CN111046791A - 一种基于含可变因子广义s变换的电流信号滤波去噪方法 - Google Patents

一种基于含可变因子广义s变换的电流信号滤波去噪方法 Download PDF

Info

Publication number
CN111046791A
CN111046791A CN201911264865.8A CN201911264865A CN111046791A CN 111046791 A CN111046791 A CN 111046791A CN 201911264865 A CN201911264865 A CN 201911264865A CN 111046791 A CN111046791 A CN 111046791A
Authority
CN
China
Prior art keywords
time
frequency
generalized
transform
gst
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201911264865.8A
Other languages
English (en)
Inventor
卫志农
毛玥萱
殷志华
孙国强
臧海祥
刘玲
刘雨琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201911264865.8A priority Critical patent/CN111046791A/zh
Publication of CN111046791A publication Critical patent/CN111046791A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于含可变因子广义S变换的电流信号滤波去噪方法，该方法首先将一组连续时域电流信号的离散采样序列通过含可变因子的广义S变换转换为一个二维时频复数矩阵；其次，对二维时频矩阵进行阈值滤波方法处理，再用基于时频谱分布的时频滤波器处理，保留时频域内的有效信号，提取有效电流信号分量；最后，通过广义S反变换获得去除噪声的一维时域电流信号。本发明可以有效的提取噪声背景下的电流纯净信号，从而可以在多种工况环境下进行电流信号分析处理。

Description

一种基于含可变因子广义S变换的电流信号滤波去噪方法
技术领域
本发明属于信号滤波去噪处理的技术领域，具体涉及一种基于含可变因子广义S变换的电流信号滤波去噪方法。
背景技术
在工程实际中，噪声对真实测量值的影响几乎是无可避免的。当配电网发生小电流单相接地故障时，大量的噪声信号容易淹没微弱的故障特征信号，从而更难提取有效的故障信号，使故障定位问题变得难上加难。这里的噪声主要来源于配电网本身，一方面随着城市电网的快速发展，配电线路中电缆所占比重越来越高，加剧了噪声污染；另一方面是量测装置本身的误差所造成的，因成本、技术条件等限制，现有工程中应用的故障电流、电压传感器都存在一定的量测误差。由此可见，电流信号的滤波去噪处理方法变得尤为重要。
发明内容
发明目的：本发明针对广泛存在的噪声背景淹没有效信号的情况，提出了一种基于含可变因子广义S变换的电流信号滤波去噪方法，以实现在多种工况环境下，从噪声背景中提取出有效信号的目的。
技术方案：本发明所述的一种基于含可变因子广义S变换的电流信号滤波去噪方法，包括以下步骤：
(1)输入一组连续时域电流信号的离散采样序列；
(2)经过含可变因子的广义S变换获得一个二维时频复数矩阵；
(3)用阈值滤波方法进行信号处理；
(4)用基于时频谱分布的时频滤波器进行信号处理；
(5)通过广义S反变换获得去除噪声的一维时域电流信号，并进行信号对比。
进一步地，步骤(2)所述的含可变因子的广义S变换算法，引入了随频率变化调整的可变因子σf，含可变因子的高斯窗函数如下：
Figure BDA0002312543370000011
其中，f为频率，t为时间，σf为自变量为f的可变因子，如σf(f)＝kf+b,σf(f)＝k/f+b,σf(f)＝(kf+b)a等，k，a，b都为常数。
代入σf(f)＝kf+b，含可变因子的广义S变换函数为：
Figure BDA0002312543370000021
当f→n/NT，τ→kT时，离散的广义S变换函数为：
Figure BDA0002312543370000022
其中，
Figure BDA0002312543370000023
是时域信号离散序列的离散傅里叶变换，N是采样点数，T是采样时间间隔，k代表时间，n代表频率。
经过广义S变换后获得时域信号的二维时频复数矩阵如下：
Figure BDA0002312543370000024
其中，A(k,n)是经广义S变换后信号的幅值矩阵，
Figure BDA0002312543370000025
是经广义S变换后信号的相角矩阵。
进一步地，步骤(3)所述的阈值滤波方法包括以下步骤：
(31)求出经过含可变因子广义S变换后的信号数据的最大值GSTH＝max(GST(k,n))和最小值GSTL＝min(GST(k,n))；
(32)对变换后的信号数据进行量化，选取K＝2n作为量化级数，当n取7或者8时，得到量化间隔为：
Figure BDA0002312543370000026
从而得到每一个量化区间为：
σ＝(GSTL+Δp(K-1),GSTL+Δp·K)
(33)选取可以滤去噪声范围的阈值α，确定阈值滤波的滤波因子：
Figure BDA0002312543370000027
(34)经过阈值滤波方法处理，提取时频域内的有效信号：
GST1(k,n)＝GST(k,n)*H1(k,n)
进一步地，步骤(4)所述的基于时频谱分布的时频滤波器信号处理包括以下步骤：
(41)根据时频域内信号特征确定信号的瞬时频率；
(42)对信号的时频分布进行分析，确定噪声时频范围，保留有效信号的时频范围，基于时频谱分布的时频滤波器函数如下：
Figure BDA0002312543370000031
(43)经过基于时频谱分布的时频滤波器方法处理，提取时频域内的有效信号：
GST2(k,n)＝GST1(k,n)*H2(k,n)
进一步地，步骤(5)所述的广义S反变换的函数如下：
x(t)＝GST-1[GST2(k,n)]
有益效果：与现有技术相比，本发明具有如下显著的技术效果在于一方面含可变因子的广义S变换算法的高斯窗函数中引入了可随频率变化而变化的可变因子，提高了全时段信号的局部频带时频分辨率。另一方面，该发明将阈值滤波方法与基于时频谱分布的时频滤波器方法相结合，更好的实现了提取有效信号和抑制噪声的功能，具有更为优越的滤波去噪效果。
附图说明
图1为本发明所述的电流信号滤波去噪方法处理法流程示意图；
图2为基于时频谱分布的时频滤波器方法提取有效信号示意图；
图3为本发明提供的基于配电网发生100Ω过渡电阻单相接地故障的线路暂态零序电流的四种滤波去噪方法效果对比图。
具体实施方式
为了详细说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的说明。
本发明针对广泛存在的噪声背景淹没有效信号的情况，提出了一种基于含可变因子广义S变换的电流信号滤波去噪方法。该发明可以通过含可变因子广义S变换的阈值滤波方法与基于时频谱分布的时频滤波器相结合的滤波去噪方法，对信号进行滤波去噪处理，从而实现在多种工况环境下，从噪声背景中提取出有效信号的目的。
如图1所示，为本发明包括以下步骤：
步骤一、输入一组连续时域电流信号的离散采样序列。
步骤二、经过含可变因子的广义S变换获得一个二维时频复数矩阵。
在含可变因子的广义S变换算法中引入了随频率变化调整的可变因子σf，含可变因子的高斯窗函数如下：
Figure BDA0002312543370000041
其中，f为频率，t为时间，σf为自变量为f的可变因子，如σf(f)＝kf+b,σf(f)＝k/f+b,σf(f)＝(kf+b)a等，k，a，b都为常数。
代入σf(f)＝kf+b，含可变因子的广义S变换函数为：
Figure BDA0002312543370000042
当f趋向于n/NT，τ趋向于kT时，离散的广义S变换函数为：
Figure BDA0002312543370000043
其中，
Figure BDA0002312543370000044
是时域信号离散序列的离散傅里叶变换，N是采样点数，T是采样时间间隔，k代表时间，n代表频率。
经过广义S变换后获得时域信号的二维时频复数矩阵如下：
Figure BDA0002312543370000045
其中，A(k,n)是经广义S变换后信号的幅值矩阵，
Figure BDA0002312543370000046
是经广义S变换后信号的相角矩阵。
步骤三、用阈值滤波方法进行信号处理。
求出经过含可变因子广义S变换后的信号数据的最大值GSTH＝max(GST(k,n))和最小值GSTL＝min(GST(k,n))。
对变换后的信号数据进行量化，选取K＝2n作为量化级数，n一般取7或者8，得到量化间隔为：
Figure BDA0002312543370000051
从而得到每一个量化区间为：
σ＝(GSTL+Δp(K-1),GSTL+Δp·K)
选取适当的阈值α，确定阈值滤波的滤波因子：
Figure BDA0002312543370000052
经过阈值滤波方法处理，提取时频域内的有效信号：
GST1(k,n)＝GST(k,n)*H1(k,n)
其中k代表时间，n代表频率。
步骤四、用基于时频谱分布的时频滤波器进行信号处理。
根据时频域内信号特征确定信号的瞬时频率，对于一个含噪声的信号来说，可以描述为：
h(t)＝x(t)+n(t)
其中，x(t)为有效信号，n(t)为噪声信号。
该信号的经过广义S变换后可表示为：
GSTh(k,n)＝GSTx(k,n)+GSTn(k,n)
当使GSTn(k,n)＝0，则有效信号可以被提取出来。
如图2所示，对信号的时频分布进行分析，确定噪声时频范围，保留有效信号的时频范围，基于时频谱分布的时频滤波器函数如下：
Figure BDA0002312543370000053
其中[tk-1,tk]和[fn-1,fn]分别表示有效信号的时间范围和频率范围。
经过基于时频谱分布的时频滤波器方法处理，提取时频域内的有效信号：
GST2(k,n)＝GST1(k,n)*H2(k,n)
步骤五、通过广义S反变换获得去除噪声的一维时域电流信号，并进行信号对比。
广义S反变换的函数如下：
x(t)＝GST-1[GST2(k,n)]
具体地，如图3所示，当配电网发生100Ω过渡电阻单相接地故障时，针对数学形态学自适应滤波方法、小波阈值滤波法、S变换自适应滤波法和本发明提出的基于含可变因子广义S变换的电流信号滤波去噪方法进行的电流波形滤波效果对比。图3所示的效果可知，本发明提出的滤波去噪方法效果最为显著，明显地去除了原始信号中的噪声信号，从而有效的提取出了纯净的电流信号。
表1提供了四种故障条件下，数学形态学自适应滤波方法、小波阈值滤波法、S变换自适应滤波法和本发明提出的滤波方法的具体数值对比，其中信噪比(SNR)和均方误差(MSE)反映了滤波方法的去噪性能，SNR越大、MSE越小，反映滤波方法去噪性能越好。分析表1可知，本发明提出的滤波去噪方法在SNR和MSE指标上均明显好于其他三种方法。
表.110kV谐振接地***中含噪声的故障仿真暂态电流信号的在四种不同的滤波去噪方法下的去噪性能比较
Figure BDA0002312543370000061
本发明针对广泛存在的噪声背景淹没有效信号的情况，提出了一种基于含可变因子广义S变换的电流信号滤波去噪方法。该发明可以通过含可变因子广义S变换的阈值滤波方法与基于时频谱分布的时频滤波器相结合的滤波去噪方法，对信号进行滤波去噪处理，从而实现在多种工况环境下，从噪声背景中提取出有效信号的目的。

Claims (5)

1.一种基于含可变因子广义S变换的电流信号滤波去噪方法，其特征在于：包括以下步骤：
(1)采集一组连续时域电流信号的离散采样序列；
(2)经过含可变因子的广义S变换获得一个二维时频复数矩阵；
(3)用阈值滤波方法进行信号处理；
(4)用基于时频谱分布的时频滤波器进行信号处理；
(5)通过广义S反变换获得去除噪声的一维时域电流信号，并进行信号对比。
2.根据权利要求1所述的基于含可变因子广义S变换的电流信号滤波去噪方法，其特征在于：步骤(2)所述的含可变因子的广义S变换算法中引入随频率变化调整的可变因子σf，包括如下过程：
所述含可变因子的高斯窗函数表达式如下：
Figure FDA0002312543360000011
其中，f为频率，t为时间，σf为自变量为f的可变因子，k，a，b都为常数；
代入σf(f)＝kf+b，含可变因子的广义S变换函数为：
Figure FDA0002312543360000012
当f趋向于n/NT、τ趋向于kT时，离散的广义S变换函数为：
Figure FDA0002312543360000013
其中，
Figure FDA0002312543360000014
是时域信号离散序列的离散傅里叶变换，N是采样点数，T是采样时间间隔，k代表时间，n代表频率；
经过广义S变换后获得时域信号的二维时频复数矩阵如下：
Figure FDA0002312543360000015
其中，A(k,n)是经广义S变换后信号的幅值矩阵，
Figure FDA0002312543360000016
是经广义S变换后信号的相角矩阵。
3.根据权利要求1所述的基于含可变因子广义S变换的电流信号滤波去噪方法，其特征在于：步骤(3)所述的阈值滤波方法包括以下步骤：
(31)计算经过含可变因子广义S变换后的信号数据的最大值GSTH＝max(GST(k,n))和最小值GSTL＝min(GST(k,n))；
(32)对变换后的信号数据进行量化，选取K＝2n作为量化级数，当n取7或者8，得到量化间隔为：
Figure FDA0002312543360000021
从而得到每一个量化区间为：
σ＝(GSTL+Δp(K-1),GSTL+Δp·K)
(33)确定滤去噪声范围的阈值α，确定阈值滤波的滤波因子，其计算表达式如下：
Figure FDA0002312543360000022
(34)经过阈值滤波方法处理，提取时频域内的有效信号，其计算表达式如下：
GST1(k,n)＝GST(k,n)*H1(k,n)
其中k代表时间，n代表频率。
4.根据权利要求1所述的基于含可变因子广义S变换的电流信号滤波去噪方法，其特征在于：所述步骤(4)所述的基于时频谱分布的时频滤波器信号处理包括以下步骤：
(41)根据时频域内信号特征确定信号的瞬时频率；
(42)对信号的时频分布进行分析，确定噪声时频范围，保留有效信号的时频范围，基于时频谱分布的时频滤波器函数表达式如下：
Figure FDA0002312543360000023
其中[tk-1,tk]和[fn-1,fn]分别表示有效信号的时间范围和频率范围；
(43)经过基于时频谱分布的时频滤波器方法处理，提取时频域内的有效信号：
GST2(k,n)＝GST1(k,n)*H2(k,n)。
5.根据权利要求1所述的基于含可变因子广义S变换的电流信号滤波去噪方法，其特征在于：所述步骤(5)所述的广义S反变换的函数具体如下：
x(t)＝GST-1[GST2(k,n)]。
CN201911264865.8A 2019-12-11 2019-12-11 一种基于含可变因子广义s变换的电流信号滤波去噪方法 Withdrawn CN111046791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911264865.8A CN111046791A (zh) 2019-12-11 2019-12-11 一种基于含可变因子广义s变换的电流信号滤波去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911264865.8A CN111046791A (zh) 2019-12-11 2019-12-11 一种基于含可变因子广义s变换的电流信号滤波去噪方法

Publications (1)

Publication Number Publication Date
CN111046791A true CN111046791A (zh) 2020-04-21

Family

ID=70235750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911264865.8A Withdrawn CN111046791A (zh) 2019-12-11 2019-12-11 一种基于含可变因子广义s变换的电流信号滤波去噪方法

Country Status (1)

Country Link
CN (1) CN111046791A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111711586A (zh) * 2020-06-15 2020-09-25 吉林大学 一种应用于通信调制方式识别的时频协同滤波方法及***
CN112083327A (zh) * 2020-09-08 2020-12-15 广东电网有限责任公司广州供电局 一种高压真空断路器机械故障诊断方法及***
CN113017640A (zh) * 2021-02-23 2021-06-25 安徽省立医院(中国科学技术大学附属第一医院) 一种心磁信号背景噪声s变换域去除方法及***
CN115267548A (zh) * 2022-07-22 2022-11-01 苏州元启动力科技有限公司 锂电池电压采样方法、***和可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111711586A (zh) * 2020-06-15 2020-09-25 吉林大学 一种应用于通信调制方式识别的时频协同滤波方法及***
CN111711586B (zh) * 2020-06-15 2021-07-13 吉林大学 一种应用于通信调制方式识别的时频协同滤波方法及***
CN112083327A (zh) * 2020-09-08 2020-12-15 广东电网有限责任公司广州供电局 一种高压真空断路器机械故障诊断方法及***
CN113017640A (zh) * 2021-02-23 2021-06-25 安徽省立医院(中国科学技术大学附属第一医院) 一种心磁信号背景噪声s变换域去除方法及***
CN113017640B (zh) * 2021-02-23 2024-06-04 安徽省立医院(中国科学技术大学附属第一医院) 一种心磁信号背景噪声s变换域去除方法及***
CN115267548A (zh) * 2022-07-22 2022-11-01 苏州元启动力科技有限公司 锂电池电压采样方法、***和可读存储介质

Similar Documents

Publication Publication Date Title
CN111046791A (zh) 一种基于含可变因子广义s变换的电流信号滤波去噪方法
CN112395992B (zh) 一种基于改进小波阈值的电力谐波信号去噪方法
CN113378661B (zh) 一种基于改进小波阈值和相关检测的直流电能信号去噪方法
CN106771905B (zh) 一种适用于高频电流局部放电检测的脉冲提取方法
CN105429719B (zh) 基于功率谱和多尺度小波变换分析强干扰信号检测方法
CN114492538B (zh) 一种城市中压配电电缆局部放电信号去噪方法
CN111912521B (zh) 一种非平稳信号的频率检测方法和存储介质
CN106501602B (zh) 一种基于滑窗频谱分离的基波参数测量方法
CN111985426A (zh) 一种基于变分模态分解的海杂波混合去噪算法
CN113325277A (zh) 一种局部放电处理方法
CN109669072B (zh) 一种配电网的自适应同步相量量测方法
US20110191047A1 (en) Wavelet Denoising for Time-Domain Network Analysis
CN111650654B (zh) 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法
CN111239565B (zh) 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及***
CN108089100A (zh) 小电流接地***弧光电阻接地故障的检测方法
CN113238193B (zh) 一种多分量联合重构的sar回波宽带干扰抑制方法
CN108090270B (zh) 一种基于形态学滤波和盲源分离的暂态振荡参数识别方法
CN112528853B (zh) 改进型双树复小波变换去噪方法
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN110944336B (zh) 一种基于有限新息率的时频谱感知方法
CN113221615A (zh) 一种基于降噪聚类的局部放电脉冲提取方法
CN110112757B (zh) 基于sure小波消噪和改进hht的低频振荡分析方法
Nannan The application of an improved wavelet threshold function in de-noising of heart sound signal
CN108337205B (zh) 一种基于多通道反馈结构的bpsk信号的欠采样参数估计方法
CN112162153A (zh) 基于相位直线拟合的正弦波信号频率估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200421