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。     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.     

Hilbert-Huang变换在电力系统过电压识别中的应用

将希尔伯特-黄变换(HHT)方法引入到过电压信号分类识别研究中,该方法由经验模态分解(EMD)与Hilbert变换两部分组成,能够定量、准确地对信号幅值及频率特征进行刻画。采用HHT方法对7种电力系统中常见的过电压信号进行了分析计算,结果表明HHT方法计算得到的瞬时幅值谱、Hilbert边际谱、Hilbert时频谱,能够作为特征量对不同种类型过电压进行分类识别。基于HHT算法与RBF神经网络搭建了过电压信号分层识别系统,并以实测过电压数据对其进行验证,结果表明,该分类识别系统能够有效地对过电压信号进行分类识别,并具有较高的识别率。     

一种改善HHT端点效应的新方法及其在电能质量中的应用

利用Hilberr-Huang变换(HHT)方法进行电能质量检测分析,可以得到准确的瞬时频率和瞬时幅值,但该方法在应用中存在严重的端点效应,会影响分析结果。为了改善其端点效应问题,提出了一种基于人工神经网络和镜像延拓相结合的新方法对短时间序列进行延拓。采用三层BP神经网络对信号两端进行延拓,用带镜像延拓程序的经验模态分解(EMD)方法对延拓后的信号进行边分解边延拓,得到具有原始信号长度的固有模态函数(IMF);为了改善Hilbert变换中的端点效应,再次利用BP神经网络对各个IMF分量进行延拓。最后对延拓后的IMF分量进行Hilbert变换,从而得到精确的瞬时频率和瞬时幅值。将其应用到电力系统的谐波分析中,取得了较好效果。     

基于FIMD和Hilbert变换的线路行波故障诊断

由于传统方法未能考虑到对线路行波信号进行分解与频谱分析,导致线路行波故障诊断精度低、延时以及费用增加,现提出一种基于FIMD和Hilbert变换的线路行波故障诊断方法.通过快速本征模态分解算法FIMD对线路行波信号进行分解,获取多个唯一的固有模态分量和一个残余分量.根据信号分解结果采用Hilbert变换进行线路行波信号频谱分析,获取信号的瞬时频率,通过瞬时频率计算行波到达的准确时间,最终实现线路行波故障诊断.实验结果表明,所提方法能够有效提升线路行波故障诊断精度,降低诊断延时与故障诊断费用,实际应用效果好.     

基于LMD和Hilbert变换的电压暂降检测方法

为了准确获得电压暂降幅度、频率成分以及扰动起止时刻等信息,将一种基于局部均值分解(Local Mean Decomposition,LMD)和希尔伯特(Hilbert)变换的时频分析新方法应用于电压暂降扰动检测中。新方法先通过LMD分解得到原始信号的乘积函数(Product Function,PF),PF分量的包络函数即瞬时幅值,再对PF分量进行Hilbert变换可得其瞬时频率。电压暂降特征信息可从瞬时幅值和瞬时频率中提取出来,从而实现电压暂降的检测。将新方法应用到两种电压暂降信号的仿真分析中,并与LMD法的分析结果进行比较。仿真结果证明了该组合方法检测电压暂降的有效性和准确性。     

HHT方法在电力系统故障信号分析中的应用

论文应用HHT方法来进行电力系统故障信号的分析.该方法利用经验模态分解法(EMD)将复杂的故障暂态信号分解成有限个固有模态信号(IMF),从而使Hilbert变换(HT)的瞬时频率具有实际物理意义.通过瞬时频率和进一步得到的Hilbeert边际谱,对故障暂态信号进行了分析.仿真结果表明:该方法可以从时频两方面同时对故障信号进行分析;能够实现对故障时刻的准确检测;能够提取、区分电力系统谐波分量;Hilbert边际谱的分辨率优于傅里叶谱.     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于HHT的电能质量扰动定位与分类

针对电能质量扰动定位和识别分类的需求,提出了一种基于HHT的电能质量扰动定位与分类的新方法。采用HHT算法对电能质量扰动信号进行变换,获得瞬时幅值、Hilbert谱和边际谱,并利用Hilbert谱对扰动信号进行定位。从瞬时幅值、Hilbert谱和边际谱中提取特征量,为决策分类树提供判断依据以便进行分类识别。仿真实验结果表明,采用HHT算法与决策分类树相结合的电能质量扰动定位与分类不需训练,提取的特征量少而有效,分类识别的效果较好,具有良好的抗噪性能。     

基于HHT技术的结构二维损伤定位研究

Hilbert Huang Transform(HHT)是一种新型的信号处理方法,主要适用于非线性、非平稳信号的分析,其应用已经越来越广泛。本文将此方法应用在复合材料板的二维损伤定位实验中。在复合材料板损伤前和损伤后各采集一组信号,对其进行HHT分析。对比分析结果一二者的时间-振幅与时间-频率分布,在图中读出差异,从而定位出损伤的位置。实验结果显示,应用HHT技术可以进行复合材料板上的二维损伤定位,且精度较高。     

基于三端法的HHT行波故障测距研究

输电线行波故障定位的技术关键在于提高捕捉故障行波波头信号到达时间的精确度以及行波波速度的确定。小波变换(Wavelet Transform,WT)是目前主要采用的波头识别算法,而希尔伯特-黄变换(HilbertHuang Transform,HHT)作为分析非平稳和非线性信号一种强大的工具值得深入研究,文章提出了基于三端测距法的HHT行波测距方法。采用Simulink建立输电线路仿真模型,通过haar、db4小波和HHT分析对比,结果表明HHT能更有效地提高故障定位精度,且克服了小波变换需要选择小波基函数和分解尺度的缺点。     

Hilbert-Huang变换方法在谐波和电压闪变检测中的应用

将一种新的非平稳信号处理方法,即HHT(HilbertHuang Transform)方法用于检测与时频分析典型的电能质量扰动信号,如谐波、电压闪变与波动信号.该方法由经验模态分解法(EMD)及Hilbert变换两部分组成,先用EMD提取信号的固有模态函数(IMF)分量,再对IMF作Hilbert变换求瞬时频率和幅值.该方法可以从时域和频域两方面同时对信号进行分析,能够准确检测出突变、非平稳谐波和电压闪变信号的时间、频率和幅值信息.仿真分析结果表明了该方法检测非平稳电能质量扰动信号的有效性.     

希尔伯特-黄变换在电力系统故障检测中的应用研究

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法。将HHT引入到电力系统故障检测中,利用经验模态分解(EMD)获得故障电流信号的本征模态函数(IMF),通过选取IMF并对其进行H ilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的H ilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性。     

基于HHT的电能质量检测新方法

提出了用HHT方法对电能质量扰动信号（电压凹陷、电压凸起、电压间断、暂态震荡、暂态脉冲等）和谐波（整数次谐波和间谐波）进行检测及时频分析的新方法.该方法由经验模态分解法（EMD）和Hilbert变换（HT）两部分组成.通过EMD得到固有模态函数（IMF）后,再进行HT,可以定量、准确地刻画相应时刻的瞬时频率和幅值.通过该方法可以确定非平稳的电能质量扰动信号的时间、频率和幅值信息;同样也可以精确的检测出谐波的幅值和频率.仿真结果表明,该法不但适用于非平稳信号的处理,而且对平稳信号的分析、处理也有很好的效果.     

基于HHT的电能质量信号检测分析

大量的非线性负载会造成电能质量“污染”,使电能信号复杂多样.针对复杂电能信号采用希尔伯特黄变换（HHT）进行检测分析.介绍了HHT原理,应用HHT对几种最为常见、重要的电能质量扰动及复杂电能质量扰动进行仿真分析.分析表明此方法能精确检测出电压幅值、频率及扰动的起止时刻,适用于分析电能质量信号.     

Empirical mode decomposition with Hilbert transform for classification of voltage sag causes using probabilistic neural network

This paper employs Empirical Mode Decomposition (EMD) combined with Hilbert Transform (HT) to detect the voltage sag causes. Any power quality disturbance waveform can be seen as superimposition of various oscillating modes. It becomes necessary to separate different components of single frequency or narrow band of frequencies from a non-stationary signal to identify the causes which contribute to power quality disturbances. The main characteristic feature of EMD is that it decomposes a non-stationary signal into mono component and symmetric signals called Intrinsic Mode Functions (IMFs). Further, the Hilbert transform is applied to each IMF to extract the features. Then, Probabilistic Neural Network (PNN) classifier is constructed based on EMD which classifies these extracted features to identify the type of voltage sag cause. Three voltage sag causes are taken for classification (i) fault induced voltage sag, (ii) starting of induction motor and (iii) three phase transformer energization. A comparison of EMD with Wavelet Transform (WT) is made. The performance of PNN is compared with Multilayer Neural Network (MLNN) based on the above mentioned two methods. Simulation results show that the EMD method in combination with PNN is more efficient in classifying the voltage sag causes.