经验模态分解与Cohen-Williams分布结合的电能质量扰动检测

"EMD与CWD结合在暂态电能质量扰动检测中的应用 (2012年)" 本文探讨了在电力系统暂态电能质量扰动检测中，如何克服Cohen类二次型时频分布存在的交叉项问题。郭晓婷、刘伟和李建提出了一种创新的方法，该方法结合了经验模态分解（Empirical Mode Decomposition, EMD）和Choi-Williams分布（Choi-Williams Distribution, CWD），以提高时频分析的精确性和准确性。 经验模态分解是一种自适应的数据分析方法，它能够将复杂信号分解为一系列简单、具有物理意义的固有模态函数（Intrinsic Mode Functions, IMFs）。这种方法在处理非线性、非平稳信号时表现出色，可以将信号按照不同频率成分进行分离。在本研究中，EMD被用来将电力系统信号分解为多个IMFs，每个IMF代表一个特定的频率成分或动态行为。 Choi-Williams分布是一种非参数的时频分布，其优点在于能够提供平滑的时频图像，但存在交叉项干扰，这可能会影响对信号特征的准确识别。为了解决这个问题，研究者们在对EMD分解得到的IMFs进行去伪处理后，使用CWD进行时频变换。通过这种方式，可以抑制CWD中的交叉项，保持时频聚集性，从而更清晰地揭示信号的瞬态特性。 论文中进行了仿真验证，结果显示，EMD与CWD结合的方法确实能够有效地抑制时频分布的交叉项，提高时频分析的信噪比，使得Cohen类时频分布更加集中，有助于准确地提取出电能质量扰动的特征。这对于电力系统的故障诊断、扰动识别以及电能质量的改善具有重要意义。 总结起来，该研究为电能质量扰动检测提供了一个新的思路，通过结合EMD的信号分解能力和CWD的时频分析能力，能够在复杂的电力系统环境中，更准确地捕捉和分析暂态扰动，对于提升电力系统的稳定性和可靠性具有积极的理论和实践价值。这一方法不仅适用于电力系统，还可能推广到其他领域，处理类似的非线性、非平稳信号分析问题。