基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

基于小波包去噪与EMD的故障电弧检测算法研究

经验模态分解(Empirical Mode Decomposition,简称EMD)方法是一种被广泛应用于故障诊断领域的信号处理方法,但是分解的结果容易受到高频噪声的干扰。因此本文提出利用小波包去除噪声,同时利用EMD分解进行故障电弧信号处理的研究方法。首先根据国标GB/T 31143-2014搭建故障电弧实验平台,采集故障电弧信号,利用小波包去除信号中的噪声,然后利用EMD方法对正常电弧和故障电弧进行分解得到一系列本征模态分量,通过计算求出这些分量的能量熵并进行归一化处理得到特征向量,最后进行支持向量机(SVM)训练,进而诊断得出故障电弧的故障类型。实验结果表明该方法可以有效准确地对故障电弧进行判断。     

基于EMD样本熵和极限学习机的输电线路故障类型识别

提出了一种基于经验模态分解(EMD)样本熵和极限学习机(ELM)的输电线路故障类型识别的新方法。利用EMD良好的局域化特性和样本熵来获取故障信息,进行特征提取,再结合ELM的强大模式分类能力进行故障类型识别。基于SIMULINK/MATLAB的故障仿真结果表明,该方法能快速准确地识别输电线路的各类故障,并且不受故障时刻、过渡电阻、故障位置等因素的影响。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

基于多特征融合的光伏系统串联直流电弧故障识别方法

针对目前光伏系统中存在的串联直流电弧故障特征量少、识别定位困难等问题,提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法。首先搭建实验平台,采集正常和串联直流电弧故障下的电流信号并利用小波变换进行降噪;其次,对降噪后信号提取时域上的电流均值变化率和电流周期最值差特征量,并提取频域上的各频带能量及能量比,利用集合经验模态分解（ensemble empirical mode decomposition, EEMD）得到各阶信号本征模态函数（intrinsic mode function,IMF）,计算各阶IMF故障信号与正常信号余弦相似度,并提取相似度较低电弧的IMF能量熵特征;然后,以时域、频域、能量熵特征构成多维特征向量,构建故障电弧特征空间,通过实验确定故障空间边界参数,得到特征判据,根据多维特征判据实现直流电弧故障检测;最后,通过实验分析验证所提方法的准确性。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

低压断路器振动特性分析及其故障诊断研究

以低压断路器三相不同期故障为对象,首先,利用经验模态分解(EMD)方法,将振动信号分解为若干本征模态函数(IMF),经频谱分析确定前四阶IMF分量作为振动信号特性,并起到振动信号消噪作用;其次,利用分形理论对前四阶IMF分量求取关联维数,以表征低压断路器三相合闸不同期的故障特征;最后,引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明,基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理,该方法对低压断路器其他故障类型的诊断具有适用性。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于用最小二乘法改进的EMD与能量熵融合的断路器机械故障诊断方法

笔者针对经验模态分解(EMD)分解结果的准确性对实验结果的影响,利用最小二乘法对EMD进行改进,有效地缓解了EMD固有的端点效应对实验结果的影响。分别对断路器操动机构的正常振动信号和连接臂松动信号进行EMD和小波变换分解,并将能量熵分别应用到改进EMD与小波变换中。通过能量熵值计算分析表明,改进的EMD能量熵值明显大于小波能量熵,因此改进的EMD与能量熵融合法为断路器机械状态识别提供了有益的帮助。     

基于EMD奇异值熵的高压输电线路故障选相新方法

在对暂态电压信号进行经验模态分解(EMD)基础上,结合奇异值分解(SVD)及信息熵理论提出了利用高频暂态分量的奇异值熵实现故障选相。此方法对采集到的故障后电压信号求取EMD奇异值熵,并比较三相间熵值的大小来识别故障类型和判别故障相。基于Matlab环境,对一典型500 kV线路进行故障类型选相的仿真,结果表明该方法不受过渡电阻、故障位置、故障初始角和噪声强度等因素影响,能够快速准确识别各类故障。     

基于经验小波变换复合熵值与特征融合的故障电弧检测

针对电力系统交流配电线路中串联故障电弧易引发电气火灾且检测精度不高的问题，提出一种基于经验小波变换(empirical wavelet transform,EWT)复合熵值与信号特征融合的故障电弧诊断方法。首先搭建故障电弧实验平台，对典型负载实测电流归一化处理，利用经验小波变换进行频谱分割并提取出具有紧支撑的模态分量，根据燃弧前后信息熵熵减分析选取特征分量。为反映时频多域细节复杂度特征，提取时频域特征分量复合熵值与时域敏感特征组成多域高维特征，利用主成分分析(principal component analysis,PCA)选取累积贡献率高于90%的主元实现特征降维融合，最后输入概率神经网络(probabilistic neural network,PNN)验证检测精度。结果表明，融合特征较单域特征检测精度更高，选用负载最低诊断率达98%验证了该方法的有效性。     

基于EMD和PNN的故障电弧多变量判据诊断方法

故障电弧单变量判据诊断法受不确定因素影响大、特征量提取困难,针对此提出一种基于经验模态分解(EMD)和概率神经网络(PNN)的故障电弧多变量判据的诊断方法。利用经验模态分解分析法对电弧电流进行时频分解,并借助信号相关性理论自动提取故障特征信号;同时,通过分析故障特征信号的无量纲指标,形成多变量特征向量集。在此基础上,构建基于概率神经网络的故障电弧诊断模型。通过分析燃弧前后烧水壶、吸尘器、卤素灯、电钻、荧光灯、计算机的电流波形,验证故障诊断模型的准确性。结果表明,所提方法解决了单变量判据故障诊断中出现的特征量提取困难、交叉重复等问题,准确率超过90%。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

基于LCD能量相对熵的小电流接地故障选线方法

针对小波变换不具有自适应性、易受小波基种类影响的问题,及经验模态分解EMD（empirical modal deco-mposition）存在的模态混叠现象,提出了一种基于局部特征尺度分解LCD（local characteristic-scale decomposi-tion）和能量相对熵的故障选线新方法。首先利用具有自适应性、抗混叠性的LCD对各线路暂态零序电流进行分解,计算各频带暂态能量;再结合能量相对熵对信号间的细微差异进行识别放大,根据各条线路综合能量相对熵的大小进行选线。通过在Matlab仿真平台上搭建具有5回出线的10 kV线缆混合配电网发生单相接地故障的模型,验证了所提方法不受故障合闸角、故障距离和过渡电阻的影响,可实现正确选线。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

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。     

分接开关振动信号EMD熵和小波熵的比较

针对变压器有载分接开关机械故障诊断,引入一种基于经验模态分解EMD(empirical mode decomposi-tion)能量熵的诊断方法,以提取变压器有载分接开关振动信号特征并进行故障诊断。首先进行小波消噪,然后对信号进行经验模态分解,对得出的各阶固有模态函数求能量,最终计算得到信号的能量熵值。运用EMD能量熵作为特征参量,分析了触头正常和烧毁两种情况下分接开关切换时产生的振动信号,并与小波能量熵比较,研究结果表明,分接开关振动信号基于EMD能量熵的方法比基于小波能量熵的方法有效。     

基于改进经验小波变换的高压电缆局部放电噪声抑制研究

对高压电缆的局部放电(PD)进行监测,并对其所包含的噪声信息进行抑制,是一种有效的绝缘评估方法.针对PD信号所包含的复杂噪声信息,提出一种基于改进经验小波变换(IEWT)的噪声抑制方法.该方法以IEWT分解为核心,通过将含噪信号分解为按频率顺序排列的经验小波函数(EWF),有效避免复杂噪声信号分解时的模态混叠现象.利用峭度规则对分解得到的EWF进行筛选,最后对筛选出的有用EWF进行重构和降噪处理,达到对复杂含噪信号的噪声抑制效果.模拟仿真以及现场测试表明,与现有基于EWT和基于EMD的降噪方法进行对比,该文所提方法可更有效地抑制PD信号所包含的噪声信息.     

基于EMD近似熵和SVM的电力线路故障类型识别

提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点.     

经验模态分解奇异性检测的配电网混合线路测距方法

含架空线和电缆的配电网混合线路发生故障时,故障行波信号传播复杂,波头识别困难。提出一种分形维数与经验模态分解（EMD）奇异性检测结合的配电网混合线路单端行波测距方法。对故障产生的行波信号进行分形滤波后,利用经验模态分解方法提取出高频信号的固有模态函数（IMF）,进行奇异性检测实现行波波头的准确标定,最后利用A型行波测距原理实现配电网混合线路的故障测距。PSCAD仿真结果表明,该方法具有较高的准确性和可靠性,能够有效识别出混合线路中故障点反射波和对端母线反射波,实现故障测距。