基于深度前馈网络的电能质量复合扰动识别

针对电能质量复合扰动识别中识别准确率不高和泛化性能较差的问题,提出基于深度前馈网络(Deep Feedforward Network,DFN)的扰动识别方法。先在少数重要频率点上对扰动信号作不完全S变换,从得到的时频矩阵中提取多种识别特征,构建和训练三层DFN扰动分类器,并使用Dropout正则化来提高分类器的泛化性能。仿真实验和实测实验表明,文中的方法能够有效识别8种复合扰动在内的共17种扰动类型,并具有很好的抗噪性能和泛化性能。与CART决策树、极限学习机、随机森林等现有方法相比,方法识别准确率更高,鲁棒性更好,具有良好的应用前景。     

零偏VSP叠前资料中的低频阴影检测

本文选用零偏VSP叠前资料,利用广义S变换进行低频阴影分析,并借助VSP观测方式中可将井下检波器靠近目的层的特点,直接接收来自目的层的上行波和下行波信号,提高分析质量。本文还给出低频阴影属性分析流程及相应的处理方法。实际数据试算结果表明,应用低频阴影检测方法可指示油气的存在。     

基于S变换的多端输电网故障定位方法

针对现有对于多端输电线路故障定位方法研究的不足,提出了一种基于暂态行波的多端输电网故障定位新方法。对各检测端母线电压线模分量应用S变换,从中提取出奈奎斯特频率分量单频率行波的幅-时变化特性,幅值最大值对应的时刻即为行波波首的到达时刻。采用该频率分量对应的行波波速作为计算用波速,解决了波速不确定的问题。将多端输电网看作含有一条干路和若干支路的集合,形成从支路到干路逐一排除的故障定段方案。最后,依定段结果与双端测距原理计算出故障点准确位置。仿真分析结果表明,定位精确、可靠,算法抗噪性及适应性强。     

基于最优组合赋权改进S变换的电压暂降检测方法

电压暂降是电能质量问题的一种,为了能更准确快速地对电压暂降进行检测分析,文章提出了一种基于改进S变换的电压暂降信号检测方法,利用基频幅值差分平方向量检测电压暂降信号的起止时刻,通过定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个指标得到其与改进S变换高斯窗调节因子的关系曲线,应用最优组合赋权法对该五项指标进行赋权,从而得到S变换的最优参数。仿真结果表明,通过文中提出的方法易于得到基频幅值差分平方向量曲线以及突变点曲线,从而更准确地定位暂降发生的起止时刻;相位跳变曲线能够更好地反映电压暂降的相位跳变情况;基频幅值曲线能够更准确地检测出电压暂降的暂降深度;时间幅值平方和均值曲线能更精确地反映电压暂降发生的起止位置。     

基于广义S变换的地震波能量衰减分析

通过S变换、广义S变换、短时Fourier变换和连续小波变换等地震信号时频分析方法的比较，阐明广义S变换的高分辨率性质，模型数据试算表明算法的正确和有效性。给出基于广义S变换的波场能量——频率估算技术，提取瞬时等效吸收系数。二维实际地震数据试算表明，方法可行，可用于油气检测的研究。     

基于 S 变换和 PSO-GRNN 的柔性直流输电线路故障测距方法

针对现有柔性直流输电线路接地故障的神经网络故障测距算法中,训练样本过多、训练时间较长、且未对鲁棒性提出有效验证的问题,提出一种基于S变换和粒子群(PSO)算法优化广义神经网络(GRNN)的线路故障测距算法。从故障行波能量谱的角度出发,采用S变换提取故障暂态电压信号能量谱,然后对表征各频率区间的能量进行求和,以实现对能量特征样本的准确提取;再将归一化处理后的能量样本输入神经网络进行训练,并采用PSO算法对GRNN的光滑因子进行优化,以提高网络收敛速度和训练精度。最后,通过电磁暂态仿真证明该方法定位精度高,不易受过渡电阻影响,在输入样本存在测量误差以及外界噪声干扰的情况下,最大误差仍低于1.5%,具有一定的工程运用价值。     

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。     

改进 S 变换谱估计的动态手势肌电特征处理

手语是各种手势动态变化的一种复杂运动模式,手势特征处理效果直接关系到手语识别的准确性。本文提出一种基于改进S变换谱估计的动态手势肌电特征处理新方法。对采集的表面肌电信号进行S变换,引入优化因子调节时频分辨率并生成改进S变换谱;定义谱的时间和频率分量为二维随机变量,以改进S变换谱元素为二维随机变量样本,通过高斯核密度估计得到二维核密度函数。仿真和实验均表明,改进S变换谱估计方法有效抑制了白噪声,并使动态手势的肌电暂态突变特征得到加强。与经验模态分解、自排序熵、奇异值排序熵等方法对比,基于该方法的动态手势识别率分别提高了10.0%、6.67%和11.67%,特征处理方法的效果明显。     

脉冲噪声环境下机械故障信号的盲分离

针对振动传感器在采集故障信号时,在α稳定分布脉冲噪声的干扰下,使得传统机械故障信号时频盲源分离算法性能退化的问题,提出了一种基于分数低阶和S时频变换的盲源分离新方法。该方法先对传感器测试信号进行分数低阶子空间预白化,再计算低阶化信号的S变换时频分布,最后通过联合近似对角化恢复各个部分的故障源信号。通过计算机仿真实例分析表明,该算法能有效抑制脉冲噪声影响,避免了二阶矩或高阶矩无穷大的缺限,盲源分离效果较好,具有良好的鲁棒性。     

基于决策树和支持向量机的电能质量扰动识别

提出一种新型电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform,FFT)结合动态测度法提取3种特征以及S变换提取4种特征;采用决策树和支持向量机(support vector machine,SVM)设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先将扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类;决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随信噪比(signal-to-noise ratio,SNR)变化难以确定的问题。仿真实验表明,该方法能够准确识别包含2种复合扰动在内的11种电能质量扰动信号,SNR低至20 dB时准确率仍达到96.50%;且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。