CN103576060B - 基于小波自适应阈值的局部放电信号去噪方法 - Google Patents
基于小波自适应阈值的局部放电信号去噪方法 Download PDFInfo
- Publication number
- CN103576060B CN103576060B CN201310473326.1A CN201310473326A CN103576060B CN 103576060 B CN103576060 B CN 103576060B CN 201310473326 A CN201310473326 A CN 201310473326A CN 103576060 B CN103576060 B CN 103576060B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- threshold
- discharge signal
- particle
- frequency coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Testing Relating To Insulation (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于小波自适应阈值的局部放电信号去噪方法,包括以下步骤:S1、输入待去噪的局部放电信号;S2、对局部放电信号进行小波多尺度分解,得到各分解尺度的高频系数和最高分解尺度的低频系数;S3、采用non‐negative?garrote阈值函数及基于粒子群优化的自适应阈值选取方法,对步骤S2所得的高频系数分量进行量化处理以去除噪声分量,并保存为新的高频系数分量;S4、利用新的高频系数分量和步骤S2所得的最高分解尺度的低频系数分量,进行信号重构,获得去噪后的局部放电信号;S5、输出去噪后的局部放电信号。本发明实现了在没有任何先验知识前提下小波系数阈值自适应选取,适应于多种实际局部放电情况,去除白噪声效果好,能够获得更高质的去噪后的局部放电信号。
Description
技术领域
本发明涉及电气设备局部放电信号检测技术,具体涉及一种基于小波自适应阈值的局部放电信号去噪方法。
背景技术
局部放电在线检测已成为评估电气设备绝缘状态的有效方法。在线检测中,电气设备处于带电运行状态,现场干扰严重;而绝缘缺陷产生的局部放电信号通常非常微弱,容易淹没于严重的背景噪声中。因此干扰的抑制是局部放电在线检测的关键问题。从一般分类来讲,局部放电在线检测中的干扰可分为三类:周期性窄带干扰、白噪声和随机脉冲干扰。在抑制随机脉冲干扰之前,去除白噪声并获得畸变率小的脉冲是关键。
国内外研究结果普遍认为,小波阈值去噪法能有效抑制白噪声。小波阈值去噪时,小波阈值的选择对去噪中信号的畸变有着密切的关系。若阈值过大,则信号的估计有较大的偏差;若阈值过小,则信号的估计有较大的方差。
现有技术中,通常采用基于SURE的阈值估计方法来选择阈值。但该方法依赖于某种先验情况下的理想信号模型,因此选择的阈值常常不符合实际局部放电情况,去噪效果不好。
而广义交叉验证准则(GCV)作为均方误差的一个估计方法,它可以在不依赖于理想信号的任何先验情况下,自适应求取阈值的渐进最优值。与基于SURE的阈值估计方法相比,该方法适应于多种实际局部放电情况,去除白噪声效果更好。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于小波自适应阈值的局部放电信号去噪方法,通过建立广义交叉验证准则(GCV),采用non-negativegarrote阈值函数,结合粒子群优化算法,实现了在没有任何先验知识前提下小波系数阈值自适应选取。该方法能高效去除白噪声,减小原始信号的畸变,从而更有效地解决了电气设备局部放电信号含有噪声的问题。
为了达到上述目的,本发明采用的技术方案是,一种基于小波自适应阈值的局部放电信号去噪方法,包括以下步骤:
S1、输入待去噪的局部放电信号;
S2、对局部放电信号进行小波多尺度分解,得到各分解尺度的高频系数和最高分解尺度的低频系数;
S3、采用non-negativegarrote阈值函数及基于粒子群优化的自适应阈值选取方法,对步骤S2所得的高频系数分量进行量化处理以去除噪声分量,并保存为新的高频系数分量;这样,通过建立广义交叉验证准则(GCV),结合粒子群优化算法,实现了在没有任何先验知识前提下小波系数阈值自适应选取;
S4、利用新的高频系数分量和步骤S2所得的最高分解尺度的低频系数分量,进行信号重构,获得去噪后的局部放电信号;
S5、输出去噪后的局部放电信号。
更具体的,所述步骤S2包括以下步骤:
S21、选用db8小波基作为小波变换的小波基;
S22、采用Mallat算法对局部放电信号进行5层小波分解,获得不同分解尺度的高频系数分量和最高尺度的低频系数分量。
更具体的,所述步骤S3包括以下步骤:
S31、设定粒子群优化(PSO)算法中常数,学习因子c1=c2=2,粒子群的数量m=40,最大迭代次数tmax=800,权重系数的最大值ωmax=0.9,权重系数的最小值ωmin=0.4,粒子的最大速度vmax=0.2λmax,计算粒子群位置参数λ的最大值λmax和最小值λmin;
S32、初始化粒子群,在满足控制变量约束条件下随机赋予种群中每个粒子初始位置λi和初始速度vi;
S33、根据non-negativegarrote阈值函数对小波系数进行处理,得到估计的小波系数;因为non-negativegarrote阈值函数是硬阈值函数和软阈值函数的折中,比硬阈值函数更加稳定,又减小了软阈值函数中估计小波系数与分解小波系数之间存在的恒定偏差;
S34、按照广义交叉验证准则(GCV)定义适应度函数,根据适应度函数计算每一个粒子的适应度值,当适应度值最小时,则阈值达到最优;设定每个粒子的初始局部最优值pi为λi,初始全局最优值pg为所有粒子中适应度值最小的λi;
S35、对每个粒子xi,将其适应度值与其经历过的最好位置pi的适应度值作比较,如果较好,则将xi作为当前的最好位置pi;再将其适应度值与所有粒子经历过的最好位置pg的适应度值作比较,如果较好,则将其作为当前所有粒子的最好位置pg;
S36、更新粒子的速度和位置;
S37、判断是否达到最大迭代次数,若满足,则输出最优阈值;否则转到步骤S35循环计算;
S38、利用最优阈值和non-negativegarrote阈值函数对高频系数进行阈值处理,并保存为新的高频系数分量。
更具体的,所述步骤S31中,粒子群位置参数λ的最大值λmax和最小值λmin计算公式为:
更具体的,所述步骤S33中,non-negativegarrote阈值函数定义如下:
更具体的,所述步骤S34中,按照广义交叉验证准则(GCV)定义的适应度函数如下:
式中,N为某一层中小波系数的总个数,N0为信号在阈值收缩中被置为0的小波系数个数,WY和分别代表带噪小波系数和阈值T收缩后的系数。
更具体的,所述步骤S36中,粒子的速度和位置更新公式如下:
vi(t+1)=ω(t)vi(t)+c1ri1(pi(t)-xi(t))+
c2ri2(pg(t)-xi(t))i=1,2,…m
xi(t+1)=xi(t)+vi(t+1),式中,c1和c2为学习因子,通常取c1=c2=2,t是迭代次数,ri1和ri2是[0,1]上均匀分布的随机数,ω为惯性权重系数,它用粒子的当前速度控制下一代粒子的速度,当ω较大时,粒子全局搜索能力强;当ω较小时,粒子局部搜索能力强,ω设置为随迭代次数增加而减小的函数:
ω(t)=ωmin+(ωmax-ωmin)(tmax-t)/tmax。
更具体的,所述步骤S4中,采用Mallat算法对阈值处理过的系数进行信号重构。
相对于现有技术,本发明的有益效果是:
(1)本发明方法采用non-negativegarrote阈值函数对小波系数进行处理,该函数是硬阈值函数和软阈值函数的折中,比硬阈值函数更加稳定,又减小了软阈值函数中估计小波系数与分解小波系数之间存在的恒定偏差。
(2)本发明方法通过建立广义交叉验证准则,结合粒子群优化算法,实现了在没有任何先验知识前提下小波系数阈值自适应选取,适应于多种实际局部放电情况,从而减小原始信号的畸变,去除白噪声效果好,能够获得更高质的去噪后的局部放电信号。
附图说明
图1为本发明一种基于小波自适应阈值的局部放电信号去噪方法的流程图。
图2为小波变换分解过程示意图。
图3为对小波分解得到的各分解尺度的高频系数分量进行阈值处理的流程图。
图4为粒子群优化算法的迭代结果图。
图5为本发明实施例待去噪的局部放电信号。
图6为本发明实施例去噪后的局部放电信号。
具体实施方式
下面结合附图和实施例进一步说明本发明,但本发明要求保护的范围并不限于实施例表述的范围。对本领域的技术人员在不背离本发明的精神及保护范围的情况下做出的其它的变化和修改,仍包括在权利要求书保护的范围内。
实施例
本实施例,一种基于小波自适应阈值的局部放电信号去噪方法,参看图1,包括以下步骤:
S1、输入待去噪的局部放电信号,参看图5;
S2、对局部放电信号进行小波多尺度分解,得到各分解尺度的高频系数和最高分解尺度的低频系数;
S3、采用non-negativegarrote阈值函数及基于粒子群优化的自适应阈值选取方法,对步骤S2所得的高频系数分量进行量化处理以去除噪声分量,并保存为新的高频系数分量;这样,通过建立广义交叉验证准则(GCV),结合粒子群优化算法,实现了在没有任何先验知识前提下小波系数阈值自适应选取;
S4、利用新的高频系数分量和步骤S2所得的最高分解尺度的低频系数分量,进行信号重构,获得去噪后的局部放电信号,参看图6;
S5、输出去噪后的局部放电信号。
更具体的,将待去噪的局部放电信号进行小波变换,所述步骤S2包括以下步骤:
S21、选用db8小波基作为小波变换的小波基;
S22、采用Mallat算法对局部放电信号进行5层小波分解,获得不同分解尺度的高频系数分量和最高尺度的低频系数分量。
参看图2,小波变换分解过程是,假设aj[n]表示正交小波第j层变换后的低频系数,dj[n]表示正交小波第j层变换后的高频系数,aj+1和dj+1是由aj分别和做卷积然后每隔一项做采样得到,然后用和逐次滤波,再做因子为2的下采样,滤波器将内积序列aj的高频去掉,而收集余下的高频系数。正交小波重构信号时采用在aj+1和dj+1的样本之间插入零滤波的方法。
更具体的,对变换获得的高频系数分量进行阈值处理,参看图3,所述步骤S3包括以下步骤:
S31、设定粒子群优化(PSO)算法中常数,学习因子c1=c2=2,粒子群的数量m=40,最大迭代次数tmax=800,权重系数的最大值ωmax=0.9,权重系数的最小值ωmin=0.4,粒子的最大速度vmax=0.2λmax,计算粒子群位置参数λ的最大值λmax和最小值λmin;
S32、初始化粒子群,在满足控制变量约束条件下随机赋予种群中每个粒子初始位置λi和初始速度vi;
S33、根据non-negativegarrote阈值函数对小波系数进行处理,得到估计的小波系数;因为non-negativegarrote阈值函数是硬阈值函数和软阈值函数的折中,比硬阈值函数更加稳定,又减小了软阈值函数中估计小波系数与分解小波系数之间存在的恒定偏差;
S34、按照广义交叉验证准则(GCV)定义适应度函数,根据适应度函数计算每一个粒子的适应度值,当适应度值最小时,则阈值达到最优;设定每个粒子的初始局部最优值pi为λi,初始全局最优值pg为所有粒子中适应度值最小的λi;
S35、对每个粒子xi,将其适应度值与其经历过的最好位置pi的适应度值作比较,如果较好,则将xi作为当前的最好位置pi;再将其适应度值与所有粒子经历过的最好位置pg的适应度值作比较,如果较好,则将其作为当前所有粒子的最好位置pg;
S36、更新粒子的速度和位置;
S37、判断是否达到最大迭代次数,若满足,则输出最优阈值;否则转到步骤S35循环计算;图4为粒子群优化算法的迭代结果图;
S38、利用最优阈值和non-negativegarrote阈值函数对高频系数进行阈值处理,并保存为新的高频系数分量。
更具体的,所述步骤S31中,粒子群位置参数λ的最大值λmax和最小值λmin计算公式为:
更具体的,所述步骤S33中,non-negativegarrote阈值函数定义如下:
更具体的,所述步骤S34中,按照广义交叉验证准则(GCV)定义的适应度函数如下:
式中,N为某一层中小波系数的总个数,N0为信号在阈值收缩中被置为0的小波系数个数,WY和分别代表带噪小波系数和阈值T收缩后的系数。
更具体的,所述步骤S36中,粒子的速度和位置更新公式如下:
vi(t+1)=ω(t)vi(t)+c1ri1(pi(t)-xi(t))+
c2ri2(pg(t)-xi(t))i=1,2,…m
xi(t+1)=xi(t)+vi(t+1),式中,c1和c2为学习因子,通常取c1=c2=2,t是迭代次数,ri1和ri2是[0,1]上均匀分布的随机数,ω为惯性权重系数,它用粒子的当前速度控制下一代粒子的速度,当ω较大时,粒子全局搜索能力强;当ω较小时,粒子局部搜索能力强,ω设置为随迭代次数增加而减小的函数:
ω(t)=ωmin+(ωmax-ωmin)(tmax-t)/tmax。
更具体的,所述步骤S4中,采用Mallat算法对阈值处理过的系数进行信号重构。
参看图6,本实施例得到的去噪后的局部放电信号如图6所示。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.基于小波自适应阈值的局部放电信号去噪方法,其特征在于:包括以下步骤:
S1、输入待去噪的局部放电信号;
S2、对局部放电信号进行小波多尺度分解,得到各分解尺度的高频系数和最高分解尺度的低频系数;
S3、采用non‐negativegarrote阈值函数及基于粒子群优化的自适应阈值选取方法,对步骤S2所得的高频系数分量进行量化处理以去除噪声分量,并保存为新的高频系数分量;
S4、利用新的高频系数分量和步骤S2所得的最高分解尺度的低频系数分量,进行信号重构,获得去噪后的局部放电信号;
S5、输出去噪后的局部放电信号;
所述步骤S3包括以下步骤:
S31、设定粒子群优化算法中常数,学习因子c1=c2=2,粒子群的数量m=40,最大迭代次数tmax=800,权重系数的最大值ωmax=0.9,权重系数的最小值ωmin=0.4,粒子的最大速度vmax=0.2λmax,计算粒子群位置参数λ的最大值λmax和最小值λmin;
S32、初始化粒子群,在满足控制变量约束条件下随机赋予种群中每个粒子初始位置λi和初始速度vi;
S33、根据non-negativegarrote阈值函数对小波系数进行处理,得到估计的小波系数;
S34、按照广义交叉验证准则定义适应度函数,根据适应度函数计算每一个粒子的适应度值,当适应度值最小时,则阈值达到最优;设定每个粒子的初始局部最优值pi为λi,初始全局最优值pg为所有粒子中适应度值最小的λi;
S35、对每个粒子xi,将其适应度值与其经历过的最好位置pi的适应度值作比较,如果较好,则将xi作为当前的最好位置pi;再将其适应度值与所有粒子经历过的最好位置pg的适应度值作比较,如果较好,则将其作为当前所有粒子的最好位置pg;
S36、更新粒子的速度和位置;
S37、判断是否达到最大迭代次数,若满足,则输出最优阈值;否则转到步骤S35循环计算;
S38、利用最优阈值和non-negativegarrote阈值函数对高频系数进行阈值处理,并保存为新的高频系数分量。
2.根据权利要求1所述的基于小波自适应阈值的局部放电信号去噪方法,其特征在于:所述步骤S2包括以下步骤:
S21、选用db8小波基作为小波变换的小波基;
S22、采用Mallat算法对局部放电信号进行5层小波分解,获得不同分解尺度的高频系数分量和最高尺度的低频系数分量。
3.根据权利要求1所述的基于小波自适应阈值的局部放电信号去噪方法,其特征在于:所述步骤S31中,粒子群位置参数λ的最大值λmax和最小值λmin计算公式为:
4.根据权利要求1所述的基于小波自适应阈值的局部放电信号去噪方法,其特征在于:所述步骤S33中,non-negativegarrote阈值函数定义如下:
5.根据权利要求1所述的基于小波自适应阈值的局部放电信号去噪方法,其特征在于:所述步骤S34中,按照广义交叉验证准则定义的适应度函数如下:
式中,N为某一层中小波系数的总个数,N0为信号在阈值收缩中被置为0的小波系数个数,WY和分别代表带噪小波系数和阈值T收缩后的系数。
6.根据权利要求1所述的基于小波自适应阈值的局部放电信号去噪方法,其特征在于:所述步骤S36中,粒子的速度和位置更新公式如下:
vi(t+1)=ω(t)vi(t)+c1ri1(pi(t)-xi(t))+
c2ri2(pg(t)-xi(t))i=1,2,…m
xi(t+1)=xi(t)+vi(t+1),式中,c1和c2为学习因子,通常取c1=c2=2,t是迭代次数,ri1和ri2是[0,1]上均匀分布的随机数,ω为惯性权重系数,它用粒子的当前速度控制下一代粒子的速度,当ω较大时,粒子全局搜索能力强;当ω较小时,粒子局部搜索能力强,ω设置为随迭代次数增加而减小的函数:
ω(t)=ωmin+(ωmax-ωmin)(tmax-t)/tmax。
7.根据权利要求1‐6任一项所述的基于小波自适应阈值的局部放电信号去噪方法,其特征在于:所述步骤S4中,采用Mallat算法对阈值处理过的系数进行信号重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310473326.1A CN103576060B (zh) | 2013-10-11 | 2013-10-11 | 基于小波自适应阈值的局部放电信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310473326.1A CN103576060B (zh) | 2013-10-11 | 2013-10-11 | 基于小波自适应阈值的局部放电信号去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103576060A CN103576060A (zh) | 2014-02-12 |
CN103576060B true CN103576060B (zh) | 2016-04-13 |
Family
ID=50048254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310473326.1A Expired - Fee Related CN103576060B (zh) | 2013-10-11 | 2013-10-11 | 基于小波自适应阈值的局部放电信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103576060B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839239A (zh) * | 2014-02-28 | 2014-06-04 | 华南理工大学 | 一种电缆瓷套终端红外图像自适应去噪方法 |
CN105046654B (zh) * | 2015-06-23 | 2017-11-10 | 华中科技大学 | 一种基于粒子群优化的心电信号自适应非局部均值降噪方法 |
CN105223482B (zh) * | 2015-10-22 | 2018-01-19 | 西安交通大学 | 局部放电特高频信号波形的小波分解二值去噪方法 |
CN106093724B (zh) * | 2016-06-20 | 2019-02-01 | 山东大学 | 一种基于混合粒子群的局部放电小波去噪方法 |
CN106127154A (zh) * | 2016-06-23 | 2016-11-16 | 西安西热节能技术有限公司 | 从白噪声中提取局部放电射频信号的小波包去噪方法 |
CN106353649B (zh) * | 2016-09-18 | 2019-08-30 | 广东电网有限责任公司珠海供电局 | 一种基于提升小波变换的局部放电信号去噪方法 |
CN106950475A (zh) * | 2017-03-23 | 2017-07-14 | 广东电网有限责任公司珠海供电局 | 一种基于小波变换的局部放电信号提取方法及装置 |
CN108158573B (zh) * | 2017-12-26 | 2020-10-30 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
CN108427063A (zh) * | 2018-02-01 | 2018-08-21 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于交叉验证法、经验模态和Teager峭度的首波定位方法 |
CN108596848B (zh) * | 2018-04-20 | 2020-06-30 | 西南交通大学 | 一种基于改进小波阈值函数的图像去噪方法 |
CN109270345A (zh) * | 2018-07-20 | 2019-01-25 | 国网江苏省电力有限公司常州供电分公司 | 一种电网谐波信号的检测方法 |
CN109557429B (zh) * | 2018-11-07 | 2021-08-27 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
CN109406965A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于声音信号采集的局部放电检测系统及其检测方法 |
CN109782347A (zh) * | 2019-01-18 | 2019-05-21 | 南京邮电大学 | 一种基于小波分析的地震走时反演成像方法 |
CN110244202B (zh) * | 2019-06-21 | 2021-07-20 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
CN110703089B (zh) * | 2019-08-29 | 2021-09-24 | 广西电网有限责任公司电力科学研究院 | 一种用于低频振荡Prony分析的小波阈值去噪方法 |
CN111665424A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 一种电气设备局部放电信号去噪方法及系统 |
CN112084933B (zh) * | 2020-09-08 | 2022-12-23 | 贵州电网有限责任公司 | 一种变压器局部放电信号的去噪方法 |
CN112380934B (zh) * | 2020-11-02 | 2023-09-12 | 国网陕西省电力公司电力科学研究院 | 基于小波熵与稀疏度的电缆局放信号自适应小波去噪方法 |
CN112418406B (zh) * | 2020-12-09 | 2022-06-07 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1625842A (zh) * | 2002-01-18 | 2005-06-08 | 通用仪器公司 | 用于实时小波去噪应用的自适应后阈值算法 |
CN101360079A (zh) * | 2008-07-18 | 2009-02-04 | 天津大学 | 基于小波去噪算法的最大似然估计器的小波域值去噪方法 |
CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5442955B2 (ja) * | 2008-03-11 | 2014-03-19 | 学校法人 芝浦工業大学 | 部分放電パルスの信号処理方法および信号処理装置 |
-
2013
- 2013-10-11 CN CN201310473326.1A patent/CN103576060B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1625842A (zh) * | 2002-01-18 | 2005-06-08 | 通用仪器公司 | 用于实时小波去噪应用的自适应后阈值算法 |
CN101360079A (zh) * | 2008-07-18 | 2009-02-04 | 天津大学 | 基于小波去噪算法的最大似然估计器的小波域值去噪方法 |
CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
Non-Patent Citations (5)
Title |
---|
基于AGA与GCV准则的小波阈值图像去噪研究;李万臣等;《仪器仪表用户》;20090131;第16卷(第01期);第112-114页 * |
基于GCV理论的小波自适应多阈值图像去噪方法;张艳华等;《现代电子技术》;20071130(第250期);第62-64、67页 * |
基于权重粒子群优化阈值的NSCT图像去噪;刘继红等;《极端及工程》;20120531;第38卷(第10期);第209-211页 * |
粒子群优化小波自适应阈值法用于局部放电去噪;江天炎等;《电工技术学报》;20120531;第27卷(第05期);第79页右栏第一段至第80页左栏最后一段 * |
遗传算法用于局部放电小波自适应阈值去噪;李剑等;《高电压技术》;20090930;第35卷(第09期);第2114-2119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103576060A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103576060B (zh) | 基于小波自适应阈值的局部放电信号去噪方法 | |
CN103630808B (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
CN102930149B (zh) | 基于pca和emd的传感器网络感知信息去噪处理方法 | |
CN110967599A (zh) | 一种电能质量扰动检测与定位算法 | |
Hassanpour et al. | Time domain signal enhancement based on an optimized singular vector denoising algorithm | |
CN106353649A (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
Chou | A threshold based wavelet denoising method for hydrological data modelling | |
CN111337980A (zh) | 基于时移全波形反演的二氧化碳封存监测方法和系统 | |
Ouyang et al. | Short-term traffic flow forecasting based on wavelet transform and neural network | |
CN110333054B (zh) | 一种针对白车身焊接设备的缓变微小故障检测方法 | |
Jafari et al. | A novel noise reduction method based on geometrical properties of continuous chaotic signals | |
CN107704831A (zh) | 一种基于奇异值分解中值法的瓦斯浓度数据降噪方法 | |
CN102724152A (zh) | 基于Laguerre结构的多项式自适应有源噪声对消方法 | |
CN105652166A (zh) | 一种用于局放在线监测的加权阈值小波降噪方法 | |
CN104048680A (zh) | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 | |
CN112731063B (zh) | 一种基于行波的多维度小波包故障定位方法 | |
CN111242043B (zh) | 一种时间序列大数据的稀疏化方法及系统 | |
Yin et al. | Noise reduction method for vibration signals 2D time‐frequency distribution using anisotropic diffusion equation | |
Kong et al. | Application and optimization of wavelet threshold denoising algorithm in signal processing | |
Chuang et al. | Recognition of multiple PQ disturbances using dynamic structure neural networks-part 1: theoretical introduction | |
Jiang et al. | De-noising for partial discharge signals of power transformers using wavelet threshold method based on ant colony optimization | |
Ming et al. | Partial discharge de-noising based on hybrid particle swarm optimization SWT adaptive threshold | |
Sun et al. | An Adaptive Wavelet Multilevel Soft Threshold Algorithm for Denoising Partial Discharge Signals | |
Xunsheng | Monthly power load predicting by WT and LS-SVM | |
CN116502076B (zh) | 一种微弱信号识别方法、装置和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160413 Termination date: 20211011 |