一种改善EMD端点效应的新方法及其在谐波分析中的应用

为了改善经验模态分解(EMD)过程中产生的端点效应,本文提出一种基于支持向量机和镜像延拓相结合的新方法对短时间序列进行延拓.首先应用支持向量机(SVM)对原始信号两端分别延拓一个极大值和一个极小值,再用带镜像延拓程序的EMD方法对延拓后的信号进行边分解边延拓,逐渐抛弃受"污染"的点,得到具有原始信号长度的固有模态函数(IMF).本文将该方法应用于电力系统的谐波分析中,仿真结果表明该方法能有效抑制EMD方法的端点效应,可以得到效果更好的单分量谐波信号.     

经验模态分解端点波形延拓改进方法研究

为提高经验模态分解(EMD)的分解精度,针对分解过程中存在的端点效应问题,在对已有波形匹配延拓方法改进的基础上,提出了一种改进后的基于端点波形匹配的经验模态分解方法。通过对齿轮裂纹故障模拟试验结果分析表明,当齿轮转速为600r/min时,5 120个实验数据分解时间约为1.2 s,所得第6个IMF分量的幅值谱峰值频率为10 Hz,对应着系统的回转频率。第2个IMF分量的峰值频率为550 Hz,对应着系统的啮合频率。所提出的方法能够分解出齿轮系统的特征分量,具有较高的分解精度和计算效率。     

基于改进Hilbert-Huang变换的谐波检测新方法

指出准确、实时地对进行谐波检测是谐波治理的重要前提。提出了采用改进HHT对电力系统的谐波信号进行检测,该方法提出采用支持向量回归机与镜像延拓相结合对经验模态分解过程中出现的端点效应进行改进,从而使得到的瞬时频率和瞬时幅值具有了物理意义。     

一种基于改进EMD端点效应的电能质量分析新方法

针对经验模态分解（EMD）中存在的端点效应问题,提出一种基于极值点对称延拓的新方法来对短时信号序列进行端点处理.通过对信号序列边界处的相邻两个极大值、极小值点的连接,比较其在边界对应值与端点值的大小,按照包络原则选取其一作为边界处的极大值或极小值,然后进行EMD分解.将该方法应用于电力系统的谐波模态辨识,仿真结果表明其能够有效改善EMD端点效应,准确辨识出信号所含的多种谐波模式.     

基于EMD近似熵和SVM的电力线路故障类型识别

提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点.     

EMD信号分析方法端点问题的处理

经验模态分解（EMD）是一种新的处理非线性、非平稳的数据分析方法，但是在利用样条插值获得上下包络过程中存在着棘手的端点问题。在解决该问题已有的添加极值点算法的基础上，提出了通过添加极值点和对称延拓相结合的方法抑制端点问题的思路和策略。针对一个仿真振动信号，对比分析了直接以数据端点作为极值点、多项式拟合算法、神经网络延拓算法、极值点与对称延拓相结合4种算法的效果，结果显示了所提出方法能有效地抑制端点效应。     

基于波形匹配端点延拓法优化的经验模态分解算法在铁路继电器参数降噪上的应用

针对铁路继电器参数的噪声问题,为提取其有效信息,该文建立一种基于改进波形匹配延拓法优化的经验模态分解（EMD）算法,利用自相关函数分离含噪信号,小波阈值去除噪声的混合降噪模型。首先根据继电器参数特点对波形匹配方法进行改进,重新定义匹配误差度公式,并引入匹配精度误差系数,采用改进波形匹配延拓法优化EMD分解过程产生的端点效应,得到有效的固有模态分量（IMF）和余项;然后求解其自相关函数,并根据自相关函数图像结合噪声信号特征分离出含噪分量;最后对含噪分量进行小波阈值去噪,去噪后与剩余分量和余项结合,得到重构后的参数序列。同时,提出利用结构相似性（SSIM）评价指标,结合信噪比（SNR）、方均误差（MSE）指数对模型可靠度评判。通过结果分析,并与EMD分解后重构和小波阈值去噪方法作对比,证明该模型可优化铁路继电器参数的降噪效果。     

基于边界延拓改进EMD的断路器机械故障诊断法

文中针对经验模态分解(EMD)分解结果的准确性对断路器机械故障诊断结果的影响,提出基于边界延拓的EMD和径向基(RBF)神经网络融合的断路器机械故障诊断方法:首先采用最小二乘法进行边界延拓克服EMD分解过程中的端点效应,以减少信号的拟合误差;然后采用改进的EMD分解法将断路器机械振动信号分解为有限个相互独立的IMF函数,并计算包含不同频率成分的IMF包络的能量熵值,将能量熵向量作为RBF神经网络的输入,再采用交替梯度法训练RBF神经网络模型,实现对断路器机械故障的准确诊断;实验结果说明,该方法可以有效的诊断断路器机械故障类型。     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

一种基于EMD的谐振接地系统选线新方法

针对谐波接地系统故障线路零序导纳特征不突出这一问题,提出了一种基于EMD的谐振接地系统选线新方法。该方法对各条线路的零序导纳进行EMD分解,提取出特征分量,通过比较故障线路和非故障线路特征分量的符号进行选线。大量仿真表明,该方法不受接地电阻和初始故障角的影响,能准确地选出故障线路。     

基于改进EMD与改进灰色相关度的防止变压器差动保护误动的新方法

为了有效防止变压器区外故障电流互感器(CT)饱和引起的差动保护误动以及区内故障CT饱和引起保护拒动,提出了一种基于改进经验模态分解(EMD)和改进灰色相关度的防止变压器差动保护误动的新方法。该方法主要利用了区内、区外故障时差流波形存在差异这一特点,只需定位故障发生时刻与第一个差流极值点出现时刻,将两时刻之间的差流波形进行关于坐标原点的对称变换,得到新的差流波形。之后将新的差流波形与正弦“小波”信号叠加得到合成波形,对合成波形进行改进EMD获得其第一个本征模态函数(IMF1),然后求取合成波形与其IMF1的改进灰色相关度。由于该方法仅需提取故障发生时刻与第一个差流极值点出现时刻的差流波形,且区内、外故障时的改进灰色相关度数值相差甚远,因此该方法能够保证快速、准确地对变压器区内、外故障做出识别,从而保证区外故障CT达饱和时保护不误动;区内故障时CT达饱和时,保护不拒动。PSCAD及Matlab仿真实验验证了该方法的可行性和有效性。     

基于改进EMD的发电机宽频带局放监测方法

针对传统发电机局部放电监测方法出现的放电脉冲信号衰减失真和易受噪声干扰的问题。为提高其准确性和快速性,本文采用宽频带检测技术对局放信号进行有效捕捉,并利用模态分解法提取放电脉冲信号的固有模态分量,通过对原始信号与各固有模态分量的关联性分析,根据峭度准则获取包含局部放电脉冲特征信息的有效分量,从而将干扰信号从局放信号中分解分离,准确掌握发电机实时的运行状态。结果表明：该方法信噪比相比于软阈值小波去噪提高了52.5%,均方差降低了30.7%,分别为6.75和0.04,且在波形平滑度上表现良好,同时,该方法计算时间仅8.62s,很大程度的降低了迭代次数,减少了信号分析时的迭代计算时间。有效提高了对发电机局放信号的去噪效果及采集效率。     

一种基于EMD和形态滤波的抗电磁干扰方法

导航载体上电气设备产生的电磁噪声是影响地磁测量精度的主要因素之一。针对电路设备产生的磁场噪声,提出了采用EMD-形态滤波降噪算法,较好地消除了高频交变和脉冲类磁场噪声;针对载体上多种电气设备产生的综合磁场噪声,论文采用上述提出的EMD-形态滤波降噪方法进行了降噪处理,有效地抑制了载体多种电气设备产生的交变磁场噪声及其中包含的脉冲类噪声,提高了地磁测量的精度。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于EMD与SVD的齿轮箱分形诊断方法研究

提出了一种基于经验模态分解(EMD)与奇异值分解(SVD)的机械振动系统故障分形诊断方法。该方法首先将EMD和SVD相结合,对信号进行分解和特征筛选,通过重组所得轨道矩阵,实现对机械系统振动信号不同特征信息的提取。然后利用Kolmogorov熵、多重分形等动力学分析方法,对降噪振动信号进行分形诊断。在直齿轮减速箱故障识别中的应用表明,该方法不仅有效提取出了系统的特征信息,而且可实现对系统状态和细微故障差别的有效识别,并可给出定量判据。     

机械故障的级联共振和EMD联合参数辨识方法

针对强噪声背景下机械故障信号难以检测,参数辨识难度高的问题,提出了基于级联随机共振和经验模态分解的联合参数辨识方法。该方法利用EMD分层分解的思想,可以结合标准平均方差(Normalized Mean Squared Error,NMSE)准则筛选出最优IMF分量,最终实现原信号频率特征参数的准确拟合。实验结果表明,文中算法可有效消除随机共振处理后信号的边缘脉冲,进而实现信号频率的准确检测。在信噪比低于-15 dB时,算法的检测性能提升了约一个数量级,在固定检测差错概率为10~(-3)时,算法的信噪比增益可达到8 dB。新算法对于机械故障信号中的频率参数辨识具有检测误差小、适应范围广泛的优势,在保证带来一定信噪比增益的同时,可实现工程器件状态的准确判断,对于提取机械系统的故障特征、识别故障类型以及进一步地排故检修具有重要意义。     

基于协整理论的负荷预测新方法

对用电量、GDP变量系统建立了向量自回归模型,使用Johansen-juselius方法分析2个序列之间的协整关系,确定了协整向量,利用误差纠正项将无约束向量自回归模型修正为向量误差纠正模型,用极大似然估计参数完成模型的参数估计。从理论层面分析了2个变量系统的长期均衡关系和短期波动的误差纠正机制。最后运用该模型对江苏省季度数据进行预测分析。基于协整理论的负荷预测方案有效地避免了传统建模中出现的伪回归隐忧,实际算例表明,模型的预测效果是满意的。