基于希尔伯特黄变换和支持向量机的故障识别方法

技术特征：
1.基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，包括以下步骤：s101、获取用户用电状态数据；s102、将所述用户用电状态数据进行小波包处理，得到无高频干扰噪声的电流信号；s103、通过陷波器将所述无高频噪声干扰信号的电流信号进行滤波处理，得到经过去噪滤波后的电流信号；s104、采用经验模态分解对所述去噪滤波后的电流信号进行分解，得到固有模态函数；s105、从所述固有模态函数中提取电流信号特征；s106、将提取的电流信号特征通过分类器进行故障识别。2.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，所述小波包分解处理包括以下步骤：通过小波包函数选择出相应的分解层次n，并进行n层小波包分解；根据已经给定的标准熵，计算最佳小波包分解树；选择适当的阈值对不同尺度的高频系数进行量化处理；根据第n层的小波包分解低频系数和量化处理系数进行小波包重构。3.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，所述滤波处理包括以下步骤：将模拟低通原型陷波器通过s平面变换成数字带阻陷波器的z平面；通过50hz工频谱陷波器将50hz的基波成分从电流波形去除。4.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，所述经验模态分解处理包括以下步骤：a、用三次样条函数将电流信号s(t)所有的极大值点拟合成原数据序列上的包络线，将所有的极小值点拟合成原数据；b、将原数据序列s(t)减去上下包络线的均值m1(t)得到一个去掉低频的新数据h1(t)；c、将去掉低频的新数据h1(t)重复进行步骤a和步骤b，直至去掉低频的新数据h1(t)符合imf的定义要求，所得到的均值趋于零为止；d、得到符合imf定义要求的数据序列h
1k
(t)；将c1(t)从s(t)中分离出来，即得到一个去掉高频分量的差值信号；得到固有模态函数。5.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，所述提取电流特征包括以下步骤：对每个imf分量进行希尔伯特变换，得到每个imf分量的瞬时频率和瞬时幅值；通过边际谱提取出电流信号特征。6.根据权利要求1所述的基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，所述将提取的电流信号特征通过分类器进行故障识别，识别故障包括以下步骤：根据给定输入数据和学习目标确定目标函数；将有约束的目标函数转换为无约束的目标函数；识别故障的判别函数f(z)为：其中，z为样本点到超平面的距离，f(z)为分类器分类结果，a
i
为拉格朗日乘子，y
j
为支持向量对应的类型标签，x
i
为特征信息组成的特征向量。
7.根据权利要求6所述的基于希尔伯特黄变换和支持向量机的故障识别方法，其特征在于，所述将有约束的目标函数转换为无约束的目标函数具体包括以超平面的法向量和超平面的截距为变量，通过拉格朗日函数将有约束的目标函数转换为无约束的目标函数。

技术总结
本发明公开了基于希尔伯特黄变换和支持向量机的故障识别方法，包括以下步骤：获取用户用电状态数据；将所述用户用电状态数据进行小波包处理，得到无高频干扰噪声的电流信号；通过陷波器将所述无高频噪声干扰信号的电流信号进行滤波处理，得到经过去噪滤波后的电流信号；采用经验模态分解对所述去噪滤波后的电流信号进行分解，得到固有模态函数；从所述固有模态函数中提取电流信号特征；将所述提取的电流信号特征通过分类器进行故障识别；实现了精确识别电弧故障。精确识别电弧故障。精确识别电弧故障。


技术研发人员：蒋雯倩 刘博 林秀清 陈珏羽 黄柯颖 蔡翰举 杨舟 李金瑾 唐志涛 颜丹丹 包岱远 林建利 韦尊
受保护的技术使用者：天津大学
技术研发日：2022.02.28
技术公布日：2022/7/1