基于VMD与广义S变换的HVDC线路故障定位

针对高压直流输电线路故障定位中存在的输电线路长、故障概率大、测距精度不高以及故障波形含有噪声等问题,提出了VMD分解与广义S变换结合的高压直流输电线路故障测距算法。首先通过变分模态分解(Variational Model Decomposition,VMD)对含噪声的行波信号进行VMD分解,滤去噪声并获得最优模态分量。然后采用广义S变换(Generalized S-transform,GST)计算最优模态分量,生成高时间分辨率S矩阵。并选取S矩阵中的高频分量,识别该频率分量的波形突变点,从而获取故障初始行波到达时刻。最后通过测距公式获得故障距离。PSCAD/EMTDC仿真表明,所提方法受过渡电阻影响很小,不同故障距离的测距精度很高。经过现场故障行波数据的验证,可以实现在线路范围内快速准确的故障定位。     

基于VMD-TEO的输电线路故障定位方法

用于交流输电线路故障测距的小波变换故障定位方法存在精度低和自适应差的缺陷。为此,提出一种VMD-TEO算法,利用变分模态分解(variational mode decomposition, VMD)算法分解故障行波信号,通过Teager能量算子(Teager energy operator, TEO)提取分解后的高频模态分量的能量突变点,将能量峰值对应的时刻带入分布式故障测距算法,获取故障位置。算例仿真对比结果表明:VMD-TEO算法定位误差小于0.1%,小波变换法故障定位的误差约为VMD-TEO算法的10倍;VMD-TEO算法分解信号后能够有效去除噪声干扰,成功提取波头信号,大幅度提高故障定位的准确度。     

基于形态小波的输电线路故障电流行波消噪研究

高压输电线路故障产生的电流行波信号含有大量的噪声信号,在行波保护和行波故障测距中需要对其进行预处理,去除噪声并提取真实信号。利用小波变换能敏感地检测到奇异点和形态学滤波器能有效地滤除脉冲噪声且能保留原信号的全局和局部特征的优点,提出了一种基于形态小波的输电线路行波信号消噪新算法。MATLAB仿真结果表明形态小波在滤除脉冲干扰和白噪声方面具有良好的消噪能力。     

基于形态小波的输电线路故障电流行波消噪研究

高压输电线路故障产生的电流行波信号含有大量的噪声信号,在行波保护和行波故障测距中需要对其进行预处理,去除噪声并提取真实信号.利用小波变换能敏感地检测到奇异点和形态学滤波器能有效地滤除脉冲噪声且能保留原信号的全局和局部特征的优点,提出了一种基于形态小波的输电线路行波信号消噪新算法.MATLAB仿真结果表明形态小波在滤除脉冲干扰和白噪声方面具有良好的消噪能力.     

数学形态学在高压输电线路故障定位中的应用

输电线路发生故障后,采集到的信号往往带有各种噪声,有效滤除噪声对行波的干扰,提取有用的行波信号,是实现行波故障定位的关键。在比较了小波变换和数学形态学对白噪声和脉冲噪声滤除效果的基础上,结合小波变换和数学形态学各自的优点,先采用数学形态学滤除行波信号中的随机噪声和脉冲噪声,然后对故障行波电流信号进行相模变换,通过小波分解提取出故障分量发生奇异性的时间点,并采用双端测距法更准确地定位故障点。实例分析表明该方法有很高的测距精度。     

（20期已排）基于聚类经验模态分解和差分熵的输电线路故障测距研究

为提高输电线路的故障测距精度,本文提出了一种基于聚类经验模态分解(EEMD)和差分熵(DE)的输电线路故障行波测距方法。首先利用改进的差分熵信号处理方法对输电线路电流进行熵值计算,通过与正常电流熵值的对比,判断电流是否发生突变。然后采用EEMD分解对发生突变的故障电流进行处理,有效去除故障信号中的噪声,避免模态混叠,获取准确反映故障信息的IMF分量。随后对分量实行差分熵方法中的差分分析,将电流的变化幅度进行有效量化,并建立每个信号点的变化程度与时间的对应关系,从而解决波头位置难以确定的问题,获得故障初始行波到达每个监测点的准确时间。最后利用行波双端法,实现输电线路的故障测距。仿真结果表明,该方法能够较好地解决故障测距时存在的信号噪声和波头测量时间不准确的问题,有效提高故障测距的精度。     

基于VMD和S变换的多端输电线路故障定位

针对强噪声背景下行波信号提取难的现状,提出一种基于变分模态分解VMD(variational mode decomposi?tion)算法和S变换的故障行波提取法。通过对故障行波信号进行VMD分解,利用S变换分析得到故障突变点来确定故障行波达到时刻。针对行波波速和线路长度的不确定性,利用故障行波的传输过程和零线模分量,提出一种与波速无关的双端定位算法。基于故障前线路距离差值和故障后线路距离差值建立故障分支判定矩阵,提出一种适用于多端输电线路的故障定位方法,利用故障支路端的列元素计算故障位置。仿真结果验证所提方法在强噪声干扰下能有效提取行波信号,故障定位算法相比现有多端输电线路故障定位法有明显优势,进一步提高了定位精度。     

基于FastICA的输电线路行波故障测距方法

为了解决输电线路故障信号存在抵偿效应导致测距精度不足的问题,建立线性瞬时混合的线路模型。采用快速独立成分分析法(FastICA)对采集的多通道线路故障原始数据(观测信号)进行相关分析,将表征故障特征的各分量逐一提取。以能量比函数对故障分量进行求解,设定能量比阈值以定位故障时刻,实现基于行波原理的线路精确测距。大干扰条件下故障特征受噪声信号干扰,会对测距精度产生影响。对此,FastICA算法能将噪声信号从故障原始数据中分离,避免噪声对测距过程产生的影响,进一步提高测距精度。仿真实验证明:所提出的方法能有效避免噪声干扰的影响,能适应大干扰条件下的故障测距,具有较好的抗干扰性。     

计及谐波次自然频率和VMD的混合线路故障测距

基于行波自然频率的故障测距方法依赖于对主自然频率的准确提取,然而针对架空线-电缆的混合线路时,由于线路波阻抗差异且行波折返射较多,会产生混叠的自然频率频谱。为此,一方面需要有效消除频谱混叠,另一方面仅依靠单一的主自然频率进行测距,其提取结果不能得到保证。基于此,本文提出了一种考虑谐波次自然频率和使用VMD算法的混合线路测距新方法。该方法首先对行波信号进行EMD分解,利用Hurst指数筛选IMF作为VMD分解的模态参数,准确地分解了行波信号;然后引入MUSIC算法对VMD分解结果进行频谱分析,提取出故障信号主自然频率及其谐波次频率;最后利用其对应关系计算出故障距离。针对混合线路的EMTDC仿真分析,验证了该方法能够有效消除频谱混叠,并且提高了基于行波自然频率测距方法的可靠性。     

基于VMD的永磁同步电机初期匝间短路故障检测方法

在初期匝间短路故障检测中,故障特征频率的幅值很小,且易受到噪声信号的干扰,导致无法检测出故障信号。针对以上问题,提出了一种基于变分模态分解（VMD）与双对数频谱分析的永磁同步电机（PMSM）初期匝间短路故障检测方法。该方法利用VMD去除零序电压分量（ZSVC）中的噪声和相关谐波分量以突出故障特征分量。然后利用双对数频谱分析法对得到的信号进行频谱分析,通过检测频谱图中是否含有故障特征频率来判断电机匝间短路故障。通过仿真和实物试验验证了该故障检测方法的有效性。     

基于参数优化VMD和能量相似度的配电网故障区段定位方法

针对配电网发生单相接地故障时故障特征微弱且易受外界噪声干扰的问题,提出了一种基于参数优化变分模态分解(VMD)与能量相对熵相结合的故障区段定位方法。首先通过鲸鱼优化算法优化后的VMD分解故障零序电流得到若干个反映局部信号特征的本征模态分量(IMF),进而求取各IMF分量的Hilbert边际谱,选取能量最大的分量作为故障零序电流的暂态主频分量,利用能量相对熵衡量相邻检测点暂态主频分量的能量差异,计算比较,确定熵值最大的区段即为故障区段。仿真结果表明,本方法不受故障位置、故障初相角等不同故障条件的影响,且在有噪声干扰时仍可实现高正确率故障区段定位。     

基于VMD-WVD的故障行波全波形时-频分析方法

受高阻接地故障、过零点故障和高频噪声等因素的影响,行波波头检测困难,导致行波保护和故障定位方法可靠性不高.由于故障行波具有全时频特性,检测一定时间窗内时频域行波波形将包含全景故障信息,从而实现故障特征可观测.融合故障行波时频域信息,提出了基于全波形信息的故障行波表现形式.在此基础上,提出了一种基于变分模态分解(VMD)...     

基于改进VMD算法的电机局部放电信号去噪方法研究

针对高压电机局部放电(PD)在线检测中信号被高斯白噪声和窄带周期干扰淹没这一问题,应用基于改进变分模态分解（VMD）算法进行噪声滤除。为了克服常用的VMD算法可能会造成信号欠分解或过分解的问题,改用能量损失系数作为标准对分解模态数进行算法优化,优化分解后利用峭度值剔除无效模态,重构出PD信号。使用改进算法与现有方法进行了仿真数据对比,结果表明,使用改进的VMD算法可以更有效地滤除PD信号噪声。     

基于平滑阈值函数的分布式光纤雷击定位方法

分布式光纤线路经常暴露在复杂的地形条件下,长时间经受雷击等自然因素的侵害。光纤信号传输过程中伴随着扰动信号以及噪声干扰,不能准确监测到输电线路的实际运行状态,进行故障准确定位。针对分布式光纤网络雷击定位准确度不高的问题,构造了一个新的平滑阈值函数。该阈值函数整体平滑连续可导,提高了去噪后信号的质量。通过该函数对输电线路监测的温度信号进行小波去噪,得出线路的沿线分布准确温度值并对故障位置进行精准定位。仿真结果表明,平滑阈值函数相比于传统阈值函数,可以获取更优良的去噪效果,提高了传输信号的信噪比,降低了均方根误差。改善现有电力系统网络雷击故障定位检测精度的不足,提高排除线路雷击故障的精确度,减少故障定位所需的时间。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

基于WPT和参数优化的VMD谐波检测方法

针对变分模态分解(Variational Mode Decomposition, VMD)在谐波检测中易受噪声影响、分解模态个数K难以确定的问题,提出一种基于小波包降噪(WPT)和参数优化的VMD谐波检测方法。首先,对谐波信号进行WPT降噪处理,然后对降噪后的信号进行VMD预分解,根据解析分量的瞬时频率均值选取最优的K值,最后对降噪信号进行最优K值VMD分解并提取频率,用希尔伯特变换进行幅值检测。仿真结果与对比表明,该方法能够有效的选择VMD分解模态个数,减小噪声影响,且具有良好的检测精度。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。