交流电参数的卷积窗加权测量及其单片机实现

分析了交流电电压、电流以及功率等均值参数的采样法测量理论,给出了不引入测量误差的条件。分析了非同步采样导致交流电参数测量误差的原因以及采用窗函数加权抑制测量误差的机理。重点给出了非同步频偏很小时抑制误差最有效的矩形互卷积窗及误差公式。针对实际中模数转换(ADC)电路的输入信号中存在直流分量,导出了适用于单片机直接实现交流电参数测量的卷积窗加权算法的系列公式。通过仿真实验测试了单片机执行卷积窗加权算法的机器周期数与时长。结果表明采用STM32单片机仅需利用采样周期的很小一部分时间即可完成2阶卷积窗加权算法交流电参数测量中1个采样点的计算,算法具有很高的时效性。     

互相关改进法高精度测量电信号效果研究

为克服通过采样法测量电信号时由于噪声干扰造成的误差问题,基于传统的互相关法,提出了一种改进的互相关去噪法。该方法具有充分利用采样数据及准确估计原信号振幅的性能,能很好的恢复原信号数据,获得去噪效果;当采样时长为额定周期整数倍时,该方法还能有效抑制原信号的谐波分量,并以振幅和初相变化为代价克服原信号的频率偏差,重构出具有额定频率的正弦信号。数值模拟结果验证了文中方法的正确性和有效性,并通过分析重构出的电信号有效值误差数据,表明该方法能够满足高精度测量的要求。     

一种改进的自相关函数基音检测算法

提出了一种改进的自相关函数基音检测算法:首先利用清浊音自相关函数幅度值的不同性质进行清浊音判决,然后仅对浊音段检测基音周期。在基音检测前用带通滤波、中心削波和数值滤波等方法进行预处理,去除共振峰和高频噪声的影响;在基音检测过程的后端用搜索平滑方法进行后处理,平滑掉半、倍频点和随机错误点。实验结果表明,改进算法的效果优于传统自相关算法,而且在信噪比低至5 dB时仍有良好的清浊音判决和基音检测性能。     

基于线性预测分析和差分变换的语音信号压缩感知

在压缩感知研究中,信号在不同变换下的稀疏域好坏是影响信号重构性能的重要因素。该文基于语音信号的线性预测分析(LPC),提出一种结合了LPC分析和差分变换的语音稀疏化联合变换方法,通过正交匹配追踪算法(OMP)优化算法重构语音信号,与FFT和LPC两种稀疏化方法进行了对比分析。实验表明,在压缩比大于0.4时,联合变换法重构的语音信号性能明显优于另外两种方法。也即在相同重构性能并兼顾语音质量的情况下,联合变换法具有较小的压缩比,因而具有较好的压缩性能。采用PESQ语音质量评测方法对3种稀疏化算法重构的语音进行平均意见值(MOS)对比,联合变换法也具有较好的性能。     

介质损耗因数测量的谱泄漏对消算法

提出了基于谱泄漏对消及频率自适应跟踪的算法 ,它能有效抑制电压、电流谐波及基波负频分量的谱泄漏对介损因数测量的影响。该算法的特点是 :(1)能求得电网频率实现频率跟踪 ;(2 )运算量少 ,所需的乘法次数和加法次数均约为采样点数的 4倍 ;(3)谱泄漏抑制效果好 ,可取得较高的测量精度     

一种高效的基音估计算法

分析已有的一些基音估计算法,对比其优缺点,提出一种可大大提高计算速度的高效基音估计算法.该算法是利用平均幅度差(MAMDF)法提取若干个可能峰值点,再利用计算精度较高的循环平均幅度差(CAMDF)法对这几个点进行验证,选取数值最小的点作为基音周期.由于只对几个点求CAMDF函数,因此运算量大大减小.     

基于卷积窗的电力系统谐波误差估计与数值模拟

研究卷积窗在周期信号高精度谐波分析中的应用,详细分析频谱泄漏效应对测量精度造成的影响.通过数值模拟,比较了四阶卷积窗与其它四项组合余弦窗对谐波参量反演误差的影响.理论分析和数值结果均表明:在电力系统的频偏条件下,使用四阶卷积窗可显著提高谐波参量测量精度.     

卷积窗及其在电力系统参量估计中的应用

利用矩形窗的多重卷积,导出一类新的窗函数,称其为卷积窗,并研究其在电力系统的参数估计中的应用.误差分析和数值模拟表明: 若采用k阶矩形卷积窗(矩形窗的k重卷积),各电气参量测量值的误差正比于相对频偏的k次方.在电力系统中,只需取4阶窗函数,便可将因非同步采样引起的测量误差降低到10^-7的量级,而不必采用任何同步采样措施.     

基于DDS技术的精密电力仪表校准源设计与实现

简要介绍了DDS技术的基本原理,详细阐述了如何采用单片机AT89C52研制一款高性能的电力仪表校准源,给出了系统主要硬件电路和软件设计流程.本设计结构简单,精度高,性能稳定,操作方便,拓展性好.     

一种新的联合时频分析方法

根据信号对当前时刻的联合时频分布的贡献主要源于最近出现的信号的思想，提出了一种新的联合时频分布一渐忘分布。分布表明，渐忘分布具有非负、交叉项不明显及可用FFT实现快速计算等优点，且该分布的时频局域性可方便地通过选取不同的衰减因子进行调整。通过对典型信号的应用，进一步验证了渐忘分布的良好特性。