基于改进VMD去噪的Prony-GSO联合谐波检测方法

针对传统Prony谐波检测方法在噪声条件下存在局限性,文章提出了一种能够在较大噪声条件下准确进行谐波检测的方法。通过对采样信号进行自适应的VMD分解,利用平均周期能量进行噪声模态的选择并予以剔除,将剩余模态重组后得到适合Prony算法的平稳信号,然后对平稳信号进行Prony谐波分析得到初步的谐波特征信息,最后对谐波特征信息进行循环筛选与GSO寻优,得到最终的谐波与间谐波特征信息。利用该方法进行谐波检测仿真实验,仿真结果表明,该方法有效提高了Prony算法在较大噪声条件下的辨识准确度,具有自适应性,能够自动筛选真实频率成分,具有高效、精确的优点。     

基于FPGA的DSP与ARINC429总线控制器接口设计

提出了一种基于FPGA的DSP与ARINC429总线控制器的接口设计方法和电路,该设计方法也适用于DSP与串口控制器、CAN控制器等接口的扩展设计。首先,分析了TMS320C6713 EMIF与HI-8582的主要信号与时序,表明通过FPGA实现译码逻辑和时序控制就可实现TMS320C6713与HI-8582之间的通信;接着,给出了详细的硬件设计和接口逻辑设计;然后,讨论了ARINC429总线驱动软件设计;最后,通过环境试验和实际应用验证了该接口电路工作稳定可靠。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

一种电能质量扰动信号的联合去噪算法

传统的小波阈值去噪算法存在易丢弃真实信号、去噪效果差等缺点.该文提出了一种新的用于电能质量扰动事件的联合去噪算法.该算法首先通过强跟踪卡尔曼滤波的渐消因子大于1的次数,初步判定信号的扰动类型,然后对不同的扰动类型采取不同的去噪方法.对于仅含噪声的正弦信号和谐波信号用稀疏分解及快速傅里叶变换(FFT)做两次去噪;对暂升和暂降信号采用渐消因子准确地指示扰动起止时刻,将信号分段,并对每段信号用稀疏分解和FFT去噪;对含瞬态脉冲和暂态振荡的信号,采用不同的处理方法,首先通过稀疏分解得到稳态成分和暂态成分,对稳态成分的去噪方法与含噪声正弦信号的处理方法相同,对暂态成分的脉冲信号保留实际值,对振荡信号采用变分模态分解(VMD)去噪.大量的仿真计算表明,在不同的信噪比条件下,该文提出的算法均能够有效抑制各类扰动信号的噪声,显著提高了信噪比,且效果优于小波阈值去噪算法.