随着电力系统自动化程度的提高,对故障信号处理的精确性和准确性提出了新的要求。传统时频分析方法在处理复杂的故障信号时存在一定的局限性,已经不能满足电气设备在线状态监测和故障诊断技术进一步发展的需求。因此,以现代信号处理技术为基础的设备运行状态监测和故障诊断技术在保障电力系统安全运行,预防事故发生等方面具有重要的意义。 本文深入研究了经验模态分解方法,并围绕经验模态分解方法在电气设备状态评估和故障诊断中的应用展开讨论,主要工作包括: 1 研究了采用经验模态分解方法,筛选信号的本征模态函数,提取信号局部特征的方法。采用该方法提取信号的本征模态函数,对本征模态函数进行希尔伯特变换得到“时间-频率-能量”三维希尔伯特谱。通过和小波变换相比较,说明了基于经验模态分解方法的希尔伯特谱具有更高的分辨率和集中度,更好地反映了信号的时频分布。 2 基于模型延拓非平稳信号端点,提出了处理经验模态分解边界问题的方法。由于仅依据观测区间内部的极值点描述信号上下包络,会给经验模态分解过程带来边界误差,而且边界误差随着分解过程的进行向内传播,进一步污染内部数据,引起分解结果的不合理。采用该方法,获得观测区间外的极值点参与经验模态分解,可以有效地控制边界误差。 3 基于非均匀B样条曲线插值数据极大值、极小值点,提出了经验模态分解信号包络拟合的新方法。该方法通过规范积累弦长参数化,得到定义域内的节点矢量,利用信号极大值、极小值点反算得到非均匀B样条曲线的控制多边形,一起构造非均匀B样条曲线,参与经验模态分解,拟合信号包络。采用该方法可以获得精确的瞬时平均值,从而抑制没有意义的信号波动,避免分解过程中出现因三次样条曲线插值而引起的过冲、欠冲以及不完全包络等问题。