希尔伯特-黄变换在电力系统故障检测中地效果.docVIP

希尔伯特- 黄变换在电力系统故障检测中的效果背景： 日期：2010-7-12 作者：佚名 编辑：huayue 点击次数：15 销售价格：免费论文 论文编号：lw201007121329372838 论文字数：2249 论文属性：职称论文 论文地区：中国 论文语种：中文 收藏：del.icio.us google书签 雅虎搜藏 百度搜藏 新浪vivi 和讯网摘poco网摘天极网摘qq书签饭否mister-wong365网摘LiveDiggDiglog 关键词：希尔伯特- 黄变换 经验模态分解 瞬时频率 电力系统 故障检测 中国论文 职称论文 ［摘要］电力系统发生故障时，其暂态信号多为非线性非平稳信号。希尔伯特- 黄变换可从此类信号出发，自适应分解为有限个本征模式函数之和，通过选取IMF 并对其进行Hilbert 变换，提取出IMF 分量的瞬时频率和瞬时幅度。利用合成的IMF 分量的Hilbert谱分布，对故障暂态进行了时间- 频率- 振幅的联合分析。仿真结果表明，希尔伯特- 黄变换在电力系统故障检测中非常有效。 0.引言 电力系统发生故障常见有单相接地、两相接地、两相及三相短路或断线。各种故障所出现的特征也各有其特殊性，但无论发生何种故障总会有故障信息出现。故障后产生的故障信息包括电量故障信息和非电量故障信息，电量故障信息便于检 测。最典型的电量故障信息是电压和电流。故障信息可以分为稳态故障信息和暂态故障信息，前者包括工频基波分量和谐波分量(通常使用)2 次、3 次及5 次谐波，后者包括行波、电弧暂态和衰减的直流分量电流等[1]。 希尔伯特- 黄变换技术适用于非线性非平稳信号的分析，被认为是近年来对以傅里叶变换为基础的线性和稳态谱分析的一个重大突破。该方法摆脱了传统的傅里叶分析的局限，克服了小波变换的不足，是一种简单易行，并且有效的自适应分解的时频分析方法。小波分析虽然也能分析信号的奇异性，但是并不能十分明晰地定位突发事件的发生时刻。换句话说，在同样的频率分辨率下，小波分析的时间分辨率不如Hilbert 谱图的高。HHT 方法已经在故障研究、地震检测、语音增强以及结构健康监测等领域得到了广泛应用，并取得了较好的效果[2-4]。HHT通过EMD 把信号分解为若干IMF，然后再对IMF 进行Hilbert 变换，由此可构建信号的时间- 频率- 能量分布，无论在时域还是频域都具有良好的分辨率，其三维分布能更好地反映信号的内在本质特征。 1.HHT 理论[5-6] 1.1 经验模态分解(EMD) 方法 在HHT 中，为了计算瞬时频率，定义了本征模态函数(IMF)，它必须满足两个条件：(1)在整个数据段内，其极值点的个数和过零点的个数必须相等或相差一个；(2)在任意时刻，由局部极大值点和极小值点形成的上、下包络线平均值为零。本论文由无忧论文网整理提供第一个条件与传统的平稳高斯过程中关于窄带的定义类似。第二个条件则是对信号的局域特性做了要求,而非传统的整体性要求,它排除了由于波形不对称而引起的瞬时频率的波动。通过信号局部极大值定义的极大值包络以及局部极小值定义的极小值包络的均值为零来强迫信号局部对称。 对于不满足IMF 的复杂信号，用EMD 方法对其进行分解，方法如下：确定信号s(t)的所有局部极大值点和局部极小值点，然后用三次样条曲线分别连接所有的局部极大值点和局部极小值点形成上、下包络线v1(t)和v2(t)，求出上、下包络线的平均值m1, 理想的若h1 是一个IMF，则h1 就是s(t)的第一个IMF 分量。若h1 不满足IMF 的条件，把h1 作为原始数据，重复以上过程k 次，得到h1(k-1)-m1k=h1k，利用SD 的值判断每次筛选结果是否为IMF 分量： SD 的值通常取0.2~0.3，h1k 满足SD 的要求时，令c1=h1k，且c1 为信号s(t)的第1 个IMF 分量。将c1 从s(t)中分离出来，得到r1=s(t)-c1 (4) 将r1 作为原始数据重复上述过程，得到s(t)的第2 个IMF 分量c2，重复循环n 次，得到信号s(t)的n 个IMF 分量。这样就有r1-c1/dianlixitong/2010/0712/lw201007121329372838.html=r2,…,rn-1-cn=rn，当rn 成为一个单调函数不能再从中提取IMF 分量时，分解过程结束。于是 rn 称为残余函数，代表信号的平均趋势。 2.电力系统故障时频分析 2.1 短路故障 单相完全接地故障[7]，发生时间0.2-0.3s：A 相电压为零，图1(a)所示,(b)为瞬时频率，可见0