针对水轮发电机组振动信号呈现为非平稳、非线性且易受周围环境噪声影响导致机组振动信号特征难以准确提取的问题,提出固有时间尺度分解(Intrinsic time scale decomposition,ITD)结合模糊熵(fuzzy entropy,FE)奇异值差分谱(singular va...针对水轮发电机组振动信号呈现为非平稳、非线性且易受周围环境噪声影响导致机组振动信号特征难以准确提取的问题,提出固有时间尺度分解(Intrinsic time scale decomposition,ITD)结合模糊熵(fuzzy entropy,FE)奇异值差分谱(singular value decomposition,SVD)的水轮发电机组振动信号去噪方法。利用ITD先对振动数据进行分解以模糊熵为阈值,选取模糊熵值小于2的分量进行重构,达到第一次去噪的效果。再在这个去噪的基础上进行SVD分解,根据奇异值差分谱中奇异值变化较大的点来选择重构阶数对数据进行重构,从而达到几乎完全去噪的效果。最后将本方法和局部均值分解(LMD)结合模糊熵和奇异值差分谱的方法进行对比发现,ITD-FE-SVD去噪效果更好,能够保留更多的原信号信息。展开更多
现有的变电站局部放电定位方法在定位时存在较大的定位误差,为此提出基于融合聚类的220 kV变电站局部放电定位方法。采用奇异值分解(Singular Value Decomposition,SVD)的方式对放电信号进行非线性滤波降噪处理,结合信号成分的含量越高...现有的变电站局部放电定位方法在定位时存在较大的定位误差,为此提出基于融合聚类的220 kV变电站局部放电定位方法。采用奇异值分解(Singular Value Decomposition,SVD)的方式对放电信号进行非线性滤波降噪处理,结合信号成分的含量越高,对应的奇异值越大的特点,根据奇异值差分谱中任意2个相邻奇异值参量的变化程度确定保留或是剔除。以时域波形幅值为基准对降噪后的信号进行划分,根据各个划分结果对应的信号特征与变电站的额定输出信号的相似度对信号聚类,信号数据最多的聚类对应的位置即为最终计算得出的放电位置。测试结果表明,设计方法的定位结果与实际放电位置的误差稳定在0.30~0.50 m,具有较高的准确性。展开更多
文摘针对水轮发电机组振动信号呈现为非平稳、非线性且易受周围环境噪声影响导致机组振动信号特征难以准确提取的问题,提出固有时间尺度分解(Intrinsic time scale decomposition,ITD)结合模糊熵(fuzzy entropy,FE)奇异值差分谱(singular value decomposition,SVD)的水轮发电机组振动信号去噪方法。利用ITD先对振动数据进行分解以模糊熵为阈值,选取模糊熵值小于2的分量进行重构,达到第一次去噪的效果。再在这个去噪的基础上进行SVD分解,根据奇异值差分谱中奇异值变化较大的点来选择重构阶数对数据进行重构,从而达到几乎完全去噪的效果。最后将本方法和局部均值分解(LMD)结合模糊熵和奇异值差分谱的方法进行对比发现,ITD-FE-SVD去噪效果更好,能够保留更多的原信号信息。
文摘现有的变电站局部放电定位方法在定位时存在较大的定位误差,为此提出基于融合聚类的220 kV变电站局部放电定位方法。采用奇异值分解(Singular Value Decomposition,SVD)的方式对放电信号进行非线性滤波降噪处理,结合信号成分的含量越高,对应的奇异值越大的特点,根据奇异值差分谱中任意2个相邻奇异值参量的变化程度确定保留或是剔除。以时域波形幅值为基准对降噪后的信号进行划分,根据各个划分结果对应的信号特征与变电站的额定输出信号的相似度对信号聚类,信号数据最多的聚类对应的位置即为最终计算得出的放电位置。测试结果表明,设计方法的定位结果与实际放电位置的误差稳定在0.30~0.50 m,具有较高的准确性。
