.3%内。该方法不受故障电阻的影响,且定位结果具备高精度与高可靠性。     

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MVMD与CMSE的水电机组摆度信号消噪方法

本文提出了一种基于多元变分模态分解(Multivariate Variational Mode Decomposition, MVMD)与复合多尺度熵(Composite Multi-scale Entropy, CMSE)的水电机组摆度信号消噪方法。该方法利用MVMD算法将多传感器同时采集的多通道摆度信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态分量;采用复合多尺度熵阈值准则确定重构信号的固有模态分量个数,实现水电机组摆度信号的消噪。通过与VMD及小波分解方法进行仿真信号消噪对比,比较相关系数与信噪比,结果表明本文提出的方法具有更好的消噪效果。最后通过实例分析进一步验证了本文所提出的方法具有更好的信号消噪性能。     

基于EMD的Hilbert变换应用于暂态信号分析

将一种新的非平稳信号处理方法——基于经验模态分解(EMD)的希尔伯特（Hilbert）变换方法，应用于电力系统暂态信号分析中。通过EMD方法提取信号的固有模态函数（IMF），再进行Hilbert变换，求瞬时频率、瞬时振幅，得到信号的Hilbert谱，进而得到Hilbert边际谱，对故障暂态和扰动信号进行了分析。通过瞬时频率进行故障暂态和扰动时刻的准确检测；通过Hilbert边际谱与傅里叶幅值谱的比较，表明Hilbert边际谱在分辨率上具有明显的优越性。该方法为电力系统暂态信号分析提供了一种新的分析手段。仿真结果验证了该方法的有效性。     

基于参数优化变分模态分解的间谐波检测

变分模态分解(VMD)已在谐波检测领域得到应用,但人为设定分解参数K,导致误差较大。为提升VMD在间谐波检测中的准确性,首先,采用施密特正交化理论对VMD预分解得到的各分量进行正交化处理,以避免模态混叠。然后求得不同K值对应的残差能量,利用残差能量值最小化法优化参数K,进而提取间谐波信号。最后采用对称差分能量算子,获得间谐波信号幅值与频率等特征信息。仿真实验表明：所提出的方法能有效优化参数K,降低VMD分解误差。同经验模态分解(EMD)、集合经验模态分解(EEMD)以及近年新提出的同步挤压小波变换(SST)相比,参数优化变分模态分解在间谐波检测上效果显著提升,具有更高的检测精度。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

基于自适应调频模态追踪方法的铣削颤振识别

在铣削加工工程中,产生颤振,严重影响产品的加工精度和表面质量。为了有效避免铣削过程中发生颤振,提出了基于自适应调频模态追踪(adaptive chirp mode pursuit, ACMP)的铣削颤振监测和识别方法。该方法综合考虑了振动信号的带宽和微弱特性,ACMP在递归框架中逐个捕获信号模式,在该算法中,不需要输入信号模式的个数,而是可以通过评估残差信号的能量来学习,这样就可以避免由于分解层数不确定带来的模态混叠或者过度分解的问题。首先使用仿真信号验证了该算法对颤振信号具有很高的识别精度;然后基于现场的铣削实验数据证明该方法及时有效地对颤振进行识别;最后从ACMP处理后的信号中提取功率谱熵值作为颤振识别特征。该方法解决了经验模态分解(empirical mode decomposition, EMD)算法的模态混合和伪分量问题,又降低了变分模态分解(variational mode decomposition, VMD)的精度不稳定的影响,可以准确快速地识别到颤振,对提高加工质量具有重要意义。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

计及谐波次自然频率和VMD的混合线路故障测距

基于行波自然频率的故障测距方法依赖于对主自然频率的准确提取,然而针对架空线-电缆的混合线路时,由于线路波阻抗差异且行波折返射较多,会产生混叠的自然频率频谱。为此,一方面需要有效消除频谱混叠,另一方面仅依靠单一的主自然频率进行测距,其提取结果不能得到保证。基于此,本文提出了一种考虑谐波次自然频率和使用VMD算法的混合线路测距新方法。该方法首先对行波信号进行EMD分解,利用Hurst指数筛选IMF作为VMD分解的模态参数,准确地分解了行波信号;然后引入MUSIC算法对VMD分解结果进行频谱分析,提取出故障信号主自然频率及其谐波次频率;最后利用其对应关系计算出故障距离。针对混合线路的EMTDC仿真分析,验证了该方法能够有效消除频谱混叠,并且提高了基于行波自然频率测距方法的可靠性。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。