基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究

该文提出了一种分析高压断路器合闸同期性的新方法将小波包提取算法和短时能量分析方法相结合，利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中，并对代表高频冲击信号的分解系数进行重构，然后运用短时能量分析方法对重构后的信号进行分析，辨识出合闸变位点。通过对三相合闸过程的分析，得出三相同期性。通过MATLAB仿真分析和实验结果验证了该方法的有效性。     

基于小波包分解的断路器振动信号能量谱和能量熵分析

为了获取断路器在多次分合闸动作机械性能劣化过程中振动信号的差异,基于小波包分解理论,提取SF₆断路器在分合闸动作4 000次过程中的振动信号,并进行小波包分解,计算各个节点的能量谱和能量熵。计算结果表明,在合闸与分闸过程振动信号能量谱中,能量主要分布在节点(4,0)与节点(4,1),占比达到95%。随着断路器动作次数增加,分闸振动信号节点(4,0)的能量占比增加,节点(4,1)能量占比减少,能量分布向低频转移。合闸振动信号节点(4,0)与节点(4,1)的能量比均在一定范围内波动,未呈现出明显的变化趋势,合闸振动信号与分闸振动信号各个节点的小波包-能量熵均保持不变。     

基于振动信号特征的高压断路器机械故障诊断技术研究

以ZW-32型永磁机构断路器为研究对象,搭建了断路器动作时振动信号监测平台,采集了操动机构常见故障状态下的振动数据。利用小波包—特征熵提取了振动信号特征值,并建立了基于相关向量机原理的操动机构故障诊断模型,实现了对断路器振动状态的在线监测及故障类型的智能辨别。试验结果表明,该方法具有较高的故障识别能力,对实现断路器机械状态的在线监测与故障诊断有一定的工程实用价值。     

小波包-能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包-能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断.小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点.仿真结果表明,小波包-能量谱用于高压断路器机械故障诊断中是行之有效的.     

小波包–能量谱在高压断路器机械故障诊断中的应用

文章提出了一种利用小波包变换对高压断路器振动信号进行处理的新方法,应用小波包–能量谱分析得到各尺度上的能量百分比作为特征参量对高压断路器进行故障诊断。小波包变换能将已知信号按任意时频分辨率分解到更加精细频带,且提高了信号处理的频率分辨率,小波包正交分解后的信号具有各频带信号独立、能量守衡的特点。仿真结果表明,小波包–能量谱用于高压断路器机械故障诊断中是行之有效的。     

基于LabVIEW的断路器振动信号监测系统

随着供电系统智能化程度和可靠性要求的提高,迫切需要对断路器运行状态进行实时监测、预报,并为排除故障提供方法和决策。从监测系统的功能需求出发,介绍了基于DSP和LabVIEW的断路器振动信号监测系统总体结构、数据采集单元硬件系统及软件系统。叙述了利用小波变换本身对信号奇异点十分敏感的特点,对振动信号进行跟踪和提取信号特征量进行信号分析处理的方法。在虚拟仪器LabVIEW平台上,基于小波变换算法的VI程序,对采集的信号进行实时分析和处理,从而对断路器的机械状态进行监测和诊断。     

振动信号小波包特征熵的时变与频变特性分析

为了更好的反应高压断路器的机械振动状态,介绍了一种基于小波包分解的断路器振动信号特征提取新方法。将正常状态标准信号3层小波包分解后提取第3层各节点重构信号的包络,利用能量均等的原则将各包络分成15段并提取各分段时间点并利用正常状态标准信号所得包络的分段时间点分段测试信号的对应节点包络,再利用熵原理计算各节点熵,组合后形成小波包特征熵向量用于断路器故障诊断。利用实际信号分别模拟时变和频变信号测试所得向量变化特性的仿真结果表明:无论在时变还是频变情况下,该方法所提取的振动信号特征向量都可以以不同的变化特性直观、明显地反映信号的变化。     

基于小波包能量熵的变压器振动信号特征研究

利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,最后根据该能量熵值来对变压器绕组进行故障诊断。试验结果表明,该方法能够突显变压器绕组的故障特征信息,为变压器绕组的早期故障的诊断奠定了坚实的基础。     

基于小波神经网络和特征熵的高压断路器故障诊断研究

作为电力系统的一种重要设备,高压断路器的故障诊断一直是研究中的重点。针对传统神经网络收敛速度慢,容易陷入局部极小等不足,提出了一种基于小波神经网络的高压断路器故障诊断方法。首先利用特征熵方法提取振动信号的特征值,然后利用小波神经网络进行分类识别。同时还给出了一种小波神经网络的改进方法,提高了其收敛速度。实验结果表明,相比较于传统神经网络,改进的小波神经网络训练速度更快,分类准确率更高,对于高压断路器的故障诊断效果更佳。     

基于振动信号的高压断路器螺栓松动故障诊断研究

断路器在电力系统中肩负着控制和保护的重要任务,加强对断路器机械系统潜伏性故障诊断研究,对提高断路器在运行中的可靠性具有重要意义。文中以ZN98型真空断路器为研究对象,依据其振动强度建立了一套高压断路器振动加速度测试系统,基于MATLAB小波包频带能量分解算法提取故障诊断特征量。以紧固螺栓松动的潜伏性故障为例,分析了不同频段的振动信号能量图谱,提出了一套高压断路器弹簧操动机构螺栓松动潜伏性故障的诊断方法。研究表明,设置单个紧固螺栓故障时,传感器测试位置距离故障螺栓越近所得的特征量阈值越大,应选取特征量阈值的最小值作为测试位置的故障诊断判据;相较于断路器的分闸过程,合闸过程的特征量阈值更能明显准确地反映断路器的机械状态。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

基于小波包能量熵和BP神经网络的孤岛检测法

非计划性孤岛会对电网造成严重的冲击以及人身伤害,实现孤岛检测必须准确快速。针对目前的基于信号处理的孤岛检测技术,提出了小波包能量熵和BP神经网络的孤岛检测法。通过小波包变换分解重构公共点电压与逆变器输出电流,得到重构序列,对其进行熵运算,得到更稳定,且更具有代表性的特征向量,可以更有效地区分孤岛发生前后的能量分布。通过BP神经网络对孤岛进行判断,实现了孤岛检测。通过MATLAB/Simulink仿真,表明了此方法的有效性,并且响应速度非常快,未引入扰动,故不会产生电能质量的问题,其稳定性高,检测盲区小。     

基于小波神经网络的电力电子电路故障模式识别

提出了基于两种不同小波神经网络的电力电子电路故障模式识别方法。针对电力电子电路故障,构造了激活函数型和权值型两种不同的三层小波神经网络,给出了相应的数学模型和学习算法。以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路故障的模式识别,并与用普通BP网络识别的结果进行了比较。仿真结果验证了两种故障识别方法的正确性和较好的准确性。     

基于小波变换与BP网络的舰船磁场信号检测

针对水中兵器探测舰船磁场信号时信噪比较低的问题,提出了一种小波变换结合反向传播(backpropagation,BP)神经网络的检测方法.根据舰船磁场信号的时频特征,首先对信号进行小波分解,提取最后一层的低频分量,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取舰船目标特征信号.将此算法应用于船模实测实验,结果...     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。     

基于多小波包和人工神经网络的电力系统故障类型识别

采用PSCAD/EMTDC仿真500 kV高压输电线路不同工况下的故障.先对采集到的故障电流信号进行适当的多小波包分解,并计算各频带的能量,然后构造信号的多小波包特征向量,并以此向量作为训练样本对BP神经网络进行训练,当输电线路发生故障时,将提取的故障电流信号的多小波包能量特征向量输入训练好的BP神经网络,即可实现故障类型的识别.仿真结果表明采用多小波包提取的故障电流特征量比采用传统小渡包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势.     

基于小波和神经网络的电能质量辨识方法

本文提出一种新的基于小波和神经网络技术的电能质量辨识方法。对各种电能质量信号进行时域、频域和幅值分析,并从小波变换结果中提取与信号时域、频域和幅值量相关的几个特征量来表征不同电能质量信号。将这些特征量作为神经网络的输入可以实现电能质量的辨识。计算结果表明该方法的有效性和准确性。     

基于小波变换和LMD算法的变压器振动信号分析

为了提取变压器铁心振动信号的有效特征,本文提出了一种小波变换和局域均值分解相结合的新算法.该方法运用meyer小波对变压器铁心振动信号进行消噪,然后运用局域均值算法(LMD),将其自适应地分解为一系列单分量调幅-调频信号(PF),从而揭示了正常运行和发生故障的铁心振动特征.仿真表明:该算法在低信噪比时(10dB)仍能对振动信号进行正确分解,具有较强的抗噪性能;与EMD分解相比,端点效应小,不会出现虚假分量,更适合应用于处理调幅-调频非平稳振动信号,算法简单有效.     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.