一种基于改进变分模态分解的局部放电阈值去噪方法

技术领域

本发明涉及高压电气设备局部放电检测领域，具体涉及一种基于改进变分模态分解的局部放电阈值去噪方法。

背景技术

随着我国用电需求的不断增长，我国电网所要求的电压等级也越来越高，这就要求电网中的高压电气设备必须保证稳定可靠运行。在电力系统中高压电气设备，如：气体绝缘金属封闭开关设备(GIS)、动力电缆等，长期处于带电运行状态下，不可避免的会出现绝缘故障现象。局部放电(PartialDischarge，PD) 是高压电气设备的绝缘故障早期表现形式，因此局部放电检测可以有效评估高压电气设备的绝缘状态，及时发现设备的潜在故障，减少运行故障的发生。然而在局部放电检测中，由于局部放电信号非常微弱，并且检测现场会有严重的噪声干扰，使得检测到的局部放电信号常常淹没于噪声中，不利于局部放电检测。因此有效抑制噪声方法对高压电气设备局部放电检测至关重要。

发明内容

本发明的目的在于提供一种基于改进变分模态分解的局部放电阈值去噪方法，该算法过程清晰直观，去噪效果好，且求解速度快。

为实现上述目的，本发明采用了以下技术方案：

一种基于改进变分模态分解的局部放电阈值去噪方法，包括以下步骤：

步骤S1：利用局部放电信号频谱图的波峰个数确定变分模态分解的分解层数K；

步骤S2：利用天牛须搜索算法优化变分模态分解的各层模态对应的惩罚因子α

步骤S3：确定分解参数后，利用优化后的变分模态分解算法对局部放电信号进行分解，得到K个有限带宽本征模态分量，并计算各模态分量的峭度值；

步骤S4：定义步骤S3中峭度值大于10的分量为有效分量，其余为无效分量；

步骤S5：重构有效分量得到重构信号，利用提升小波阈值法去除掉重构信号中残留的低频白噪声，得到最终去噪后的局部放电信号。

为优化以上技术方案，采取的具体措施还包括：

步骤S2具体为：

S21：确定分解层数K后，定义天牛须算法的搜索维数为K，天牛的位置为

S22：峭度是评价冲击性的指标，其表达式为：

其中：μ表示为信号的均值，x表示信号的时间序列值；

定义天牛须算法的目标函数f(x)为变分模态分解在每组参数下各个模态分量的峭度之和，其表达式为：

其中：K为步骤S1得到的分解层数，Ku

S23：天牛须算法更新公式为：

x

其中：D为单位化的随机向量，x

进一步地，步骤S3具体为：

S31：所述变分模态分解，是将输入信号x(t)自适应地分解成多个模态分量信号u

其中：u

S32：引入二次惩罚因子和Lagrange乘法算子将其转换成无约束变分问题，再通过交替方向乘子法求解，然后利用傅里叶等距变换转换到频域，迭代更新 u

其中：^表示傅里叶变换；

S33：直至满足迭代停止条件，通过傅里叶逆变换输出K个模态分量。

进一步地，步骤S5具体为：

S51：重构步骤S4中的有效分量得到重构信号；

S52：选择最优提升小波基函数和最优分解尺度；

S53：对重构信号进行提升小波分解，得到各层小波高频系数和小波低频系数；

S54：将分解得到的小波高频系数进行软阈值处理，软阈值函数表达式为：

其中：d

S55：将低频小波系数和经过软阈值处理后的高频系数进行提升小波逆变换，得到最终去噪后的局部放电信号。

由上述技术方案可知，本发明所述的基于改进变分模态分解的局部放电阈值去噪方法，针对变分模态分解在实际应用中难以自适应选取分解参数的问题，提出以频谱图的波峰个数确定分解层数，采用天牛须搜索算法优化各模态对应的惩罚因子，引入峭度指标来准确的选取有效分量进行重构。利用提升小波阈值法去除掉重构信号中残留的低频白噪声，本发明有效抑制了周期窄带干扰和白噪声，减少局部放电波形的畸变，完整的保留了局部放电信号的特征信息。

附图说明

图1是本发明实施案例一种基于改进的变分模态分解的局部放电阈值去噪方法的流程图；

图2是本算例中原始局部放电信号时域采样信号图；

图3是本算例中染噪局部放电信号时域采样信号图；

图4是本算例中染噪局部放电信号频谱图；

图5是本算例中天牛须搜索迭代图；

图6是本算例使用变分模态分解算法分解出的各模态分量时域图；

图7是本算例使用变分模态分解算法分解出的各模态分量频谱；

图8是算例中使用提升db4小波阈值去噪结果图；

图9是算例中使用集合经验模态分解去噪结果图；

图10是算例中使用本发明去噪方法结果图。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，本发明提出一种基于改进的变分模态分解的局部放电阈值去噪方法，包括以下步骤：

步骤S1：利用局部放电信号频谱图的波峰个数确定变分模态分解的分解层数K；

步骤S2：利用天牛须搜索算法优化变分模态分解的各层模态对应的惩罚因子α

S21：确定分解层数K后，定义天牛须算法的搜索维数为K，天牛的位置为

S22：峭度是评价冲击性的指标，其表达式为：

其中：μ表示为信号的均值，x表示信号的时间序列值；

定义天牛须算法的目标函数f(x)为变分模态分解在每组参数下各个模态分量的峭度之和，其表达式为：

其中：K为步骤S1得到的分解层数，Ku

S23：天牛须算法更新公式为：

x

其中：D为单位化的随机向量，x

步骤S3：确定分解参数后，利用优化后的变分模态分解算法对局部放电信号进行分解，得到K个有限带宽本征模态分量，并计算各模态分量的峭度值；

S31：所述变分模态分解，是将输入信号x(t)自适应地分解成多个模态分量信号u

其中：u

S32：引入二次惩罚因子和Lagrange乘法算子将其转换成无约束变分问题，再通过交替方向乘子法求解，然后利用傅里叶等距变换转换到频域，迭代更新 u

其中：^表示傅里叶变换；

S33：直至满足迭代停止条件，通过傅里叶逆变换输出K个模态分量；

步骤S4：定义步骤S3中峭度值大于10的分量为有效分量，其余为无效分量；

步骤S5：重构有效分量得到重构信号，利用提升小波阈值法去除掉重构信号中残留的低频白噪声，得到最终去噪后的局部放电信号；

S51：重构步骤S4中的有效分量得到重构信号；

S52：选择最优提升小波基函数和最优分解尺度；

最优小波基函数选择过程为：

选取不同的小波函数作为提升小波基，在同一分解尺度下对同一信号进行降噪处理对比。在单指数振荡衰减函数中加入白噪声作为染噪信号，染噪信号的信噪比为-18.96，选择的提升小波基函数为：haar、db2、db4、db5、db6、sym4，分解尺度均为4。计算采用不同提升小波基函数降噪处理后的信噪比，结果如下表所示，发现采用小波db4基函数进行降噪处理为最佳。

同一分解尺度下，采用不同提升小波基函数降噪处理后的信噪比

最优分解尺度选择过程为：

在确定最优小波基函数的基础上对信号进行不同尺度的分解，来确定最优分解尺度。在单指数振荡衰减函数中加入白噪声作为染噪信号，染噪信号的信噪比为-18.96，分别设定不同的分解尺度J＝3，4，5，6。计算不同分解尺度下降噪处理后的信噪比，结果如下表所示，发现分解尺度为3时降噪处理结果为最佳。

最优小波基函数下，采用不同分解尺度降噪处理后的信噪比

S53：对重构信号进行提升小波分解，得到各层小波高频系数和小波低频系数；

S54：将分解得到的小波高频系数进行软阈值处理，软阈值函数表达式为：

其中：d

S55：将低频小波系数和经过软阈值处理后的高频系数进行提升小波逆变换，得到最终去噪后的局部放电信号。

本发明公开了一种基于改进的变分模态分解的局部放电阈值去噪方法，首先以局部放电信号频谱图的波峰个数作为变分模态分解的分解层数K，通过天牛须搜索算法优化变分模态分解各层模态对应的惩罚因子α

算例

首先建立理想局部放电信号模型，可选取单指数振荡衰减模型和双指数振荡衰减模型来模拟而成，并向理想局部放电模型中加入周期窄带干扰信号和白噪声来，模拟染噪信号，图2、3为建立的理想局部放电信号和染噪局部放电信号图。对染噪信号进行FFT分析，图4为染噪局部放电信号频谱，确定变分模态分解的分解层数为5。图5为天牛须搜索迭代过程图，确定变分模态分解的各层惩罚因子。使用优化后的变分模态分解处理染噪局部放电信号，图6为得到的各模态分量时域图，图7为各模态分量相应的频谱。

计算各模态分量的峭度值，分别为18.34、1.60、1.56、17.21和1.60，可自动识别出BIMF1和BIMF4为有效分量，重构有效分量，可剔除窄带干扰信号和高频白噪声。

由图7中可以看出，BIMF1和BIMF4中仍然残留了部分幅值较小的白噪声，利用提升db4小波阈值法进一步剔除掉重构信号中残留的白噪声，最后得到去噪后的波形如图10所示。将其与其他两种传统去噪方法作对比，图8为使用提升db4小波阈值去噪结果图，图9为使用集合经验模态分解去噪结果图。由图可以看出，传统方法去噪效果一般，信号出现了严重波形畸变，损失了局部放电特征，本发明所提方法去噪效果良好，较完全地抑制了噪声，信号失真程度小。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。