超高压电网故障录波数据自适应压缩新方法

综合分析了超高压电网变电站故障录波数据快速压缩传输的必要性，以及现有故障录波数据压缩传输算法的优缺点。提出了基于信号奇异性检测原理的自适应小波去噪压缩算法，详细分析了各尺度上小波系数奇异点的匹配搜索过程和最大尺度层数自适应阈值选取方法;通过故障录波信号频率与采样率的关系，确定出最大小波分解层数，然后在该分解层数上进行噪声白化检验，并对某一个信号奇异点进行奇异性指数计算，以确定出小波最优分解层数。最后通过大量真实故障录波数据编程仿真，验证了该压缩算法的高效性。     

大型泵站水泵机组振动信号滤波方法

针对大型泵站水泵机组运行时振动信号易受多种因素影响产生随机误差、噪声干扰,进而影响机组健康状态评价结果的问题,对水泵机组振动信号滤波方法进行分析研究。以南水北调东线某泵站水泵机组运行时机泵联轴器处的振动信号为例,分别使用巴特沃斯滤波器、基于汉宁窗的FIR 滤波器以及基于谐波小波的滤波器3 种滤波方法对水泵机组振动信号进行滤波处理并进行对比分析。结果表明:巴特沃斯滤波器和基于汉宁窗的FIR 滤波结果中存在时域波形的时延和轴心轨迹的连线,滤波不完全,而基于谐波小波的滤波几乎能够完全滤除干扰;对于特定频段的滤波,基于谐波小波的滤波在频段范围比较小的时候优势更加明显。     

基于小波变换的开都河径流量多时间尺度分析

以开都河大山口站1956—2006年的年径流量资料为例,利用Morlet小波变换对其水文序列的多时间尺度演变特性进行了分析,并预测了开都河2006年以后的年径流量变化趋势。结果表明:开都河存在6 a、10 a、15 a和38 a等4个主周期,其中38 a和10 a分别为第一和第二主周期;2006年后的未来几年内开都河将处于偏枯期。     

观测值序列的粗差探测方法

基于小波分析和未确知滤波理论，研究了对观测序列中粗差进行探测和剔除的方法，并结合实例进行了分析和比较，表明这2种方法得到的探测结果基本一致，均具备较好的应用价值。此外，进一步分析了2种方法的优点和局限性，为实际应用提供了有用的参考。根据2种处理方法的特点，提出了粗差探测的综合探测方法。     

水力机组振动监测与故障诊断

针对水力机组运行过程中因振 动而引起故障并造成经济损失这一问题，开发了一套新型的振动监测及故障诊断系统，它以 工业PC 机为主体，与摆度、振动传感器及有关功能模块和信号预处理器共同组成机组振动 在线监测分析系统。利用该系统对机组振动的周期性监测，能够在线监测机组缺陷的缓慢变 化过程，为视情检修提供良好的依据，同时也为机组运行调度提供可靠的信息。介绍了该系 统的硬件及软件组成、原理及功能，并结合实例运用小波分析与傅里叶分析相结合的信号分 析方法，对机组故障进行了分析诊断，找出了故障原因。     

小波分析在水文预报中的应用

对小波变换的基本理论和小波分析(多分辨分析、小波包分析)方法做了简要的阐述,介绍了国内外当前小波理论在不同领域应用研究现状,结合长江111年的水文资料,分析了小波技术在水文预报预测中的应用,研究结果表明小波分析用于水文时间序列趋势分析是合理可行的.     

1971-2018年汉江流域陕西段降水时空特征分析

基于1971-2018年汉江流域陕西段 27个气象站点的逐日降水数据,选择了年降水量、降水强度、最大日降水量、年降水日数、中雨日数和大雨日数6个降水指数分析其降水时空特征,分析方法包括线性估计法、小波分析法、滑动均值法、IDW 空间插值法及Mann-Kendall检验法。结果表明：在研究时段内,汉江流域陕西段降水强度有缓慢增加趋势,其余5个降水指数均呈缓慢减小趋势,且6个降水指数的变化趋势均不显著;研究区域仅年降水日数无突变点,且在1995年后呈现显著减小趋势,其余降水指数均有突变点;年降水量有7 a的副周期和27 a左右的主周期,主周期有3个循环交替,且丰、枯交替突变点在1983和2000年。汛期降水量与年降水量周期基本一致,而非汛期有4和16 a两个副周期和1个28 a的主周期;年降水量空间分布呈现由北到南逐渐增大的趋势,除了年降水日数的高值中心在宁强县外,其余5个降水指数的高值中心均在镇巴县,而低值中心除了降水强度在太白县外其余的均在商县。在研究时段内各年代际降水指数的比较中,1971-2018年的年降水量、降水强度和年降水日数均仅次于最大值,预计未来极端降水事件可能更加频繁,严重的情况下会影响水生态、水环境、水安全等的健康发展。     

实现工程水利向资源水利转变的认识

为可持续发展提供水资源保障是２１ 世纪水利工作的任务。通过分析工程水利和资源水利在解决中国水资源问题中的区别与联系，论证资源水利是２１ 世纪治水思路的主导，并就资源水利的运用提出见解。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

基于小波神经网络的工程形变量预测模型

土木工程的形变量关系到工程的寿命和生命财产的安全。针对工程形变量的预测问题,应用小波神经网络建立了形变量预测的一般模型,给出了一般土木工程形变所考虑的影响因子,并通过实例进行验证。结果表明,该模型的预测值与实测值十分接近,避免了人为因素的干扰。应用该模型对于一般土木工程形变量的预测结果是准确的。