基于改进奇异值与经验小波分解的局放去噪算法

局部放电(partial discharge,PD)检测是监测绝缘劣化的重要手段.由于现场环境复杂,PD检测易被干扰,而PD检测的真实性影响电气设备绝缘性能评估的准确性.因此,检测信号去噪是PD检测的重要任务.常用PD去噪算法的效果依赖于人工选择阈值或分解层数等参数,为了解决这个问题,该文提出不依赖于人工选择算法,使用基于曲率的奇异值变换(singular value decomposition,SVD)自适应地选择奇异值重构并去除窄带干扰;然后对残留白噪声的PD信号进行基于经验小波变换(empirical wavelet transform,EWT)的自适应分解;利用通用阈值对满足峭度和相关系数条件的模态去噪;最后通过时域去噪去除残留噪声,得到去噪后的PD信号.模拟PD信号和现场实测PD信号的去噪结果均表明所提方法能够更有效地去除窄带干扰和白噪声.     

基于SVD-WT的电机局部放电去噪方法研究

局部放电(PD)在线监测是高压电机状态监测的常用技术。然而现场的噪声干扰难以避免,最常见的噪声是白噪声和周期性窄带噪声。为此提出一种结合奇异值分解与小波变换(SVD-WT)的去噪方法,对原始PD信号进行SVD分解,通过计算奇异值序列的峭度值,自适应的选取需要重构奇异值实现周期性窄带噪声的去除;通过计算滑动窗内信号的方差值,确定PD信号的起始位置;对无PD发生的位置进行置零,得到去除噪声后的PD信号。通过对仿真和实测的PD信号进行去噪分析,与经验模态分解与小波变换(EMD-WT)和自适应奇异值分解(ASVD)进行对比分析,仿真和实测的PD信号去噪结果表明,SVD-WT方法具有优异的性能。     

基于SAMP-VMD的局放信号去噪方法

针对电力设备局部放电信号容易受到环境中的窄带噪声和白噪声的干扰,为了更好保留局放信号特征以便后续进行故障诊断和预测,提出了一种基于压缩感知重构和变分模态分解的变压器局部放电信号去噪方法。该方法首先使用窗函数抑制窄带干扰的频率泄露,之后利用窄带干扰在频域上与局放信号和白噪声之间稀疏度的差异从而将窄带信号进行分离重构以抑制窄带噪声,其次通过改进变分模态分解方法根据各模态含有局放信号信息的多少来对不同模态进行分类去噪,最终恢复出局放信号。通过仿真及实测信号对该方法进行去噪效果测试,并与奇异值分解和变分模态分解去噪方法的去噪效果进行对比,结果表明该方法能够有效抑制局部放电信号的干扰,相比传统算法的波形相似系数提升约2%,能够更好的保留局部放电信号的波形特征。     

结合奇异值分解与最小描述长度准则的变压器极化电流数据去噪方法

现场测量变压器极化电流受噪声干扰造成测量精度偏低,为消除噪声干扰,本文提出一种奇异值分解(SVD)结合最小描述长度准则(MDL)的信号去噪算法.利用测量数据构建Hankel矩阵并进行奇异值分解,将信号分解为有用分量与无用分量的线性叠加,再利用MDL确定信号与噪声的界限,提取有用分量重构信号.对变压器极化电流的仿真和实测数据表明,利用MDL能有效区分有用分量与噪声,去噪数据趋势完整,噪声得到有效去除.与小波硬、软阈值去噪结果对比,信噪比最大可提高12.61dB,方均根误差最大可减小47％.     

基于优化VMD与噪声估计的间隔阈值局部放电去噪方法

为了抑制局部放电(PD)信号中含有的窄带周期干扰和白噪声,提出一种基于优化的变分模态分解(VMD)阈值去噪方法。首先针对VMD算法可能造成染噪信号欠分解或过分解的问题,提出一种基于频谱分析和四分位数的模态分解数K值优化方法,并结合模态的峭度特征去除窄带周期干扰和高频白噪声;针对PD信号主导模态中残留的白噪声,利用文中研究中发现的VMD分解白噪声所得模态的两个统计特性,提出一种噪声标准差估计方法来确定阈值,最后引入间隔阈值函数对PD信号主导模态进一步去噪。采用该方法对仿真和实测信号进行去噪处理,并将其与传统方法进行对比,结果表明,所提方法不仅可以更有效地抑制噪声,同时也能更好地保留PD信号的特征。     

基于SVD和低秩RBF神经网络的局部放电信号提取方法

局部放电(partial discharge,PD)特高频(ultra high frequency,UHF)信号检测过程易受到白噪声和周期性窄带干扰的严重影响.为有效提取PD UHF信号、抑制干扰,提出一种基于奇异值分解(singular value decomposition,SVD)和低秩径向基函数(radical basis function,RBF)神经网络的去噪方法.首先,将染噪局部放电信号构造为Hankel矩阵,并奇异分解到特征矩阵空间;然后,把特征矩阵中奇异值突变点设为阈值,以去除窄带干扰;最后,采用RBF神经网络逼近去干扰后的PD信号,并采用Gaussian窗滤波以提取局放信号.所提方法与逆向分离(reverse separation,RS)和形态学小波综合滤波器(morphology wavelet filter,MWF)进行对比.从仿真和实测结果表明,该方法对周期性窄带干扰和白噪声有着强抑制作用,评价指标更为显著.     

基于二次 CEEMD 与时域特征分析的去噪方法

为克服经验模态分解(EMD)去噪方法存在的模态混叠以及噪声分量与信号分量区分困难问题,本文提出了一种基于二次互补集合经验模态分解(CEEMD)与时域特征分析的去噪方法。该方法利用CEEMD来克服模态混叠问题,同时基于对CEEMD本征模态函数(IMF)的时域特征分析来确定噪声主导IMF分量与信号主导IMF分量的分界点,据此区分噪声分量与信号分量,并对分界点相邻两侧的噪声主导IMF分量与信号主导IMF分量进行二次CEEMD分解,在保留更多有用信号的同时进一步滤除剩余噪声。对含冲击噪声干扰的实际机载平台数据的去噪实验结果表明,新方法通过对噪声分量与信号分量的有效分离,可以更好地抑制噪声干扰,明显提升信噪比。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

改进VMD和阈值算法在局部放电去噪中的应用

为解决局部放电检测中存在白噪声和周期窄带干扰的问题,提出一种结合改进变分模态分解（VMD）和阈值算法的局部放电去噪法。针对VMD在实际应用中难以自适应选取分解参数的问题,提出以能量偏差最小为原则确定分解个数,通过天牛须搜索算法（BAS）优化各分量对应的惩罚因子,以峭度准则筛选出有效分量,从而去除掉窄带干扰噪声;利用3σ准则确定阈值,结合阈值函数进一步去除有效分量中残留的白噪声,重构有效分量。通过对仿真、实测信号去噪分析,并与提升db4小波法、集合经验模态分解（EEMD）阈值法对比。结果表明,该方法具有更好的去噪效果,去噪后波形相似度更高,噪声抑制比更高,能够保留更多的局部放电特征。     

基于Hankel矩阵和奇异值分解的局部放电窄带干扰抑制方法EI北大核心CSCD

针对高压设备局部放电信号的周期性窄带干扰抑制问题,提出一种基于Hankel矩阵和奇异值分解的窄带干扰抑制方法。首先,通过染噪局部放电信号采样序列构造Hankel矩阵,作为轨迹矩阵,并对其做奇异值分解;研究窄带干扰奇异值分解的规律,并在该规律的基础上利用奇异熵增量和K均值算法找出窄带干扰对应的奇异值,对窄带干扰进行重构;得到窄带干扰后,从染噪信号中将其除去,获得只含有白噪声的局放(partial discharge,PD)信号。对染噪局部放电仿真信号、实测信号进行窄带干扰抑制,并与改进FFT阈值法、小波降噪的结果进行对比分析。结果表明:该方法对窄带干扰的抑制效果更好,波形相似度更高。     

基于改进变分模态分解的SRM功率变换器故障诊断方法

为实现开关磁阻电机功率变换器故障诊断,本文提出了一种改进变分模态分解结合奇异值分析的方法,基于经验模态分解自适应特性和中心频率确定变分模态分解的分解数,并对故障相电流进行处理,根据互信息分析选择最佳模态分量构造初始特征矩阵,进行奇异值分解后计算归一化奇异值作为特征向量,输入支持向量机分类器进行故障识别。为验证诊断方法的可行性,建立了仿真模型与其他诊断方法进行了对比;搭建了开关磁阻电机实验台,测试了开路、短路故障状态,仿真和实验结果均表明本文所提方法可减小噪声影响,提高故障识别准确率。     

基于自适应EEMD和分层分形维数的风电机组行星齿轮箱故障检测

针对传统平均经验模态分解(EEMD)中添加白噪声参数需依据人工经验设定的缺陷,在研究引起模态混叠原因的基础上提出一种自适应EEMD方法。该方法可以根据信号本身特性,自适应设定白噪声标准差以达到最优分解效果。首先使用奇异值差分谱法对信号进行分解、重构,然后利用提取得到的高频冲击分量和噪声分量的复合分量对所需添加白噪声标准差大小进行自适应整定,最后通过自适应EEMD将信号分解为一系列本征模态函数(IMF)。分形维数对信号特征评价性能良好,所以用分形维数来识别不同类型振动信号是十分有效的。本文提出分层分形维数方法,可提高信号识别、分类效率和准确度。使用该复合方法处理仿真信号、风电机组传动系统实验平台信号均取得良好效果,证明了本文所提方法的有效性。     

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。     

广义S变换多分量LFM信号检测及参数估计

针对多分量线性调频信号(LFM)信号在低信噪比状况下信号检测出现漏检、参数估计精度不高等问题,提出在广义S变换(GST)基础上,进行奇异值分解(SVD)滤波的方法。在S变换基础上,导出了广义S变换及逆变换公式,对离散后得到的广义S变换矩阵进行奇异值求解,通过选取合适的奇异值个数,实现多分量信号时频滤波。仿真结果表明,该方法在低信噪比状况下能有效滤除噪声,避免因噪声或者各分量信号强弱相差较大而出现漏检现象,同时信号参数估计精度也得到了提高。     

基于EEMD与边际谱能量的电缆局部放电定位方法

振荡波局部放电试验在电缆绝缘缺陷检测中得到了越来越多的研究和应用,但背景噪声干扰和放电脉冲匹配的问题会影响局部放电定位的准确度。为实现振荡波电压下电缆绝缘缺陷的准确定位,提出一种基于集合经验模态分解与Hilbert边际谱能量的局部放电定位方法。首先采用移动窗口阈值法提取出局部放电脉冲信号,采用集合经验模态分解算法对信号进行分解,对得到的各分量进行Hilbert变换获得其边际谱能量值;然后选择不同本征模态函数分量在原始信号边际谱能量值的占比作为特征量,计算信号相似度进行入射脉冲信号和反射脉冲信号的匹配,最终采用时域反射法进行局部放电定位;最后对35 kV电缆进行振荡波耐压试验,对检测到的局部放电信号进行定位计算。结果表明,提出的方法可以在高斯白噪声较强的情况下实现电缆绝缘缺陷定位,定位平均误差可以达到1.15%。     

旋转机械状态非线性特征提取及状态分类

为提取淹没于环境和结构噪声下风力机轴承故障信号,基于能量追踪法,提出改进变分模态分解法(improved variational mode decomposition, IVMD),并采用粒子群算法求解最优约束因子,获取准确模态分量;摒弃传统对故障特征频分量的提取,基于非线性分形理论提出多重分形谱特征因子(multi-fractal spectrum,MFC)以选取最具非线性特征的模态分量,以不同故障程度及状态的轴承加速度信号为对象,采用优化递归变分模态分解获取多分量,通过多重分形谱特征因子最大值选取有效信息分量,通过支持向量机进行故障分类。结果表明优化递归变分模态分解可准确分解振动信号至不同频段,以便故障信息提取;多重分形谱特征因子与信噪比呈正相关,以其最大值选取的分量具备更多有效信息;对IVMD-MFC所选取非线性分量,通过8种非线性特征值构建特征矩阵,通过BP神经网络实现故障分类,诊断准确度达97.5%。表明所提出方法可对不同故障程度的轴承状态进行区分。     

结合滑动窗奇异值分解的EEMD暂态电能质量扰动检测法

为了解决噪声、模态混叠等原因造成提取电能质量扰动信号的时频特征不清晰的问题,根据电能质量扰动信号具有非平稳、不确定性以及周期性强的特点,应用总体经验模态分解(ensemble empirical model decomposition,EEM D)的方法对电能质量扰动信号进行分解,基于滑动窗奇异值分解(singular value decomposition,SVD)数据压缩方法对EEMD分解得到的一系列固模函数(intrinsic mode function,IMF)分量组成的矩阵进行了重构,并对重构后的IMF分量作Hilbert变换降维,提取了扰动信号时间、频率、幅值上的特征。对比传统的EEMD算法,新方法能更加准确定量地提取各个扰动成分的起始时刻、幅值、频率等扰动特征,同时能够有效抵御噪声的干扰,克服了以往只能通过人为选取IMF分量来提取扰动时频特征过于主观的缺点。算例仿真的结果验证了该方法的有效性。     

奇异值与特征值分解在谐波源定阶中的等价性

现代谱估计理论较好的解决了随机白噪声下平稳的电力系统谐波和间谐波模型的求解问题,算法的关键在于准确的确定谐波和间谐波源的个数,称为"定阶",定阶的方法有奇异值分解和特征值分解两种.本文通过理论推导论证两种定阶方法本质上是等价的,并对实测的电弧炉电流波形,采用Esprit进行仿真验证.     

基于奇异值总体最小二乘法的间谐波估计算法

通过分析噪声误差,提出采用奇异值总体最小二乘(singular value decomposition total least squares,SVDTLS)算法进行间谐波频率估计,即同时考虑矩阵方程两边的噪声干扰,采用SVDTLS算法求解该情况下的最小范数解,通过对增广矩阵进行奇异值分解(singular value decomposition,SVD),采用简单实用的与信噪比相关的主奇异值个数确定方法对分解的右奇异矩阵进行存储计算,得到了较精确的间谐波频率估计结果。仿真结果表明,该算法具有良好的抗噪性能和数值稳定性,在低信噪比情况下可准确提取信号的频率。     

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。