首页/论文/2004.00595

arXiv 2004.005952020-04eess.SPcs.SYeess.SY

基于同步压缩变换的非平稳电力系统强迫振荡分析

Non-Stationary Power System Forced Oscillation Analysis using Synchrosqueezing Transform

Pablo Gill Estevez, Pablo Marchi, Cecilia Galarza, Marcelo Elizondo

备注：: Submitted to IEEE Transactions on Power System

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在电力系统运行中，经常会出现非平稳强迫振荡。然而，大多数检测方法假设FO的频率是固定的。在本文中，我们提出了一种分析非平稳FO的方法。首先，傅立叶同步压缩变换（FSST）被用来提供一个集中的时间-频率表示的信号，允许识别和检索的非平稳信号分量。为了继续，耗散能流（DEF）方法应用于提取的组件，以定位强迫振荡的源。该方法进行了测试，使用模拟以及真正的PMU数据。结果表明，所提出的基于FSST的信号分解方法为DEF方法在非平稳FOs中的应用提供了一个系统的框架。

英文摘要：

Non-stationary forced oscillations (FOs) have been observed in power system operations. However, most detection methods assume that the frequency of FOs is stationary. In this paper, we present a methodology for the analysis of non-stationary FOs. Firstly, Fourier synchrosqueezing transform (FSST) is used to provide a concentrated time-frequency representation of the signals that allows identification and retrieval of non-stationary signal components. To continue, the Dissipating Energy Flow (DEF) method is applied to the extracted components to locate the source of forced oscillations. The methodology is tested using simulated as well as real PMU data. The results show that the proposed FSST-based signal decomposition provides a systematic framework for the application of DEF Method to non-stationary FOs.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

自适应短时傅里叶变换和同步压缩变换分离非平稳信号

Adaptive Short-time Fourier Transform and Synchrosqueezing Transform for Non-stationary Signal Separation

同步压缩变换是一种重分配方法，其目的是锐化时频表示，分离多分量非平稳信号的分量。在本文中，我们考虑短时傅里叶变换（STFT）与时变参数，称为自适应STFT。基于线性调频模式的局部逼近，分析了采用高斯窗函数的自适应短时傅里叶变换对非平稳多分量信号的良好分离条件。为了提高多分量信号的时频集中度和分辨率，更准确地分离多分量信号，提出了基于STFT的带时变参数的同步压缩变换（FSST），即自适应FSST。此外，我们还提出了二阶自适应FSST，以进一步改善自适应FSST的非平稳信号与快速变化的频率。此外，我们提出了一个局部优化算法的基础上，我们的良好分离的条件下，估计的时变参数的自适应和自动。仿真结果表明，该方法对合成信号和蝙蝠回波定位信号的有效性和鲁棒性。

2019-09-26cs.ITeess.SPmath.IT

具有时变参数的自适应同步压缩变换分析

Analysis of Adaptive Synchrosqueezing Transform with a Time-varying Parameter

同步压缩变换（SST）是近年来发展起来的一种用于分离非平稳多分量信号的方法。基于连续小波变换的SST（WSST）将信号的连续小波变换的尺度变量重新分配为频率变量，并且锐化时间-频率表示。本文提出了一种时变参数的WSST算法，称为自适应WSST算法，它是在“Adaptive synchroscushinging transform with a time-varying parameter for non-stationary signal separation”一文中提出的。本文给出了自适应WSST对非平稳多分量信号良好分离的条件和时变参数的选取方法。仿真实验表明，自适应WSST在估计多分量信号的瞬时频率和准确恢复多分量信号方面具有很好的应用前景。然而，自适应WSST的理论分析还没有研究。在本文中，我们进行了这样的分析，并获得误差界与自适应WSST和二阶自适应WSST的组件恢复。这些结果为自适应WSST分离非平稳多分量信号提供了数学保证。

2020-08-22eess.SP

基于同步压缩变换和局部平稳高斯过程回归的胸腹运动气流恢复

Airflow recovery from thoracic and abdominal movements using Synchrosqueezing Transform and Locally Stationary Gaussian Process Regression

Clemson University（克莱姆森大学）；University of North Carolina at Greensboro（北卡罗来纳大学格林斯伯勒分校）；Perelman School of Medicine at the University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；Duke University（杜克大学）；National Center for Theoretical Sciences（国家理论科学研究中心）

气流信号编码了关于呼吸系统的丰富信息。虽然测量气流的金标准是使用具有闭合密封的肺活量计，但这对于患者的动态监测并不实用。传感器技术的进步使得用小型廉价设备测量胸部和腹部的运动成为可能，但是从这些时间序列估计气流是具有挑战性的。我们建议使用非线性类型的时频分析工具，同步压缩变换，适当地表示胸部和腹部运动信号的特征，这是用来恢复气流的局部平稳高斯过程。我们表明，使用包含正常睡眠条件下呼吸信号的数据集，可以通过在受试者内和受试者间设置的特征空间中拟合所提出的模型来实现准确的预测。我们还将我们的方法应用于更具挑战性的情况下，全身麻醉下的受试者从压力支持过渡到无辅助通气，以进一步证明所提出的方法的实用性。

2020-08-11cs.LGeess.SPstat.ML

用于非平稳信号分离的时变参数自适应同步压缩变换

Adaptive Synchrosqueezing Transform with a Time-Varying Parameter for Non-stationary Signal Separation

连续小波变换（CWT）是一种线性时频表示，是分析非平稳信号的有力工具。同步压缩变换（SST）是一种特殊的重分配方法，它不仅可以提高连续小波变换在时频平面上的能量集中度，而且可以分离多分量信号的分量。“凹凸小波”和Morlet小波是基于小波的SST中常用的连续小波。在这些小波中存在控制时频局部化窗口的宽度的参数。在大多数关于SST的文献中，这个参数是一个固定的正常数。在本文中，我们考虑的CWT与时变参数（称为自适应CWT）和相应的SST（称为自适应SST）的瞬时频率估计和多分量信号分离。我们还介绍了二阶自适应SST。利用线性调频模式的局部近似，分析了非平稳多分量信号的分离条件。我们推导了基于自适应连续小波变换的多分量信号的良好分离条件。我们提出的方法来选择的时变参数，使相应的自适应SST的多分量信号的分量有尖锐的表示和良好的分离，因此，可以更准确地恢复的组件。我们提供了比较实验结果，以证明所提出的自适应连续小波变换和自适应SST的效率和鲁棒性分离的多分量信号的快速变化的频率。

2019-09-26cs.NAeess.SPmath.NA

二阶时间重排同步压缩变换在Draupner波分析中的应用

Second-order Time-Reassigned Synchrosqueezing Transform: Application to Draupner Wave Analysis

本文讨论了有效地联合表示非平稳多分量信号的时间和频率的问题。我们介绍了一种新的增强的时间重新分配的同步压缩方法，旨在计算尖锐和可逆的表示脉冲或强调制信号。在建立了新方法与我们以前的结果的理论关系后，我们在数值实验中说明了我们的建议在应用于合成信号和真实信号时所带来的改进。我们的实验处理分析的Draupner波记录，我们提供了开创性的时间-频率分析结果。

2019-07-16cs.NAeess.SPmath.NA

基于多通道时频表示的强迫振荡识别与滤波

Forced Oscillation Identification and Filtering from Multi-Channel Time-Frequency Representation

非平稳强迫振荡（FO）源的定位是一项具有挑战性的任务，特别是在与自然系统模式共振条件下的情况下，其中振荡的幅度在远离源的地方可能更大。因此，它是感兴趣的是构建一个全球的时间-频率（TF）表示（TFR）的系统，它可以捕捉到的振荡成分存在于系统中。本文提出了一种基于多通道TFR的非平稳电力系统强迫振荡频率辨识和分量滤波的系统方法。通过应用改进的岭估计算法在TF平面上识别振荡分量的频率。然后，在TF平面上对所识别的脊周围的各个TFR应用反变换函数来执行分量的滤波。这一步骤构成了用于定位FO源的耗散能流（DEF）方法的应用的初始阶段。此外，我们还比较了三种TF方法：短时傅里叶变换（STFT）、基于STFT的同步压缩变换（FSST）和二阶FSST（FSST 2）。仿真和实际运行信号表明，该方法为电力系统非平稳强迫振荡的辨识和滤波提供了一个系统框架。

2022-03-19cs.SYeess.SPeess.SY

更多相关论文收起更多论文

基于下采样的同步压缩变换在大规模振动信号分析中的快速实现

Fast implementation of synchrosqueezing transform based on downsampling for large-scale vibration signal analysis

同步压缩变换（SST）具有良好的时频集中性和重构性，是振动信号分析的有力工具。然而，现有的SST需要大量的大规模数据的处理时间。提出了基于下采样短时傅里叶变换（STFT）的SST快速实现方法。通过在时间和频率上控制下采样因子，结合所提出的选择性重新分配和频率细分方案，可以根据实际需要在效率和精度之间保持平衡。此外，重建属性是可用的，通过下采样下的近似但直接的逆公式来实现。定量地研究了参数对浓度、计算效率和重建精度的影响，建立了具有抽取因子的重分配行为的数学模型。在航空发动机和主轴上的实验结果表明，SST的快速实现可以有效地表征大尺度振动信号的非平稳特性，揭示机械系统的机理。

2020-03-16eess.SP

基于自适应Chirplet变换的瞬时频率交叉信号直接分离方法分析

Analysis of a Direct Separation Method Based on Adaptive Chirplet Transform for Signals with Crossover Instantaneous Frequencies

在许多应用中，需要提取多分量信号的子信号构建块，这在现实世界和现实生活应用中通常是非平稳的。经验模式分解（EMD），同步压缩变换（SST），信号分离操作（SSO）和迭代滤波分解（IFD）已被提出和发展。然而，这些计算方法受到多分量信号的子信号频率曲线良好分离的规范的限制。另一方面，在我们最近的工作中，最近提出了基于线性调频波变换的信号分离方案（CT 3S），其将SSO从二维“时间-频率”平面扩展到三维“时间-频率-线性调频率”空间，以去除频率分离规范，从而允许“频率交叉”。本文的主要目的是对CT 3S方法的瞬时频率估计和分量恢复进行深入的误差分析研究。

2022-05-26cs.NAeess.SPmath.NA

IF方程：混合信号高浓度时频表示的特征提取器

IF equation: a feature extractor for high-concentration time-frequency representation of mixed signals

高浓度时频表示为多分量非平稳信号的特征化提供了一种有价值的工具。在我们以前的工作中，我们提出了使用瞬时频率（IF）方程来锐化TF分布，实验验证了它的有效性。本文系统地讨论了基于IF方程的TF分析方法的原理以及如何利用IF方程提高TF锐度。通过对IF方程性质的分析，证明了一个好的IF方程可以统一著名的IF和群时延估计器，为描述时变和频变混合信号提供了一种有效的方法。通过对基于IF方程的后处理技术的讨论，证明了目前流行的TF后处理方法，如同步提取变换、多同步压缩变换、时间提取变换等，都属于基于IF方程的TF后处理技术。我们还提出了一种新的方法，结合不同的IF方程，以最大限度地减少能量扩散的基础上局部稀疏。数值仿真和实际实验验证了本文提出的基于中频方程的TF分析方法的性能。

2023-03-10eess.SP

用于改进信号分类的时频图像表示和深度学习技术的用例

Use Cases for Time-Frequency Image Representations and Deep Learning Techniques for Improved Signal Classification

时频图像（TFIs）提供了信号的联合时频表示，已成为分析、表征和处理非平稳信号的有效工具。深度学习（DL）技术已经成为信号分类的通用技术，可以从原始数据中自动提取相关特征。在本文中，我们介绍了用于信号分类的时频变换和深度学习技术的两个用例，其中信号首先被预处理并转换为TFI，然后通过深度学习神经网络和分类算法提取其特征。所使用的具体方法和算法可以根据特定应用而变化，因此研究了用于创建TFI的不同方法;短时傅里叶变换（STFT）、基于傅里叶的同步压缩变换（FSST）、维格纳-维尔分布（WVD）、平滑伪维格纳分布（SPWD）、Choi-Williams分布（CWD）和连续小波变换（CWT）。评估了各种深度学习和卷积神经网络（CNN）模型（如ResNet-50、ShuffleNet和Squeezenet）在不同应用中的分类准确性，并将结果与传统机器学习和集成方法（如多层感知器（MLP）、支持向量机（SVM）、随机森林（RF）、决策树（DT））的结果进行比较。XGboost的。这项研究的结果表明，通过利用TFI和深度学习模型的综合能力，可以显著提高信号分类的准确性。这些进展已经在广泛的领域中找到了实际应用，包括雷达信号分类、电力系统的稳定性分析、语音和音乐识别以及生物医学信号表征。

2023-02-22eess.IVeess.SP