基于EEMD和关联维数的小电流接地故障选线

提出一种基于总体平均经验模态分解（EEMD）和关联维数相结合的小电流接地故障选线新方法。EEMD对非线性、非平稳信号的处理，不仅能达到与经验模态分解（EMD）相同的效果，同时又能有效地抑制模式混叠，非常适用于对小电流接地故障信号的处理。关联维数作为反映系统状态的特征量，能定量分析故障状态，提高故障诊断能力。在计算关联维数前，需要进行相空间重构，采用极大联合熵算法求取最佳延迟时间，以往用互信息求取延迟时间法，该方法简化了算法，缩短了计算关联维数的时间。最后采用G-P算法计算零序电流相关分量的关联维数，通过比较关联维数，实现故障选线。实验结果表明该方法能快速准确地选出故障线路，为小电流接地故障选线提供一种有效的新方法。

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。

基于相空间重构改进算法的混沌奇异谱分析及应用

针对混沌奇异谱分析嵌入维数和延迟时间不确定性问题,提出相空间重构的改进算法。利用补充准则E_(2)(m)进行联合判断,同时对Cao算法进行了改进,给出了一种改进的嵌入维数的稳定性准则。嵌入维数利用改进的Cao算法,能够快速准确地确定嵌入维数m的值,具有准确性和高效性;用基于符号分析的极大联合熵求取延迟时间的方法,减少计算量和误差。通过数值验证对比实验验证了该方法的优越性。将该方法在滚动轴承早期故障识别中应用,结果表明:混沌奇异谱可以清楚看出不同故障信号的图形分布,实现对机械故障信号的特征提取。为机械故障早期诊断提供一种新的有效途径。