次同步振荡的频率切片小波变换检测方法

针对现有的电力系统次同步振荡的检测方法存在对噪声敏感、振荡的特征和变化趋势难以获得的局限性,提出将频率切片小波变换(FSWT)方法应用于次同步振荡的分析和参数辨识。FSWT方法自由切割时频面,实现信号频率区间的灵活分割,可以实现对次同步振荡信号的总体和细化分析。首先,采用FSWT方法对含噪的次同步振荡信号进行总体时频分析,得到其时频能量分布。根据时频能量分布,可以预判是否发生次同步振荡、确定模态分量的数量及其频率分布区间。然后,合理选择频率切片区间,进行细化特征分析,通过对信号特征频率切片区间信号的重构,实现了次同步振荡的模态分量的分离及提取。最后,结合Hilbert变换获得高准确度的次同步振荡模态参数。     

应用于电力谐波分析的改进相位差校正法

传统的相位差校正法在应用于电力谐波测量时,由于频谱泄漏问题的存在,在窗函数的旁瓣衰减速度较慢时存在较大误差,而校正过程对频域解析式的依赖又限制了窗函数的选用。采用一种基于汉宁窗的改进相位差校正法,其原理是对非同步采样序列的加窗快速傅里叶变换结果进行多项式变换,再依据变换所得的新频谱序列进行谐波参数的校正。将该方法和其他常用方法进行数值仿真对比,在基频随机变化的情况下进行10 000次仿真计算得到其标准误差,并缩短采样窗长以探究其实时性。结果表明,改进相位差校正法较其他常用方法有更高的精度;当基频在47~53 Hz范围内随机变化时,高次谐波的测量精度达到10-5次;在100 ms的采样窗长下,也能满足IEC 61000—4—7标准的精度要求。在兼顾计算精度的同时,该文校正公式由汉宁窗解析式推导得到,简便明了,所提方法是一种有实用价值的谐波参数检测算法。     

基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类

针对现有局部放电(PD)信号特征提取方法存在的不足,提出一种基于变分模态分解(VMD)和Hilbert变换(Hilbert-VMD)的特征提取方法,并提出一种双阈值筛选法来确定VMD算法中的分解模态数。首先,根据PD信号功率谱,采用双阈值筛选法确定VMD算法中的分解模态数;其次,采用VMD算法对PD信号进行分解,得到数个有限带宽的固有模态分量(BLIMFs);然后,对各模态分量进行Hilbert变换并线性叠加后得到PD信号的Hilbert时频谱,并计算各模态分量的边际谱;最后,根据各模态分量的边际谱提取PD信号频域内的特征量,并用支持向量机(SVM)对所提取的特征量进行分类。实验结果表明,对试验环境下和现场实测两种环境下的PD信号,采用该文方法提取得到的特征量均具有较高的正确识别率,充分说明该特征提取方法可以有效提取PD信号特征。对于噪声较大的实测信号,采用该方法得到的正确识别率并未明显降低,说明该方法具有较好的噪声鲁棒性。此外,该文所提Hilbert-VMD方法也为PD信号提供了一种新的时频分析方法。     

一种基于ADV212图像压缩的方法

高效的硬件图像压缩系统可以有效的减少图像数据的冗余度,在分析专用编解码芯片ADV212的基础上,设计了一种现场可编程门阵列(FPGA)组合ADV212的图像压缩系统,实现对720×288的静态图像进行JPEG2000压缩.FPGA用来实现时序控制和数据转换,ADV212则进行图像的压缩.本次实验主要是改变图像压缩倍数及小波变换级数,并采用峰值信噪比(peak signal to noise ratio,PSNR)和均方误差(mean squared error,MSE)两个参数来衡量压缩图像的质量.实验结果表明,该系统可实现图像的有效压缩,并且压缩倍数越大图像失真越严重,小波变换级数在3级以上时图像质量较好.     

基于磁链重构的永磁同步电机分布参数模型

针对基于电感的永磁同步电机(PMSM)线性集中参数模型无法描述电机磁路饱和、反电动势非正弦等非理想特性的问题,提出一种基于磁链重构的PMSM分布参数模型,并进行了仿真和试验验证。首先通过有限元分析(FEA)获取电机不同工作点下的磁链,其次利用傅里叶级数展开和多项式拟合方法对磁链进行重构,再根据重构的磁链建立起PMSM分布参数模型,并进行了仿真和试验验证。仿真和试验结果表明,模型能准确描述PMSM在不同工况下的非线性特性。     

基于自适应采样序列长度的全相位DFT同期并网参数测量

光储微网是一种典型的微网结构,没有旋转调节系统,并网要求高,传统的准同期并网策略不足以满足其并网要求。考虑分布式电源的随机性和负荷波动性的特点,提出了自适应采样序列长度的全相位离散傅里叶变换(DFT)算法测量分布式电源和微网公共连接点(PCC)处电压信号的频率、幅值和相位作为同期并网参数。根据全相位DFT双谱线校正原理推导出基于汉宁窗的双窗全相位DFT的基波信号频率、幅值和相位的计算公式。通过仿真验证了算法在谐波含量丰富、基波频率随机波动,以及噪声干扰的环境下能够快速测量出PCC处两侧的电压参数,并依然具有较高的精度,适用于光储微网的同期并网的电压参数测量。     

基于小波神经网络的风力发电系统暂态电能质量分析

结合当前风力发电大规模发展、风电系统大规模并网的趋势,针对风电系统并网所存在的暂态电能质量问题,将广泛运用于信号处理的同神经网络相结合,构造了小波神经网络,详细的分析了小波变换和神经网络的基本原理,给出了小波神经网络的拓扑结构图及风电系统暂态电能质量的仿真。仿真结果表明,小波神经网络可以有效的对暂态故障进行检测、时间定位及预测,和其它控制方式相结合可以改善暂态电能质量。     

风力发电机组故障振动信号特征向量的提取

为了准确分析风力发电机组故障的振动特性,给出了基于多种函数变换方式的振动信号特征向量提取方法.运用EMT690D机械设备故障诊断系统对模拟直驱风力发电机组故障振动信号进行提取.利用傅立叶变换、小波变换和小波包变换分别对振动信号进行分析,提出了不同类型的提取振动信号特征向量的方法,通过变换得到了数组故障振动信号的特征向量.结果表明这三种变换方式各有优势,能够从不同的角度分析振动信号.     

基于R-R相关预测的心电图压缩算法

本文提出了一种利用相邻QRS波的相关性进行最小均方差预测的心电图压缩算法.压缩算法由QRS波识别、R-R相关预测、整数小波变换、标量量化、游长编码、算术编码等六部分组成.用MIT-BIH心率数据库的样本数据对提出的算法进行测试,结果表明提出的算法是有效的,在得到高压缩比的同时仍能保持低的信息失真度.     

基于S变换和希尔伯特-黄变换的电能质量复合扰动分类识别

根据S变换和希尔伯特-黄变换的时频分析特点,提出一种电能质量复合扰动的分类识别方法。通过 S变换提取出扰动信号的基频和高频特征,并结合希尔伯特-黄变换提取出扰动前后信号的瞬时振幅。通过分析各扰动信号的特点,定义了相应的特征函数作为分类识别的判据,从而实现对电能质量复合扰动的正确分类,并准确定位出暂态扰动的起始、终止时刻。实验结果表明,通过 S 变换和希尔伯特-黄变换的融合,可准确地检测出电能质量扰动信号所属类别和扰动特性,以及扰动信号的起始、终止时刻。