EMD及Duffing振子在小电流系统故障选线方法中的应用

针对小电流系统发生故障时,各线路零序电流的非平稳、非线性等复杂特性,给出一种基于经验模态分解(empirical mode decomposition,EMD)和Duffing振子检测的方法。EMD方法具有很好的自适应性,而Duffing振子系统对于与内驱动力同频的外界信号具有高度敏感性。首先对故障零序电流进行EMD分解,提取出第1个内禀模态函数作为故障零序电流特征量;然后提出特征量中的五次谐波分量,将其输入到Duffing振子中,通过系统相图变化来确定当前线路是否发生故障。对各条线路进行不同条件下故障模拟,仿真结果证明了该算法的可靠性。

滑动去趋势波动分析在电能质量暂态扰动检测中的应用

针对电能质量暂态扰动信号的不规则性和突变性特点,提出了一种基于滑动去趋势波动分析的电能质量扰动检测新方法。扰动的发生使原信号的相关性特征发生变化,而去趋势波动分析的波动参数对这种变化反应敏感。通过滑动窗构建波动参数曲线,不仅能够对扰动时刻进行准确定位,而且可以确定电压暂升、暂降等典型暂态扰动的电压波动幅值。试验结果证明了该方法的有效性,与基于小波变换的检测方法相比,所述方法在抵御噪声干扰方面更具优越性。

基于EEMD和混沌的信号特征提取方法及应用

提出了一种基于集合经验模态分解（EEMD）和混沌相结合的信号特征提取方法，应用于婴儿呼吸信号哮喘检测中。EEMD把呼吸的局部信号分解成一系列频率从高到低的模态分量，对各分量与局部呼吸信号进行相关分析，并给出各分量的Hilbert谱，通过局部分析的结果初步判断婴儿是否患有哮喘；然后，以EEMD局部信号检测出来的信号频率作为混沌振子检测的频率，对全局呼吸信号进行整体检测及分析，由混沌的间歇周期可以得出原始呼吸信号的频率，准确确定婴儿哮喘诊断结果。对EEMD和混沌算法的应用存在的问题进行了改进，将其应用到实测信号的分析中，验证了方法的有效性。该方法能够正确地反映信息特征，准确率高。

复杂系统建模的ε机理论方法及应用研究

提出一种ε机理论发现复杂系统中隐含模式的新思路。该方法能在对系统内部结构无法知晓的情况下,不需要假设而根据系统自身的特性建模。先对时间序列进行符号化处理,生成符号序列。再采取因果态分割重构法重构ε机,重构后能够显示出原始序列中的隐含信息。通过对工程中配电网系统故障选线的多组实验证明,4个评判指标:熵率、统计复杂度、状态数和相对熵率能够一致地显示出各条线路的隐含信息,在几个关键影响因素改变的情况下均能有效地区分故障线路和非故障线路。从而验证了ε机理论在复杂系统建模中的优越性,为复杂系统建模提供了一种有效途径,也为配电网故障选线提供了一种新的方法。