基于广义S变换与数学形态学的局部放电窄带干扰抑制方法

针对高压电力设备局部放电信号受周期性窄带干扰影响大的问题,提出了一种基于广义S变换与数学形态学的局部放电窄带干扰抑制方法。该方法可以从染噪局部放电(partial discharge,PD)信号中分离出原始PD信号和窄带干扰信号的时频谱图,从而在时频域内准确辨识出窄带干扰和原始PD信号,避免强能量的窄带干扰掩盖原始PD信号时频特征的问题。再利用总体最小二乘不变旋转矢量技术准确估计窄带干扰的特征参数,以抑制染噪PD信号中窄带干扰。对仿真和实测PD信号开展窄带干扰的抑制测试,测试结果表明：该文所提方法可以有效分离出染噪PD信号时频谱图中窄带干扰和PD信号,提高了时频分析的准确率;同时相比于传统的快速傅里叶变换(fast Fourier transform,FFT)算法谱最小熵解卷积滤波法和自适应奇异值分解法,该文方法能够有效抑制小幅值的窄带干扰,具备更好的窄带干扰抑制效果,以恢复局放信号的波形特征。     

基于广义S变换和随机子空间的局放窄带干扰抑制方法

为了解决传统方法难以有效抑制局部放电中周期性窄带干扰的问题,本文提出了一种基于广义S变换和随机子空间的局部放电窄带干扰抑制方法.该方法首先利用广义S变换将染噪局放信号从时域变换到时频域中,接着利用局放信号和窄带干扰不同的时频特征确定窄带干扰数目和无局放时间片段,最后利用随机子空间算法估计窄带干扰参数,实现染噪局放信号的窄带干扰抑制.仿真和实际测试结果表明:相比于传统的广义S变换模矩阵方法和频率切片小波变换方法,本文所提方法对窄带干扰抑制效果更好,能更好地恢复原始局放波形.     

基于短时傅里叶变换的局部放电窄带干扰抑制

为有效抑制局部放电(PD)信号中周期性窄带干扰,文中提出短时傅里叶变换和矩阵束相结合的局部放电窄带干扰抑制方法。该方法利用短时傅里叶变换分析染噪PD信号,得到窄带干扰数目,同时分离出染噪PD信号中信号帧和噪声帧;采用矩阵束算法在噪声帧中对窄带干扰参数进行估计,重构出全时段的窄带干扰,实现局部放电的窄带干扰抑制。仿真及实测染噪PD信号的去噪效果表明,与传统的傅里叶级数法和局部能量比法相比,所提方法去噪后的残余噪声更小,对染噪PD信号中窄带干扰有很好的抑制效果。     

频率切片小波变换在局部放电信号分析中的应用

在对电力设备局部放电信号进行时频分析时,当信噪比较低或周期性窄带干扰的频率与局放信号频带重叠时,会影响信号时频特征提取的准确性,使目前的局放信号时频分析方法存在局限性.为此,利用频率切片小波变换具有自由分割时频面的优点,提出一种基于频率切片小波变换的局放信号时频分析新方法.首先根据Heisenberg不确定性原理选择时频聚集性最佳的频率切片函数,利用频率切片小波变换获取局放信号的时频分布,突出信号非平稳特征,再根据噪声信号能量与局放信号能量时频分布的差异,选择时频细化区域重构分离出局放信号,结合3σ准则及窄带干扰抑制方法进一步消噪.仿真和实测信号的处理结果表明,与S变换相比,频率切片小波变换具有更高的时频分辨率和任意频带信号提取的灵活性,能够细腻刻画信号的非平稳过程;将时频信息融入局放信号噪声干扰抑制,信号能量损失和波形畸变较小,有利于后续局放信号的模式识别和机理研究.     

基于改进FastICA的局部放电在线监测窄带干扰高保真性抑制方法

为了解决传统阈值法和盲分离法在局部放电周期性窄带干扰抑制过程中存在的波形畸变与不确定性问题,提出利用改进的Fast ICA算法对局部放电(PD)信号进行窄带干扰抑制。首先结合PD混合信号离散傅里叶变换功率谱的特点,引入信息熵理论对窄带干扰个数进行确定,并提出利用功率谱"两步法"对窄带干扰频率进行精确估计;然后引入简化的Simpson-Newton迭代公式对Fast ICA算法进行改进,减少算法的迭代次数,并提出利用校准信号对分离信号进行校准,修正分离PD信号的幅值和相位。仿真及实测结果表明,该方法能够有效抑制周期性窄带干扰并能有效保留信号原始特征,且算法的时间复杂度较小,同时与频率切片小波去噪方法和傅里叶变换滤波相比,该方法去噪效果更明显,且能有效避免边缘效应的影响。     

基于广义S变换和奇异值分解的局放信号降噪优化方法

针对电缆终端局部放电现场检测时存在白噪声、周期性窄带干扰问题,提出一种基于广义S变换和奇异值分解的局放信号降噪方法。该方法首先通过广义S变换自适应获取窄带干扰个数并截取局放信号所在片段,然后利用改进的3谱线插值法对窄带干扰频率进行精确估计并构造引导信号加入原信号中,对该信号利用奇异值分解实现对混合噪声的抑制。通过对仿真、实测局放信号进行去噪,并与传统降噪方法进行对比分析。结果表明,该方法对于混合噪声干扰具有更优的抑制效果,能较好地还原局部放电信号。     

用最优谐波小波包变换抑制局部放电混频随机窄带干扰

在进行电气设备局部放电(partial discharge,PD)在线监测中,当多个随机周期性窄带干扰的频率位于传感器监测频段内部时,会严重影响监测的可信性和准确性,然而目前缺乏有效抑制此类干扰的方法。为此,利用谐波小波具有严格盒形频谱特性的优点,提出一种基于最优离散谐波小波包变换的PD去噪新方法,将不同频率窄带干扰的能量分别集中在单一的子带内,用分解后子带香农熵比值的大小来确定包含各窄带干扰的子带,只要将对应的小波系数置零后重构就能得到去除窄带干扰后的PD信号,克服了离散小波包变换子带间存在频谱泄漏的缺点,实现了对PD监测信号的自适应优化分解。通过对仿真和实测PD信号频带范围内含有的混频随机窄带干扰进行去噪处理,并与离散小波包变换去噪结果进行对比分析后表明,最优离散谐波小波包变换对PD信号去噪后的能量损失和波形畸变较小,有利于后续对PD信号的模式识别,可以解决干扰频率位于监测频段内难于抑制的难题。     

基于广义S变换模时频矩阵的局部放电特高频信号去噪方法

为有效抑制局部放电特高频信号中的噪声干扰,提出一种基于广义S变换模时频矩阵的去噪方法。基于二维模时频矩阵,采用区域最大能量法提取周期性窄带干扰的特征量,并通过矩阵逆向分离将其去除;采用奇异值分解去噪方法抑制信号中的高斯白噪声。使用该方法对仿真信号和实验室实测信号进行去噪处理,并与传统方法去噪结果进行对比。结果表明,所提方法能有效抑制局部放电信号特高频信号中的噪声,同时更好地保留了原始局部放电信号特征。对现场实测信号进行去噪处理,与传统方法相比,该方法具有较高的噪声抑制比和较低的幅值衰减比,可以有效提取局部放电超高频信号。     

基于自适应S变换与截断紧致奇异值分解的局部放电源复杂染噪特征提取方法

针对局部放电（PD）源信号复杂染噪,导致PD源特征提取较为困难的问题,提出一种基于自适应S变换与截断紧致奇异值分解（TCSVD）的PD源复杂染噪特征提取方法。首先,对S变换进行了优化改进,应用于PD源获取时频域矩阵,自适应的滤除窄带干扰信号,提取局部放电有用时频信号;其次,利用紧致奇异值分解对提取的时频矩阵进行分解;然后,提出拟合求导法寻找到奇异值阈值参数并对奇异值进行截断,从而滤除PD源中的白噪声信号;最后,通过理论仿真与现场测试对该文所提出的PD源特征提取方法进行了验证分析。实验结果表明,该特征提取方法对复杂染噪的PD信号有很好的特征提取能力,能够有效地提取局部放电信号的有用信息。     

应用组合广义形态学滤波器抑制变压器局放信号窄带干扰

为了抑制变压器局部放电(PD)信号中常见的窄带周期性干扰,根据PD信号和窄带周期性干扰的频谱特性不同,在开闭和闭开形态学滤波器的基础上,构造和采用组合广义形态学滤波器,在频域中滤除窄带周期性干扰形成的离散谱线,保留PD信号本身宽频带特性,从而达到抑制窄带周期性干扰的效果。用去噪前后的信噪比和波形相似系数对仿真PD信号的干扰抑制结果进行了评价,结果表明,组合广义形态学滤波器可以有效地抑制窄带周期性干扰。     

快速傅里叶变换和广义形态滤波器在抑制局部放电窄带干扰中的应用

根据局部放电信号和窄带干扰的差异,提出了一种基于快速傅里叶变换(fast Fourier transform,FFT)和广义形态滤波器抑制窄带干扰的新方法。首先利用FFT得到窄带干扰的离散谱线,再利用基于数学形态学原理构造的广义形态滤波器将局部放电信号中的干扰滤除,最后进行傅里叶逆变换和小阈值处理以提取局部放电信号。仿真和实测数据的处理结果表明,该方法通过选取合理的结构元素可在滤除干扰的同时保留局部放电信号特征,较好地解决了局部放电信号中窄带干扰滤除的难题。     

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。     

用于复小波变换的EWC阈值法抑制周期性窄带干扰

由于气体绝缘组合电器(GIS)的局部放电(PD)特高频检测虽然能够避开大多数窄带干扰,但是,还有部分窄带干扰会进入检测系统,从而湮没PD信号,因此在现场检测时必须加以抑制。根据PD信号与周期性窄带干扰小波变换后的不同特点,剖析了抑制周期性窄带干扰的常用方法--小波系数直接置零法的局限性,提出了可以用于抑制周期性窄带干扰的有效小波系数(EWC)阈值法,并以所构造的db4复小波对仿真信号与实测GIS特高频PD信号进行了对比去噪研究。研究结果表明:基于EWC阈值法的复小波变换能够有效地抑制GIS特高频PD信号中的周期性窄带干扰。     

抑制局部放电信号窄带干扰的快速算法

为消除与抑制窄带干扰对电力设备局部放电信号在线监测的影响,提出了一种将快速傅里叶变换（FFT）与小波变换相融合的快速算法,即先对信号进行FFT,从窄带干扰背景中有效提取局部放电信号,再利用小波变换对FFT处理后的局部放电信号进一步消噪。对仿真信号和实测信号的分析结果表明,该方法对窄带干扰有较好的消噪效果,并且得到的局部放电信号失真较小。     

采用Gabor变换的局部放电信号时频分析

局部放电信号频率是时变的,为更好地反映它的时频特性,采用一种时频分析方法Gabor变换,将它应用于局部放电信号分析中,并利用不确定原理选择高斯窗函数作为Gabor变换的基函数,提高了分析结果的时频聚集性。通过对实际局部放电信号进行分析处理,结果表明在选择合适的窗函数参数的情况下,基于Gabor变换的时频谱能够细致的刻画信号在时频平面上所发生的变化过程,准确反映了局部放电信号的时频特性,可有效满足对局部放电信号进行时频分析的要求,有利于对信号特征的提取。     

基于AVMD-自适应小波包法的电缆局部放电去噪研究

为准确提取检测到的局部放电信号,针对高压电力电缆的噪声抑制问题,提出了自适应变分模态分解(AVMD)结合自适应小波包分解的方法提取纯净的局放信号。首先运用AVMD将周期性窄带干扰、白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤出,得到仅含有白噪声的局放信号。再运用自适应小波包分解,将信号分解在高中低频的分量中,根据阈值法将不含局放信号的分量滤出,得到较为纯净的局放信号,并将所提方法分别与其中单独一种算法进行去噪比较分析。仿真结果表明,所提方法抑制噪声效果更明显,与仿真信号的相似度最高。     

时频广义 S 变换和 VL-MOBP 神经网络在人体动作识别中的应用

针对仿生假肢动作识别问题,提出基于时频广义 S 变换和 VL-MOBP 神经网络的下肢动作识别方法。 首先用时频广义 S 变换对年龄在 20~ 40 岁,身高在 170~ 185 cm,体重在 50~ 75 kg 的 22 名男性测试者下肢 4 种表面肌电信号和膝盖弯曲度信号 进行多分辨率分析,得到在时间和频率分辨率较好情况下信号时频累计特性曲线,然后提取时频累计特性曲线幅值的均值和标 准差作为特征向量,用 VL-MOBP 神经网络对人体下肢的行走、站立及静坐 3 种动作进行识别。 实验结果表明,提出的下肢动作 识别方法能够取得很好的识别效果,平均识别准确度达 96. 67%,高出小波变换约 56%,高出短时傅里叶变换约 36%,验证了该 方法在动作识别中的有效性。     

软硬滤波抑制周期性窄带干扰

分析了GIS局部放电检测中出现的周期性窄带干扰信号特征,提出了基于SDTM阈值法的小波变换抑制周期性窄带干扰的原理和算法,并结合设计的微带线滤波器用软硬滤波联合抑制周期性窄带干扰。仿真与实测研究表明,SDTM阈值法优于MINIMAXI和HEURSURE阈值选取法,其阈值的选取与样本的平均值和局部观察值有关,根据信号的大小决定且在小波变换的不同尺度上有一定的自适应性,能有效抑制周期性窄带干扰,用软硬滤波法先硬件滤波再小波处理能实现局放信号的有效提取。     

基于小波与分形理论的电力设备局部放电类型识别

根据小波理论建立了表征局部放电脉冲信号的三维时频谱图,该三维谱图综合反映了局放脉冲信号的3个基本特征:时间分量、频率分量和放电能量的分布。采用了分形理论从所建立的三维时频谱图中提取放电特征,并构成识别特征量,采用误差反传神经网络对局部放电信号的类型进行模式识别。试验结果表明,该方法可有效区分局部放电的类型。