a） 基于小波分解的自適應濾波算法抑制局部放電窄帶周期干擾中的應用

   在局部放電信號處理中，普通的自適應濾波算法在各種抑制正弦干擾的算法中是比較好的算法之一，但是在寬帶局部放電在線監測中，

由于窄帶周期干擾的頻率范圍很寬，自適應濾波器的參數設置比較困難，有時甚至會導致算法不穩定。

我們創造性地提出了基于小波分解的自適應濾波算法，利用小波分頻原理，將采集到的信號分解到各個頻段上，再在各頻段上利用*優參數自適應濾波抑制窄帶干擾，

大量的計算機仿真分析和現場數據處理表明，基于小波分解的自適應濾波算法比起普通自適應濾波算法有更好的抗干擾性能和穩定性。

    b） 基于小波與隱式馬爾科夫模型的發電機局部放電信號去噪

 
    基于小波變換的馬爾科夫模型（HMMs）*近被用于圖像信號處理。

其方法的優勢在于它考慮了小波系數之間的相關性，而且在去噪時不存在待定的自由參數，具有更強的自適應性。

我們采用了HMMs方法去除發電機局部放電信號中的白噪聲。

為了驗證方法的有效性，我們采用了兩種實測的局放信號，實驗室的線棒放電信號和電廠的發電機局放信號。

結果證明，對比傳統的門限去噪算法，HMMs方法能獲得更高的信噪比。

    c） 基于神經網絡的發電機局部放電隨機脈沖干擾抑制

電機在線監測數字化干擾抑制技術

   在周期性窄帶干擾、白噪聲干擾、周期性隨機干擾和隨機脈沖干擾中等各種干擾中，隨機脈沖干擾由于其在頻域上和時域上與局放信號有很強的類似性，

現有的各種軟硬件抑制方法效果都不太令人滿意。

我們研究了隨機脈沖干擾和發電機局部放電信號在時域和頻域上的各種特征和現有的各種干擾抑制算法，利用二者在時域和頻域上的細微特征區別，

設計采用神經網絡算法識別局放信號和干擾信號，在識別的基礎上，達到去除隨機脈沖干擾的目的，取得了比較滿意的效果。

    
    d） 基于小波空間屏蔽濾波的局部放電信號處理算法

    空間屏蔽濾波器是采用相鄰尺度上小波系數的相關關系來構造的濾波器。

利用基于多孔算法的小波變換對信號進行分解，根據噪聲和局放信號小波系數的不同特征，構造空間屏蔽濾波器，對分解后的小波系數進行空間屏蔽濾波，

從而抑制各類干擾，提高信號的信噪比。

理論分析和實踐結果證明，對比傳統的去噪算法，空間屏蔽濾波能獲得更高的信噪比，保留更多的局放信號信息，對局放信號的去噪起到了很好的效果。

   干擾抑制算法是局放特征提取和分析的基礎，我們研究了一套完整的基于超寬帶系統的局放信號干擾抑制和特征提前算法，取得了很好的效果。