CN108664901B - 基于改进lmd的微电网电能质量扰动信号检测方法 - Google Patents

基于改进lmd的微电网电能质量扰动信号检测方法 Download PDF

Info

Publication number
CN108664901B
CN108664901B CN201810362609.1A CN201810362609A CN108664901B CN 108664901 B CN108664901 B CN 108664901B CN 201810362609 A CN201810362609 A CN 201810362609A CN 108664901 B CN108664901 B CN 108664901B
Authority
CN
China
Prior art keywords
lmd
power quality
frequency
curvature
improved
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.)
Active
Application number
CN201810362609.1A
Other languages
English (en)
Other versions
CN108664901A (zh
Inventor
徐艳春
高永康
李振兴
李振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201810362609.1A priority Critical patent/CN108664901B/zh
Publication of CN108664901A publication Critical patent/CN108664901A/zh
Application granted granted Critical
Publication of CN108664901B publication Critical patent/CN108664901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Resistance Or Impedance (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于改进LMD的微电网电能质量扰动信号检测方法，包括以下步骤：首先通过电子式互感器获取微电网扰动信号，对信号采用四点波形曲率匹配延拓，求取原始信号端点极值点分布情况；采用三次B样条函数插值计算局部均值函数和局部包络函数；通过自适应筛选停止准则判断最优筛选次数，分解得到所有的PF分量；根据PF分量求取瞬时幅值和瞬时频率；最终根据求得的瞬时幅值和瞬时频率重组得到原始信号的时频分布。本发明具有分析精度高，实时性高，识别效果好等特点，适用于微电网中的电能质量扰动信号的检测和分析。

Description

基于改进LMD的微电网电能质量扰动信号检测方法
技术领域
本发明涉及属于微电网电能质量扰动信号检测技术领域，尤其涉及一种基于改进LMD的微电网电能质量扰动信号检测方法。
背景技术
电能质量扰动检测一直都是电力研究领域的热点问题。尤其在微电网中，分布式电源的输出功率受自然因素影响具有波动性和间歇性等特点，非线性负荷的大量接入、诸多电力电子器件应用等都严重影响了微电网电能质量。大多数微电网电能质量扰动问题均是非线性非平稳信号。LMD可以自适应将复杂的非平稳信号分解成一系列的乘积函数(PF)，每个PF函数有明确的物理意义(由包络信号和纯调频信号相乘得到)，包络信号即瞬时幅值函数，纯调频信号可以求得瞬时频率。但是原始的LMD算法自身存在缺陷，即“端点效应”和“模态混叠”等问题。
(1)、LMD分解受端点效应的影响，由于局部均值包络函数在端点处存在一段未知的信号，若不对端点进行处理，在程序运行时，将在迭代过程中不断向内部扩散，迭代次数越多影响越严重，使得分解得到的各个分量在端点处产生变形，从而使结果不容易满足循环终止条件，增加迭代次数，严重时使数据产生失真。
(2)、模态混叠是指一个PF分量中包含差异极大的特征时间尺度，或者相近的特征时间尺度分布在不同的PF分量中，导致两个相邻的PF分量波形混叠，相互影响，难以辨认。即当信号的时间尺度存在跳跃性变化时，对信号进行LMD分解，会出现一个PF分量包含不同时间尺度特征成分的情况，称之为模态混叠。
为了提高LMD算法的检测精度，必须解决“端点效应”和“模态混叠”问题。
发明内容
为了解决现有LMD算法存在的“端点效应”和“模态混叠”等问题，本发明提出了一种基于改进LMD的微电网电能质量扰动信号检测方法，本发明所提出的算法在端点延拓方面采用四点波形曲率匹配延拓得到信号真实的端点极值点分布规律，减轻了“端点效应”。在计算局部包络函数和局部均值函数方面，采用三次B样条函数插值作为拟合的算法，只需要一次插值，提高了计算速度。在筛选停止准则方面使用自适应筛选准则，能够自动的判断最优的筛选迭代次数。该方法快速且准确，避免产生虚假的PF分量，从而造成分解结果不准确。
本发明采取的技术方案为：
基于改进LMD的微电网电能质量扰动信号检测方法，包括以下步骤：
步骤1：采用四点波形曲率匹配延拓，得到原始信号真实的端点极值点分布情况；
步骤2：通过三次B样条函数插值计算局部均值函数和局部包络函数；
步骤3：使用自适应筛选迭代终止准则，自动判断最优的筛选迭代次数，并且分解出所有的PF分量；
步骤4：根据步骤3求得的PF分量，计算出瞬时幅值和瞬时频率；
步骤5：对步骤4求得的瞬时幅值和瞬时频率进行重组，在整个时频区间表现出信号的变化趋势。
步骤1中，所述四点波形曲率匹配延拓采用曲率c(i)、相关系数ρ、曲率匹配误差ε作为计算依据；
曲率表达式为：
Figure GDA0001683986600000021
其中：i是信号的采样点序列号，
Figure GDA0001683986600000022
是第i个采样点的二阶导数，
Figure GDA0001683986600000025
是第i的采样点的一阶导数；
相关系数的表达式为：
Figure GDA0001683986600000023
式中，cov(c,c(ω))代表特征波形段的曲率与各个匹配波形段之间曲率的协方差，D(c)代表特征波段的标准差，D(c(ω))代表各个匹配波段的标准差；
曲率匹配误差的表达式为：
Figure GDA0001683986600000024
相关系数越大，说明两个波形段越相似；曲率匹配误差越小则越精确，定义衡量指标σ＝ρ-ε，在匹配波形段内搜索σ最大的值，作为最优匹配波形段。
步骤2中，三次B样条函数插值采用matlab自带的spline函数进行插值计算。
步骤3中，所述自适应筛选迭代终止准则由内外层循环构成，内层循环终止条件为均方根值(RMS)和过度峰度值(EK)组成的能量评价指标f连续两次递增；
外层循环终止条件为：当分解得到的PF分量与原始信号之间的相关系数小于0.25时，外层循环终止，从而迭代也随之终止。
所述均方根表达式为：
Figure GDA0001683986600000031
过度峰度值表达式为：
Figure GDA0001683986600000032
能量评价指标：f＝RMS+EK，
式中μ(i)＝a1(n+1)(i)-1；
所述相关系数的表达式为：
Figure GDA0001683986600000033
式中k代表第k个PF分量。
步骤4中，所述瞬时幅值和瞬时频率的计算公式为：
Figure GDA0001683986600000034
Figure GDA0001683986600000035
步骤5中，时频分析图将所有的频率幅值信息重新组合，在整个时频区间表现出信号的变化趋势。
步骤5中，LMD算法的时频分析方法：以时间尺度为水平轴，以频率尺度为纵轴，色谱代表幅值大小。将每个PF分量的瞬时幅值、瞬时频率作为时频分析图中的大小元素，对应其时间建立时频分析图谱。
所述扰动信号为电压信号或电流信号。
本发明一种基于改进LMD的微电网电能质量扰动信号检测方法，有益效果如下：
1)、本发明四点波形曲率延拓得到的波形更加符合原始波形内部的变化特征，将端点数据延拓至极值点处，有效的减小了“端点效应”的影响。
2)、本发明提出自适应筛选停止准则，将原始LMD算法的终止条件转化为内外层循环停止判据。实现了自适应的机制，更加准确反应筛选的目标函数，从而降低了“模态混叠”效应。
3)、本发明采用三次B样条函数作为插值算法，只需要一次插值，不需要连续平滑，从而提高了计算速度。
4)、本发明采用时频分析图谱提供了时间域与频率域的联合分布信息，更加清楚得描述了信号频率随时间的变化情况。
5)、本发明提出的改进LMD算法应用在微电网电能质量扰动检测中效果良好。经过仿真实验与HHT、VMD算法相比较，该方法不仅对于暂态扰动信号的幅值频率波动检测更加准确，而且能准确识别多组分信号。
附图说明
图1为本发明方法的流程图。
图2为波形段划分示意图。
图3为原始信号、三点波形曲率延拓、四点波形曲率延拓对比图。
图4为自适应筛选流程图。
图5为基于改进的LMD方法对模拟信号进行分解得到的PF各分量图。
图6为基于改进的LMD算法对电压暂升信号模拟的时频分析图。
具体实施方式
基于改进LMD的微电网电能质量扰动信号检测方法，包括以下步骤：
步骤1：采用四点波形曲率匹配延拓，得到原始信号真实的端点极值点分布情况；
步骤2：通过三次B样条函数插值计算局部均值函数和局部包络函数；
步骤3：使用自适应筛选迭代终止准则，自动判断最优的筛选迭代次数，并且分解出所有的PF分量；
步骤4：根据步骤3求得的PF分量，计算出瞬时幅值和瞬时频率；
步骤5：对步骤4求得的瞬时幅值和瞬时频率进行重组，在整个时频区间表现出信号的变化趋势。
步骤1中，所述四点波形曲率匹配延拓采用曲率c(i)、相关系数ρ、曲率匹配误差ε作为计算依据；
曲率表达式为：
Figure GDA0001683986600000041
其中：i是信号的采样点序列号，
Figure GDA0001683986600000042
是第i个采样点的二阶导数，
Figure GDA0001683986600000043
是第i的采样点的一阶导数；
相关系数的表达式为：
Figure GDA0001683986600000051
式中，cov(c,c(ω))代表特征波形段的曲率与各个匹配波形段之间曲率的协方差，D(c)代表特征波段的标准差，D(c(ω))代表各个匹配波段的标准差；
曲率匹配误差的表达式为：
Figure GDA0001683986600000052
式子，n代表信号的采样点数，c(i)代表特征波形段的曲率，cω(i)代表匹配波形段的曲率；相关系数越大，说明两个波形段越相似；曲率匹配误差越小则越精确，定义衡量指标σ＝ρ-ε，在匹配波形段内搜索σ最大的值，作为最优匹配波形段。
步骤2中，三次B样条函数插值采用matlab自带的spline函数进行插值计算。
步骤3中，所述自适应筛选迭代终止准则由内外层循环构成，内层循环终止条件为均方根值(RMS)和过度峰度值(EK)组成的能量评价指标f连续两次递增；
外层循环终止条件为：当分解得到的PF分量与原始信号之间的相关系数小于0.25时，外层循环终止，从而迭代也随之终止。
所述均方根表达式为：
Figure GDA0001683986600000053
过度峰度值表达式为：
Figure GDA0001683986600000054
能量评价指标：f＝RMS+EK，
式中μ(i)＝a1(n+1)(i)-1；
所述相关系数的表达式为：
Figure GDA0001683986600000055
式中k代表第k个PF分量。
步骤4中，所述瞬时幅值和瞬时频率的计算公式为：
Figure GDA0001683986600000056
Figure GDA0001683986600000057
式中，φi(t)代表第i个相位函数。
步骤5中，时频分析图将所有的频率幅值信息重新组合，在整个时频区间表现出信号的变化趋势。
步骤5中，LMD算法的时频分析方法：以时间尺度为水平轴，以频率尺度为纵轴，色谱代表幅值大小。将每个PF分量的瞬时幅值、瞬时频率作为时频分析图中的大小元素，对应其时间建立时频分析图谱。
所述扰动信号为电压信号或电流信号。
下面结合附图，对优选实例进行详细说明。本发明实现端点延拓的步骤为：
1.选取特征波形段：定义信号的极值点位置矩阵r(i)，截取x(1)-x(r(1))-x(r(2))-x(r(3))四点之间的波形作为特征波形段，设特征波形段步长为M。求出特征波形段内采样点处的曲率。
Figure GDA0001683986600000061
式中i是信号的采样点序列号，
Figure GDA0001683986600000062
是第i个采样点的二阶导数，
Figure GDA0001683986600000063
是第i的采样点的一阶导数。求得所有曲率的均值c作为特征波形段的特征曲率。
2.求取匹配波形段：对模拟信号进行左端延拓，以x(r(2k+1))处为匹配波形段的右端点(k＝2,3,…)，向左截取步长为M的波形，求得匹配波形段的曲率c(ω)，其中匹配波的个数为ω＝k-1，如图2所示。L代表特征波形段，L1代表第一个匹配波形段，其步长都是M，以此类推，找出所有的匹配波形段。
3.寻找最佳匹配波段：选择相关系数ρ以及曲率匹配误差ε作为衡量指标。
Figure GDA0001683986600000064
Figure GDA0001683986600000065
式中，cov(c,c(ω))代表特征波形段的曲率与各个匹配波形段之间曲率的协方差，D(c)代表特征波段的标准差，D(c(ω))代表各个匹配波段的标准差。相关系数越大说明两个波形段越相似，曲率匹配误差越小则越精确，定义衡量指标σ＝ρ-ε，在匹配波形段内搜索σ最大的值作为最优匹配波形段。
4.信号延拓：求得最优匹配波形段后，从该匹配波段处向左取两个极值点数据段长度，作为原始信号左端的延拓信号。按照同样的方法可以延拓信号的右端。
5.在仿真部分选取的模拟信号为：
x(t)＝(1+0.9(sin(0.04πt))cos(0.1πt+sin(0.01πt)))+sin(0.03πt)cos(0.08πt) (4)
采样频率为1200，采样点数为600000，时间t取值为[0,500]s，对信号左右两端进行改进波形曲率延拓得到波形如图3。
本发明实现自适应筛选停止准则的步骤为：
1.内层循环终止判断标准：
定义μ(i)作为目标信号如式(5)所示：
μ(i)＝a1(n+1)(i)-1 (5)
从均方根值(RMS)和过度峰度值(EK)两个方面去测量目标信号的大小，用均方根值(RMS)来测量目标信号的总能量，用过度峰度值(EK)测量目标信号的局部异常，此处的EK值为常规的峰度值减去3。
Figure GDA0001683986600000071
Figure GDA0001683986600000072
当μ(t)趋于0时，上述两个目标函数也趋于0，因此，定义能量目标信号f如式(8)所示：
f＝RMS+EK (8)
目标信号趋于0时，f也趋于0。当f连续两次递增则代表内层循环终止条件。
2.外层循环终止判断标准：
利用式(9)计算相关系数，从而去设定筛选停止标准，即分解得到的PF分量与原始信号之间的相关系数，经过实验设定阈值为0.25，当得到的PF分量与原始信号之间的相关系数小于0.25时，外层循环终止，从而迭代也随之终止。k代表第k个PF分量。
Figure GDA0001683986600000073
将外层循环和内层循环结合作为LMD筛选迭代终止法则，其流程图如图4所示。将改进的四点曲率波形延拓和自适应筛选迭代终止准则相结合，重新对公式(4)所示的模拟信号进行LMD分解，从而得到各个PF分量如图5所示。从图5中可以看出，分解得到3个PF分量，不存在虚假分量。由于信号的主要特征集中在前两阶PF分量中，前两阶PF分量和原始信号的相关性越大，则说明延拓后分解效果越好，端点效应影响越小。
本发明实现时频分析的方法：以时间尺度为水平轴，以频率尺度为纵轴，色谱代表幅值大小。将每个PF分量的瞬时幅值、瞬时频率作为时频分析图中的大小元素，对应其时间建立时频分析图谱。如图6所示。

Claims (9)

1.基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于包括以下步骤：
步骤1：采用四点波形曲率匹配延拓，得到原始信号真实的端点极值点分布情况；
步骤2：通过三次B样条函数插值计算局部均值函数和局部包络函数；
步骤3：使用自适应筛选迭代终止准则，自动判断最优的筛选迭代次数，并且分解出所有的PF分量；
步骤4：根据步骤3求得的PF分量，计算出瞬时幅值和瞬时频率；
步骤5：对步骤4求得的瞬时幅值和瞬时频率进行重组，在整个时频区间表现出信号的变化趋势。
2.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：步骤1中，所述四点波形曲率匹配延拓采用曲率c(i)、相关系数ρ、曲率匹配误差ε作为计算依据；
曲率表达式为：
Figure FDA0001636344630000011
其中：i是信号的采样点序列号，
Figure FDA0001636344630000012
是第i个采样点的二阶导数，
Figure FDA0001636344630000015
是第i的采样点的一阶导数；
相关系数的表达式为：
Figure FDA0001636344630000013
式中，cov(c,c(ω))代表特征波形段的曲率与各个匹配波形段之间曲率的协方差，D(c)代表特征波段的标准差，D(c(ω))代表各个匹配波段的标准差；
曲率匹配误差的表达式为：
Figure FDA0001636344630000014
相关系数越大，说明两个波形段越相似；曲率匹配误差越小则越精确，定义衡量指标σ＝ρ-ε，在匹配波形段内搜索σ最大的值，作为最优匹配波形段。
3.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：步骤2中，三次B样条函数插值采用matlab自带的spline函数进行插值计算。
4.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：步骤3中，所述自适应筛选迭代终止准则由内外层循环构成，内层循环终止条件为均方根值(RMS)和过度峰度值(EK)组成的能量评价指标f连续两次递增；
外层循环终止条件为：当分解得到的PF分量与原始信号之间的相关系数小于0.25时，外层循环终止，从而迭代也随之终止。
5.根据权利要求4所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：所述均方根表达式为：
Figure FDA0001636344630000021
过度峰度值表达式为：
Figure FDA0001636344630000022
能量评价指标：f＝RMS+EK，
式中μ(i)＝a1(n+1)(i)-1；
所述相关系数的表达式为：
Figure FDA0001636344630000023
式中k代表第k个PF分量。
6.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：步骤1中，所述瞬时幅值和瞬时频率的计算公式为：
Figure FDA0001636344630000024
Figure FDA0001636344630000025
7.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：步骤5中，时频分析图将所有的频率幅值信息重新组合，在整个时频区间表现出信号的变化趋势。
8.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：步骤5中，LMD算法的时频分析方法：以时间尺度为水平轴，以频率尺度为纵轴，色谱代表幅值大小；将每个PF分量的瞬时幅值、瞬时频率作为时频分析图中的大小元素，对应其时间建立时频分析图谱。
9.根据权利要求1所述基于改进LMD的微电网电能质量扰动信号的检测方法，其特征在于：所述扰动信号为电压信号或电流信号。
CN201810362609.1A 2018-04-20 2018-04-20 基于改进lmd的微电网电能质量扰动信号检测方法 Active CN108664901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810362609.1A CN108664901B (zh) 2018-04-20 2018-04-20 基于改进lmd的微电网电能质量扰动信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810362609.1A CN108664901B (zh) 2018-04-20 2018-04-20 基于改进lmd的微电网电能质量扰动信号检测方法

Publications (2)

Publication Number Publication Date
CN108664901A CN108664901A (zh) 2018-10-16
CN108664901B true CN108664901B (zh) 2021-04-13

Family

ID=63780734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810362609.1A Active CN108664901B (zh) 2018-04-20 2018-04-20 基于改进lmd的微电网电能质量扰动信号检测方法

Country Status (1)

Country Link
CN (1) CN108664901B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109556797B (zh) * 2018-11-19 2020-10-09 浙江工业大学 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法
CN109506938A (zh) * 2018-11-21 2019-03-22 昆明理工大学 基于改进小波包阈值去噪与局部均值分解的故障提取方法
CN109633368B (zh) * 2018-12-03 2020-11-06 三峡大学 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN110147760B (zh) * 2019-05-20 2022-08-12 吉林化工学院 一种高效电能质量扰动图像特征提取与识别新方法
CN111993160B (zh) * 2020-06-05 2022-02-22 中国工程物理研究院机械制造工艺研究所 一种基于超精密金刚石车床面形的相近振动频率辨识方法
CN112545472B (zh) * 2020-12-02 2022-11-01 成都心吉康科技有限公司 一种ppg信号质量评估的方法、装置、设备及储存介质
CN113899976B (zh) * 2021-10-30 2024-03-29 福州大学 一种复合电能质量扰动可视化方法
CN115048957A (zh) * 2022-06-08 2022-09-13 福州大学 基于isvmd-ht的复合电能质量扰动参数辨识方法
CN115015682B (zh) * 2022-08-09 2022-11-08 南京佑友软件技术有限公司 一种电能质量实时在线监测方法
CN117871948B (zh) * 2024-03-11 2024-05-31 南方电网科学研究院有限责任公司 一种基于改进vmd算法的间谐波检测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994062A (zh) * 2014-05-13 2014-08-20 山东理工大学 液压泵故障特征信号提取方法
CN105424057A (zh) * 2015-10-30 2016-03-23 东南大学 一种基于改进lmd的光纤陀螺振动信号分析方法
DE102015219013A1 (de) * 2015-10-01 2017-04-06 Siemens Aktiengesellschaft Fertigung eines Referenzkörpers während der generativen Herstellung eines Bauteils

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103994062A (zh) * 2014-05-13 2014-08-20 山东理工大学 液压泵故障特征信号提取方法
DE102015219013A1 (de) * 2015-10-01 2017-04-06 Siemens Aktiengesellschaft Fertigung eines Referenzkörpers während der generativen Herstellung eines Bauteils
CN105424057A (zh) * 2015-10-30 2016-03-23 东南大学 一种基于改进lmd的光纤陀螺振动信号分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《4B-6 A Novel Method for Direct Localized Sound Speed Measurement Using the Virtual Source Paradigm》;Brett Byram 等;《2007 IEEE Ultrasonics Symposium Proceedings》;20071226;全文 *
《基于改进LMD的谐波扰动检测新方法》;杜培伟 等;《电力系统及其自动化学报》;20160831;第28卷(第8期);全文 *
《波形曲率延拓在局域均值分解中的应用》;魏永合 等;《中国机械工程》;20160228;第27卷(第3期);全文 *

Also Published As

Publication number Publication date
CN108664901A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108664901B (zh) 基于改进lmd的微电网电能质量扰动信号检测方法
Yao et al. Fast S-transform for time-varying voltage flicker analysis
WO2020220804A1 (zh) 一种可变采样率的傅里叶分析方法
CN110542831A (zh) 一种基于变分模态分解和s变换的故障行波检测方法
Chang et al. Measurement techniques for stationary and time-varying harmonics
CN116865269B (zh) 一种风电机组高谐波补偿方法及系统
Chen et al. An efficient Prony-based solution procedure for tracking of power system voltage variations
CN106405230A (zh) 频率测量方法和装置
CN106501602B (zh) 一种基于滑窗频谱分离的基波参数测量方法
CN104808035A (zh) 一种基于广义双曲s变换的电压暂降检测方法
CN106137184B (zh) 基于小波变换的心电信号qrs波检测方法
CN115840120A (zh) 一种高压电缆局放异常监测及预警方法
CN113899444A (zh) 一种基于汉宁双窗的振弦传感器共振频率测量方法
Xu et al. Match-extracting chirplet transform with application to bearing fault diagnosis
Bartman Accuracy of reflecting the waveforms of current and voltage through their spectrum determined by the standards regulating measurements
Templeton Time-series analysis of variable star data
US10585130B2 (en) Noise spectrum analysis for electronic device
Ma et al. Harmonic and interharmonic analysis of mixed dense frequency signals
Ortega et al. Hilbert–Huang transform analysis of storm waves
CN106872777B (zh) 一种谐波和间谐波分离分析方法
Pan et al. Symplectic Geometry Transformation-Based Periodic Segment Method: Algorithm and Applications
Duan et al. A novel adaptive fault diagnosis method for wind power gearbox
CN105372493B (zh) 基于三条dft复数谱线的信号幅值和相位测量方法
CN104820131B (zh) 一种运用对偶计算准确识别超低频信号的方法
US9759751B1 (en) Line cycle correlated spectral analysis for power measurement systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant