两种相空间重构方法在重构无刷直流电动机动力系统上的对比

采用经典相空间重构方法与小波相空间重构方法,分别对不同种类的时域信号进行重构分析。从数学算例上证明了小波相空间重构方法对于区分单周期、多周期、混沌信号具有经典相空间重构方法所不具有的优势。针对深海机器人用无刷直流电动机系统的不同状态进行重构的仿真分析,证明了小波相空间重构方法在实际工程问题上的有效性。     

利用多小波的电力系统信号重构分析

以电力系统故障电压信号为原始信号,通过对不同预/后处理方法的多小波自身重构误差比较和基于不同预/后处理方法的整个多小波变换过程中的重构误差分析,详细讨论了影响多小波重构精度的因素。通过对不同预/后处理方法的多小波分解结果的对比,以及对不同类型信号的多小波与传统小波的重构误差的详细比较和讨论,认为多小波比传统小波更适合于对信号的精确重构,适合用于对电力系统暂态故障信号的处理。     

利用多小波的电力系统信号重构分析

以电力系统故障电压信号为原始信号,通过对不同预/后处理方法的多小波自身重构误差比较和基于不同预/后处理方法的整个多小波变换过程中的重构误差分析,详细讨论了影响多小波重构精度的因素.通过对不同预/后处理方法的多小波分解结果的对比,以及对不同类型信号的多小波与传统小波的重构误差的详细比较和讨论,认为多小波比传统小波更适合于对信号的精确重构,适合用于对电力系统暂态故障信号的处理.     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

一维时间序列重构无刷直流电动机混沌吸引子特征

基于相空间重构原理,针对无刷直流电动机的混沌模型,运用一维时间序列在高维情形下对低维混沌吸引子进行重构,重构后的方程具有和原动力方程相同的动力学特性,并通过基于混沌优化算法的改进方法对重构前后方程的lyapunov指数进行比较,并通过与小波变换后的相图比较证明了重构方法的实用性.结果表明:采用的重构方法是有效的,与前人的方法比较具有简单、快速的特点,为进一步研究混沌预测和混沌控制提供了基础条件.     

基于C-C算法的混沌吸引子的相空间重构技术

基于混沌理论可以检测心率失常、分析脑电变化,发现复杂信号的特性.相空间重构是进行混沌分析,从几何和信息论角度计算混沌特性的必要步骤.相空间重构是有效的展现混沌吸引子动力学特性的一种方法.该方法要构造一个非线性时间序列的嵌入,选择合适的时间延迟.C-C算法结合了自相关函数和互信息方法的优点,既能有效减少计算量,又能保持系统的非线性特征.本文运用C-C算法进行相空间重建,考察通过C-C算法获得的最优延迟函数.在理论分析的基础上,本文将C-C算法实际应用于洛仑兹吸引子和一组实测心电信号的相空间重构,说明相空间重构的原理与使用.经过相空间重构,可以为进一步的混沌信号分析提供关键的嵌入维数和延迟时间等参数.     

基于相空间重构和迁移学习的配电网高阻接地故障检测

配电网中高阻接地故障(High Impedance Fault, HIF)时常发生,其故障特征微弱而难以检测,严重情况下可能导致火灾或人身事故。提出了一种基于相空间重构和迁移学习的故障识别方法,实现对谐振接地系统中HIF的辨识。首先,使用基于综合策略的小波阈值降噪方法对零序电流信号进行处理,以降低噪声的影响。随后,对降噪后的仿真信号及实测信号进行相空间重构,获取重构轨迹图,以此作为故障识别的特征量。最后,在辨识模型构建上,先使用仿真信号的重构轨迹图训练GoogLeNet模型,再使用实测信号对模型进行微调,实现迁移学习。所提算法的优点是使用相空间重构进行了信号转换,故障信号与干扰信号的重构轨迹图差异明显,且实测信号与仿真信号的重构轨迹图相似度较高。在进行迁移学习后,实现了对实测小样本数据较为准确的检测。实验结果表明,无论是故障实测数据还是故障仿真数据,识别准确率均达到95%以上。此外,在强噪声干扰、采样数据点缺失及故障回路间歇性导通情况下,所提算法也取得了较好的结果。     

实测铁磁谐振过电压相空间重构及非线性特征量提取

铁磁谐振是电力系统中常见的一种非线性现象,现场实测数据表明电力系统中存在准周期铁磁谐振过电压,且某些分频铁磁谐振与准周期铁磁谐振过电压难以区分。为了能够提出一种有效的铁磁谐振过电压特征量,文中对某变电长达5年的实测铁磁谐振过电压进行了全面分析,采用相空间重构算法获得电压时间序列对应的铁磁谐振重构相空间,再以重构相空间为基础,提出二维重构吸引子的平均灰度的计算方法,用来定量表征铁磁谐振过电压非线性,结果表明不同类型铁磁谐振过电压的二维重构吸引子的平均灰度具有明显的差异,能够直接识别分频谐振和准周期谐振,亦能辅助识别其他类型的实测铁磁谐振过电压。     

电厂开关柜局部放电振动信号降噪方法研究

针对电厂开关柜运行环境复杂,振动干扰较强,又需要保留振动干扰、分析振动干扰特征的问题,将基于相空间重构的ICA降噪方法应用到电厂开关柜局放振动信号中,进行信噪分离。首先依据相空间重构,在不破坏信号本身动力学特征的情况下构造高维相空间矩阵。然后利用独立分量分析方法进行信噪分离,提取有用振动信号。仿真信号和实际检测数据的应用表明,所提方法与小波法降噪能力相当,甚至更优;且不需要考虑最优小波基和最佳分解层数,自适应强,易于实现;且适用于电厂开关柜局放振动信号降噪。     

复杂混沌背景中弱谐波信号检测研究

弱谐波信号通常湮没在电力噪声与混沌噪声合成的复杂混沌背景中,考虑到此前纯净混沌背景检测方法的不足,该文提出了新的混沌检测方法.根据Takens定理中嵌入空间吸引子不变性,提出基于相空间重构理论的交替迭代神经网络预测算法和相应的弱电量信号检测及恢复模型,并进行了复杂混沌背景中微弱正弦信号检测验证.首先,依据重构原则,在原始相空间中进行非线性映射拟合,对混沌背景建模然后利用输出结果进行相空间重构,掌握原始相空间和嵌入相空间的近似演化规律;最终达到提取待测信号的目的.理论与数值仿真实验表明,该文方法应用于复杂混沌背景中弱谐波信号的检测具有比以往方法更简洁、更灵敏、收敛速度更快的优点,同时也证明了该方法应用于电力系统小信号分析领域的实用性.     

基于相空间重构的电压缺口检测及特征参数辨识

电压缺口是由静电放电、电力电子设备换相等引起的电网电压周期性扰动。电压缺口扰动的频率非常高,用常规信号分析方法很难准确检出。该文提出一种利用相空间重构理论对电压缺口进行检测和特征参数辨识的方法。利用坐标延迟法重构吸引子,采用互信息函数法确定最优时延,通过计算序列的关联维数确定最佳嵌入维。电压缺口信号重构相空间后的相轨迹被分为常规和扰动两部分,据此对电压缺口进行检测并提取出缺口发生角度、宽度、均方根深度和最大深度等特征参量。仿真结果表明提出的方法可准确检测电压缺口并实现特征参数的有效辨识,并将所提方法与小波变换检测方法进行对比。该文所提方法避免了传统方法运算量大、难以进行实时分析的缺点。     

基于相空间重构的高压断路器振动信号特征分析

在高压断路器运行和操作过程中,其振动信号包含了最丰富的关于操纵机构、机械连接和灭弧室内的触头动作信息,有效的信号处理方法和特征提取手段能够将这些信息反映出来,作为诊断及检修的判据。以提取诊断及检修判据为目的,将相空间重构的方法应用于高压断路器的振动信号处理,从一个新的角度对信号进行了分析,提取信号特征并加以整理。通过对相空间重构获得的相空间图直观定性分析,并进一步利用求解振动信号的关联维数的方法定量判断,提出了一种分辨断路器机械机构运行状态的方法。通过对几种工况下高压断路器的振动信号的处理,结合对各种条件下获得的振动信号的关联维数变化规律的分析,证明了该方法提取的关联维数判据能够有效分辨断路器操动机构的正常与异常状态。这表明该判据可以充当分辨断路器操动机构的工作状态是否异常的重要依据,通过与其他故障诊断方法相结合,具有一定的应用前景。     

基于小波包分解与重构算法的谐波电能计量

为实现复杂工业现场的电能准确计量,提出了基于小波包分解与重构算法的谐波电能计量方法,介绍了小波包的分解与重构算法和基于该算法的谐波信号提取方法,给出了谐波功率计算式与谐波电能计量原理;利用db42小波函数进行谐波电能计量仿真分析,仿真信号的基波频率为50Hz,采用2层小波包变换,取40个基波周期内的仿真输入信号,采样频率fs为800Hz,稳态、非稳态谐波有功电能与谐波无功电能计量仿真实验结果证明了算法的可行性与准确性;在此基础上研制的基于虚拟仪器技术的三相谐波电能计量装置实现了各次谐波有功电能、无功电能计量,准确度达0.2S级,符合GB/T14549—1993的A类标准要求。     

基于单子带重构改进小波变换的电力系统谐波检测方法

Mallat快速离散小波变换注重总体抗混叠和信号重建,忽略分解分量中的频率混叠抑制,在电力系统谐波检测中产生严重的频率混叠现象.虽然单子带重构小波变换提高了频率分辨率,但是分析结果仍存在一定程度的频率混叠.单子带重构改进小波变换算法,对信号进行分解与重构时,利用快速傅里叶变换(FFT)和快速傅里叶逆变换(IFFT)对各子带信号进行处理.该方法可以克服传统小波变换算法存在频率混叠现象的固有缺陷,仿真计算结果证明了该方法的有效性,为电力系统谐波、间谐波和时变谐波分量的精确检测提供了一种有效手段.     

语音信号相空间重构中时间延迟的选择方法

本文阐述了时间延迟对重构相空间轨迹的影响,介绍了选择时间延迟的主要方法,详细分析了基于相空间扩展准则的平均位移法选择时间延迟的原理.通过分析相空间扩展的几何意义,针对平均位移法存在的缺点,计算相空间矢量偏离相空间主对角线和辅对角线的距离相结合的新位移度量,并以此位移度量为依据确定最佳延迟时间.应用于语音信号相空间重构的实验表明,改进的平均位移法具有更明确的物理意义,可以更好地选择时间延迟.     

基于经验模态分解和固有模态函数重构的局部放电去噪方法

为了提取局部放电信号的特征,提出一种基于经验模态分解(EMD)和固有模态函数(IMF)重构算法的局部放电噪声抑制方法.首先对含有噪声的局部放电信号进行经验模态分解,得到含特征频率的固有模态函数,然后对所得的固有模态函数分量进行自适应阈值处理后重构,从而抑制噪声干扰.相比于常规的小波去噪算法,该方法具有自适应性强,不受小波函数和最佳小波分解层数选取的限制等优点,而且实现了阈值和固有模态函数阈值处理层数的自动选取.分别以仿真信号和实际信号为例,证明了该方法的有效性.     

基于相空间重构和卷积神经网络的电能质量扰动分类

为了提高电能质量扰动信号分类的准确率,首先利用相空间重构将一维时间序列电能质量扰动信号重构到多维相空间,获得扰动信号轨迹并投影到二维相平面,形成二维轨迹图像。然后对该图像进行二值化处理,减少信号的数据量,凸显轨迹轮廓。最后通过卷积神经网络对处理后的轨迹图像进行特征提取,并对相应的扰动信号进行分类识别。在卷积神经网络框架Caffe下进行仿真实验,仿真结果表明该方法具有很高的识别准确率和良好的抗噪能力。     

日高峰电力负荷预测方法的应用研究

文章探索了小波分解、混沌时间序列相空间重构和Volterra自适应滤波器在电力日高峰负荷预测方面的应用.利用小波多分辨率分析的特点,对实际日高峰负荷数据序列进行小波分解,分别对每一个小波尺度进行相空间重构,并利用Volterra滤波器进行多步预测,最后将小波尺度空间进行重构得到预测结果.     

基于小波包算法的电机故障信号的压缩和重构

提出了基于小波包改进算法的电机故障信号压缩和重构方法,取定误差限后,通过选择分解阶数自动优化调节每个节点的阈值来获得尽可能大的压缩比。分析了小波包分解尺度空间系数V1不压缩和压缩2种方案,以及小波包完全分解和基于熵值的最优分解下各压缩指标随尺度的变化情况,并比较了不同小波的压缩效果。分析结果表明,提出的方法在获得较大压缩比的同时又能不失真地重构原信号,并有效地减少小波包分解和重构的计算量,是一种有效的电机故障信号和压缩和重构方法。     

基于隐马尔科夫树模型的小波域压缩采样信号重构方法

压缩传感理论利用信号的稀疏性,对其非自适应线性投影进行压缩采样,通过最优化问题准确重构原始信号。传统重构算法仅利用了信号的稀疏性,而未对转换后的信号结构进行分析。提出了一种基于4状态的隐马尔科夫树模型的小波域压缩采样信号的重构方法,相对2状态的隐马尔科夫树模型,该模型能够获取相邻尺度小波系数的更多相关特性,通过仿真结果表明,该算法具有更高的重构精度。