Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

基于DOST能量相似度的有源配电网故障区间定位方法

有源配电网小电流接地系统发生单相接地短路时,通过理论分析得出单个DG接入配电网并不影响零序电流大小的结论,由此提出一种基于离散正交S变换(DOST)暂态零序电流能量相似度的故障定位方法。首先对线路上检测设备上传的暂态零序电流信号进行离散正交S变换,然后利用得到的时频矩阵中的元素计算线路区间两端检测点的能量相似度,能量相似度小于设定的阈值即为故障区间。MATLAB/Simulink仿真结果表明该方法准确有效,适用于有源配电网的故障区间定位。     

时频聚集性能优化的广义S变换

S变换是一种具有短时傅里叶变换和小波变换优点的时频分析方法,已有的一些基于能量聚集度量的优化方法集中度不高,影响了信号检测等应用中时频域局部定位的精度.为了提高S变换的时频聚集性能,提出了一种新的时频能量聚集度量方法优化广义S变换,提高了算法的时频集中度和短时傅里叶变换、S变换、广义S变换等方法实验比较,表明提出的方法能有效地提高广义S变换的能量集中度,并具有较强的抗噪声性能.     

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。     

基于ST-SVD-PCA的串联故障电弧特征提取方法

为深入研究煤矿井下串联故障电弧特征及提取方法,分别以电动机和变频器负载为研究对象,开展不同电流条件下的串联型故障电弧实验。采用S变换(ST)对回路电流进行时频域变换,求得S变换矩阵的幅值矩阵作为特征矩阵;对特征矩阵进行奇异分解(SVD),得到矩阵的奇异值;对多组奇异值组成的特征向量进行主元分析(PCA),选取累积贡献率高于95%的主元作为故障识别的特征,实现特征向量的降维;最后采用遗传算法(GA)优化的支持向量机(SVM)算法对故障电弧特征的有效性进行了测试。通过不同负载和工况条件实验,进一步验证了基于上述故障电弧特征的故障电弧识别方法的兼容性,该方法可以有效识别电机及变频器负载回路的串联故障电弧。     

基于S变换和Renyi熵的舒张期心音信号分析

冠心病的无创诊断一直是学者研究的热点,近几年基于心音的冠心病诊断方法相继被提出。该文利用时频变换中的S变换对心音信号进行时频分析,在此基础上,用Renyi熵来度量舒张期心音信号的复杂度,以获取舒张期心音特征来区分正常信号与病理信号。实验结果表明,在S变换下,舒张期心音信号的Renyi熵能很好地区分正常人和冠心病患者。