经验小波变换在变压器振动信号特征提取中的应用

本文主要探讨了基于经验小波变换（EWT）的变压器振动信号特征提取方法，由赵妙颖和许刚在华北电力大学的研究成果。他们利用EWT将变压器振动信号分解为多个经验小波函数（EWF）分量，并通过希尔伯特谱分析这些分量的时频特性，提取出反映不同工况下变压器振动信号的特征信息。通过计算各分量与原信号的相关系数，选择高相关度的分量构建特征矢量，从而实现对变压器不同工况的量化处理。仿真试验表明这种方法能有效提取特征，并能准确识别变压器绕组的状态。文章还提到了传统的傅里叶变换、小波包分解和希尔伯特-黄变换等方法在处理非平稳信号时的局限性。 在电力系统中，变压器是保障稳定运行的关键设备，其安全性和稳定性至关重要。振动信号分析是监测变压器状态的重要手段，特别是对于检测和预防绕组故障。特征提取是这一过程的核心，它能够帮助区分变压器在不同运行状态下的特征。 文章指出，傅里叶变换虽适用于平稳信号分析，但对非平稳的故障信号处理效果不佳。小波包分解和希尔伯特-黄变换虽然在一定程度上改善了这一问题，但在处理复杂非线性信号时仍有局限性。而经验小波变换则提供了一种更灵活的方法，能够更好地适应非平稳和非线性的振动信号，尤其是在提取故障特征方面表现出优越性。 通过EWT，振动信号被分解为多个具有不同时间尺度和频率特性的EWF分量。希尔伯特谱的应用使得时频分析更为直观，可以清晰展示各工况下信号的频率特征。接着，计算各分量与原始信号的相关系数，选择与信号关联性强的分量来构造特征矢量。这个特征矢量能够量化表示信号的特征，进一步用于识别变压器的不同工作状态。 实验结果证实，基于EWT的方法在特征提取和状态识别方面具有较高的准确性和有效性，这为电力系统的状态监测提供了新的技术途径。该研究受到国家重点研发计划和中央高校基本科研业务费专项资金的支持，展示了在实际应用中改善和优化变压器状态监测的潜力。 总结来说，这篇论文详细介绍了如何利用经验小波变换来优化变压器振动信号的特征提取过程，为非平稳信号分析提供了一个有力工具，对于提升电力系统设备的健康管理具有重要意义。