基于S变换标准模板相似度的电压暂降分类

提出了一种基于S变换的标准模板相似度的电压暂降分类方法。采用双线性插值尺度变换形成各类持续时间不同暂降的全局模板;提取全局模板中最能反映该类暂降特征的特定部分建立该类暂降的唯一标准模板。将未知暂降信号的模时频矩阵经尺度变换和局部化提取后的实测局部模板与标准模板做相似度对比,依据模板相似度最大原则进行分类。该方法有效利用局部区域明确的时频相关性,抗干扰能力强,解决了持续时间不同的暂降信号需建立不同模板的问题,分类过程简洁直观。Matlab仿真和实际试验结果显示,该方法在噪声情况下可准确对所考查的暂降信号进行分类,是一种有效的电压暂降分类方法。     

Power quality disturbance classification utilizing S-transform and binary feature matrix method

This paper presents new features and a novel decision-making system for automated classification of power quality disturbances. The most common types of disturbances including flickers, harmonics, impulses, notches, outages, sags, swells, and switching transients are studied. Disturbances consisting of both sag and harmonic, or both swell and harmonic are also considered. It is assumed that the analyzed waveforms are available in sampled form. The signal processing techniques utilized to extract the distinctive features of the waveforms are Fourier and S-transform. A new method based on binary feature matrix is designed for making a decision regarding the disturbance type. Evaluation studies for verifying the accuracy of the method are presented.     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于改进S变换-TT变换的电压暂降特性研究

针对S变换的窗函数固定,以及在检测扰动信号的起止时刻、幅值变化、相位变化时的检测精度不高的问题,在S变换中引入两个调谐因子,得到一种改进的S变换,并对改进的S变换进行傅里叶反变换得到TT变换,将改进的S变换与TT变换相结合应用到主要引起电压暂降的3种暂降源中,并在MATLAB软件上对这3种暂降扰动源信号进行了仿真分析。仿真结果表明,所提的方法比使用S变换方法在检测电压暂降信号上具有更高的检测精度和更好的效果,为更好地提取暂降特征信息以及暂降源的识别打下基础。     

基于不完全S变换与梯度提升树的电能质量复合扰动识别

针对电能质量复合扰动中特征选择困难和分类准确率不高的问题,提出基于不完全S变换和梯度提升树的特征选择和分类器构建方法。首先通过选取特定频率的不完全S变换得到扰动的时频矩阵。再从时频矩阵中提取53种原始特征量,并基于梯度提升树对各个特征的重要性进行度量,选取重要特征。最后根据选取的特征集训练和构建梯度提升树,得到扰动分类器。仿真实验表明,对于包括8种复合扰动在内的共17种扰动类型,该方法的分类准确率高于CART决策树、随机森林(RF)、多层感知机(MLP)等现有方法。不同噪声条件下的分类结果表明,该方法具有良好的抗噪性能和算法鲁棒性,展现出良好的应用前景。     

基于广义S变换的时相调制时频聚集性能优化

为了提高时相调制(TPM)信号S变换的时频聚集性能,将广义S变换(GST)应用于TPM信号的时频分析中.GST在标准S变换窗函数的基础上,增加了可控参量,利用优化新增参量的算法,优化时频域各频率点处的时窗宽度,从而达到提高时频聚集性能的目的.仿真结果表明,广义S变换方法与标准S变换相比,能有效提高TPM信号的时频聚集性能,同时保持了TPM信号用于携带信息相位突变的特性,有利于下一步的信号检测.     

S变换与欧氏距离在电能质量扰动识别中的应用

为了满足电能质量扰动检测与分类的需要、进一步提高电能质量扰动识别效率,提出一种S变换与欧氏距离相结合的电能质量扰动识别方法。对电能质量扰动识别方法进行了仿真分析,结果表明:在信噪比为20d B的情况下,电压暂升、电压暂降和电压闪变的识别率较高,而电压中断、谐波和暂态振荡由于受到谐波和噪声干扰,识别率相对较低;随着信噪比的增加,扰动信号的识别率均随之增加。     

基于S变换样本熵的输电线路纵联保护新原理

提出了一种基于电流行波S变换样本熵的快速纵联保护新方法。利用故障后一段时间内线路两端故障电流行波的S变换样本熵比值来识别区内外故障。区外故障时,一侧的反行波和另一侧前行波为同一行波,波形相似,对应电流行波样本熵基本相同,其比值接近1。区内故障时,线路一侧的反行波和另一侧前行波为不同行波,波形相似度小,线路两端电流行波样本熵差异较大,其样本熵之比(数值小的与数值大的之比)最小。利用此特征可以确定线路区内外故障。仿真结果表明,所提出的纵联保护方案能够快速识别区内外故障,其性能不受故障类型、故障初始角、接地电阻、故障位置和母线结构的影响。     

基于S变换和小波神经网络的容差模拟电路故障诊断

提出了一种结合S变换和小波神经网络的容差模拟电路故障诊断新方法;该方法通过对被测电路的冲激响应进行S变换,提取信号的时频信息做为特征量,并将所提取的特征量做为小波神经网络的输入进行训练并分类;仿真实验结果表明该方法诊断速度快且故障定位准确率高,在噪声影响、故障类型的特征向量重叠率高以及可测节点不足的情况下,具有良好的故障识别效果。     

基于S-霍夫变换的LFM信号时频检测

针对多分量线性调频（LFM）信号,提出一种新的变换-S-霍夫变换,该方法首先对多分量线性调频信号进行S变换,实验仿真结果显示相对Wigner-Ville分布有交叉项干扰,s变换克服了多分量线性调频信号产生的交叉项干扰,然后在时频平面内对s变换后的多分量线性调频信号,利用霍夫变换检测出各个线性调频信号分量,仿真实验结果证明该方法可以有效克服多分量线性调频信号产生的交叉项干扰,能够对多分量线性调频信号进行正确检测。