CN113486750A - 一种基于改进vmd算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法 - Google Patents

Abstract

本发明提供了一种油浸式变压器局部放电信号去噪方法，输入待去噪信号，利用VMD算法将待去噪信号分解为K个分量；根据能量损耗系数确定最终分解分量个数K；根据各分量翘度与排列熵筛选含噪较多分量；利用小波包去噪算法对含噪较多分量去噪；将处理后的分量重构为局部放电信号。本发明可以实现对局部放电信号中含有的两类噪声的有效去除，更大程度地保留了局部放电信号的有用信息。

Description

一种基于改进VMD算法和小波包去噪算法的油浸式变压器局 部放电信号去噪方法

技术领域

本发明涉及电气设备局部放电信号检测和处理技术领域，具体说是一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

局部放电是导致油浸式变压器主绝缘油纸绝缘发生绝缘劣化和击穿的重要原因，局部放电在线检测是评估其绝缘状态的有效方法。绝缘缺陷产生的局部放电信号通常非常微弱，容易被严重的背景噪声所覆盖，严重影响特征的提取与分类识别，因此从混杂信号中提取真实局部放电信号，信号去噪是其重要一步。

存在于局部放电时域信号中的干扰主要分为两大类：由高次谐波引起的周期性窄带干扰和实验设备运行等引起的白噪声，目前常用的去噪方法主要有FFT阀值滤波法，卡尔曼滤波法和自适应滤波法等；但是目前的去燥方法均存在不足之处：如FFT阀值滤波法需要通过设定门限值剔除噪声成分，但门限值的选取较为困难；卡尔曼滤波法在干扰抑制过程中容易产生较大的波形失真，耗时较长；自适应滤波法由于去噪中滤波器的时延、收敛等因素对其影响较大，滤波效果不是很稳定。另外目前的EMD算法本身存在一定程度的模态混叠和能量泄露现象，在处理周期窄带干扰时，噪声抑制效果不佳。

发明内容

为解决目前局放信号去噪中存在的问题，本发明的目的是提供一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，可以实现对局部放电信号中含有的两类噪声的有效去除，更大程度地保留了局部放电信号的有用信息。

本发明为实现上述目的，通过以下技术方案实现：

一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，包括以下步骤：

利用VMD算法将待去噪信号分解为K个分量；

利用小波包去噪算法对含噪较多分量去噪；

将处理后的分量重构为局部放电信号。

优选的，利用VMD算法将待去噪信号分解为K个分量为根据能量损耗系数确定最终分解分量K，具体包括：

输入待去噪信号；

将待去噪信号分解为K个IMF分量；

计算不同K值下的能量损耗系数，确定最终分解分量个数为K。

优选的，利用小波包去噪算法对含噪较多分量去噪是根据翘度值和排列熵筛选出含噪角度分量，具体包括：

根据翘度挑选有效分量，剔除其余分量；

以分量排列熵大小来确定含噪较多分量；

对含噪较多分量进行小波包算法再去噪。

优选的，将处理后的分量重构的方法为小波包重构方法。

优选的，将待去噪信号分解为K个IMF分量具体为将变分问题转换为非约束问题进行求解，选择不同K值对应能量损耗系数最小的K值。

优选的，翘度挑选以3为界限，翘度大于3视为有效分量，剔除翘度小于3的分量。

优选的，排列熵筛选时，排列熵反映的时间序列信号随机性与突变型，排列熵大的信号分量含噪较多。

本发明相比现有技术具有以下优点：

本发明的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，将改进VMD算法与小波包算法结合，首先通过改进VMD算法将局部放电信号分解为若干个分量，通过能量损耗系数和翘度值实现对局部放电信号的有效分解，避免过分解或欠分解，去除无效分量；而后通过排列熵筛选出含噪较多的分量，利用小波包算法对这些分量再次降噪。

本发明的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，可以实现对局部放电信号中含有的两类噪声的有效去除，更大程度上保留局部放电信号的有用信息。

附图说明

图1是本发明实施例一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法整体流程图；

图2是本发明应用于局部放电仿真信号的时域图，第四行为本发明方法的处理结果；

图3是本发明应用于局部放电仿真信号的频域图，第四行为本发明方法的处理结果；

图4是本发明应用于局部放电实测信号的时域信号处理图，第二行为本发明方法的处理结果；

图5是本发明应用于局部放电实测信号的频谱信号处理图，第二行为本发明方法的处理结果；

图6是本发明应用于局部放电实测信号的时域信号处理图，第二行为本发明方法的处理结果。

图7是本发明应用于局部放电实测信号的频谱信号处理图，第二行为本发明方法的处理结果。

具体实施方式

以下结合具体实施例来对本发明作进一步的描述。

实施例

一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，如图1所示，包括以下步骤：

1.输入待去噪信号u(t)，利用VMD算法将其分解为K个分量；

2.计算不同K值下的能量损耗系数，确定最终分解分量个数：K；

3.计算各个分量的翘度和排列熵，根据翘度值剔除无效分量，根据排列熵筛选出含噪较多的分量；

4.利用小波包去噪算法对含噪较多的分量再次去噪；

5.将处理后的分量重构为处理后的局放放电信号。

具体的，步骤1：输入待去噪信号u(t)，利用VMD算法将其分解为K个分量，步骤如下：

将待去噪信号分解为若干个IMF分量，通过迭代求解使得各IMF分量估计带宽之和最小。首先将信号分解为K个IMF分量，具体步骤：

(1)对分量ui(t)进行Hilbert变换，获得解析信号，进而计算出ui(t)的单边频谱。

(2)对分量ui(t)的解析信号估计中心频率

将每个模态的频谱调制到对应的基频带中。

(3)计算式(2)解调信号梯度平方L2范数，得到约束变分模型：

为了求解这个有约束的最优化问题，引入二次惩罚项α和拉格朗日算子λ(t)，将变分问题转换为非约束问题，得到增广拉格朗日函数如式(4)所示，利用交替方向乘子法交替更新uⁿ⁺¹ _i(t)，ωⁿ⁺¹ _i，λⁿ⁺¹(t)，求解增广拉格朗日函数，通过Parseval/Plancherel傅里叶等距变换，获得频域内模态分量及其中心频率的二次最优解如式(5)、式(6)所示。

迭代计算过程中，若满足式(7)，则满足精度要求，迭代计算停止。

步骤2：计算不同K值下的能量损耗系数，确定最终分解分量个数：K；

VMD算法可以有效解决模态混叠问题，其前提是在原始信号分解为K个IMF分量时K值的选择是合适的，否则仍然会出现欠分解和过分解的问题，因此针对K值的选择，利用能量损耗系数作为指标来确定。

能量损耗系数是指信号分解后残差能量与原始信号的能量之比，可以用来衡量重建后信号与原始信号之间差异的指标，根据能量损耗系数来比较不同K值取值的效果，进而选择对应能量损耗系数最小的K值，系数计算公式如下：

步骤3：计算各个分量的翘度和排列熵，根据翘度值剔除无效分量，根据排列熵筛选出含噪较多的分量；

峭度是一种可以表征随机变量分布曲线特性的参数，他的大小反映了分布曲线的分散程度，峭度值越大，曲线分布的分散度越小。在使用峭度来筛除无用分量时，一般以3为阈值，当峭度大于3时认为分布曲线具有正峭度，所以将峭度大于3的分量视作有效分量，其余分量视为无效分量剔除。峭度的计算公式为：

其中，E为模态数据的期望值；μ为模态数据均值；σ为数据的标准差；xki为分解后第k个模态的第i个采样点数据值；N表示采样点个数。

排列熵可以反映时间序列信号随机性和突变性，其计算效率高、抗干扰能力强且鲁棒性好，在计算时间序列信号的排列熵时，排列熵熵值较小表明该序列信号规律性强，反之该序列信号随机性大，因此当某一局部放电信号分量中含有较多噪声时，序列随机性加强，排列熵随之增大，所以可以根据分量的排列熵大小来确定含噪较多的分量，对含噪较多的分量再进行去噪。

设信号长度为N：{u(i),i＝1,2,…N}，设定一个嵌入维数m和延迟参数L，对原信号进行重构，重构后的序列为：

X(i)＝{u(i),u(i+L),…,u(i+(m-1)L)},i＝1,2,…,N (9)

对每个X(i)中的元素升序排序，即：

u(i+(j₁-1)L)≤u(i+(j₂-1)L)≤…≤u(i+(j_m-1)L) (10)

若两个值相等则按顺序排列，这样每个X(i)都可以得到一组M(k)＝(j₁,j₂,…,j_m)，k＝1,2,,K,K≤m！，是m！个排列中的一种，将所有重构序列均按此排列后得到一个由序列组成的m维空间，这些符号数目共m！个，第i个序列符号出现的概率为P_i，根据Shannon熵，X(i)的排列熵可以定义为：

当Pi＝m！时，Hp取得最大值ln(m！)，因此将Hp的值归一化处理：

H_p＝H_p/ln(m！) (12)

很明显可以看出0≤Hp≤1，这样得到每一分量的排列熵。

步骤4：利用小波包去噪算法对含噪较多的分量再次去噪；

小波包去噪法首先需要选取合适的分解层次，利用小波包分解公式，如式(13)所示，对信号进行分解。

其中，

和

分别表示第j层第2n个节点和第j层第2n+1个节点所对应的小波包系数，h和g是滤波器系数。

确定最优小波基函数，确定最优树：小波包的基函数是一组小波包的正交规范基，不同的基函数时频特性有较大区别，经过不同基函数的小波包去噪后的效果也存在差异，所以需要选取最优小波包基。根据去噪后的信号信噪比确定最优小波包基，进而设定阈值，从基本分解尺度进行分解，若分解后各分量与原信号之间的相关系数低于阈值则停止分解。

步骤5.将处理后的分量重构为处理后的局放放电信号。

根据式(14)小波包重构公式，进行信号重构。

在具体实施例中，以局部放电的仿真信号与实测信号为例，展示本发明的去噪效果，结果如图2～图7所示。

图2、图3第一行分别为在MATLAB软件中生成的一组局放信号的时域波形图与频谱图；第二行分别为给局放信号加入白噪声和周期性窄带干扰的时域波形图与频谱图；第三行为根据图1所述去噪流程对含噪信号进行处理，首先首先运用VMD算法分解含噪信号，利用能量损耗系数选择出最优K值，之后去除峭度小于3的分量，到这里是经过VMD算法去噪的信号，重构后结果在两图第三行所示；第四行为进一步去噪结果，可以看出经过VMD去噪后周期窄带性干扰被去除，再根据各个分量的排列熵确定含噪信号较多的部分，进一步地利用小波包去噪，结果如两图第四行所示。经过二次去噪的信号明显比只经过VMD算法去噪的信号更加接近原始信号，频域中较高频率的高次谐波被去除，表现在时域中就是信号波形更加平滑，存在的毛刺明显减少。

图4、图5展示了球板模型局放实测信号及经过本文去噪算法(图中第二行)、VMD去噪(图中第三行)、小波包去噪(图中第四行)和小波阈值去噪算法(图中第五行)处理后的信号时域图和相应的频谱图，比较频谱图中第2,3行和第4,5行，含噪信号经过VMD算法去噪后对能量集中的低频周期性窄带干扰去噪效果较好，信号频域中幅值较高的窄带干扰去除较为干净，经过去噪的信号频谱中保留了较为完整的30-40MHz附近的脉冲信息，而本文的去噪方法比单一VMD算法更进一步地去除了与局放脉冲频率相近的能量较小的白噪声；比较时域图中第3行和第4,5行，仅经过VMD算法去噪的信号中明显还存在毛刺，所以可以得出，小波包去噪算法比小波去噪对白噪声的去除效果还要好一些。

图6、图7展示了针板模型下局放实测信号及经过本文去噪算法(图中第二行)、VMD去噪(图中第三行)、小波包去噪(图中第四行)和小波阈值去噪算法(图中第五行)处理后的信号时域图和相应的频谱图，比较频谱图中第2,3行和第4,5行，含噪信号经过VMD算法去噪后对能量集中的低频周期性窄带干扰去噪效果较好，信号频域中幅值较高的窄带干扰去除较为干净，经过去噪的信号频谱中保留了较为完整的30-40MHz附近的脉冲信息，而本文的去噪方法比单一VMD算法更进一步地去除了与局放脉冲频率相近的能量较小的白噪声；比较时域图中第3行和第4,5行，仅经过VMD算法去噪的信号中明显还存在毛刺，所以可以得出，小波包去噪算法比小波去噪对白噪声的去除效果还要好一些。

实施例2

本实施例提供一种局放检测仪(DDX 9121b)和示波器(DPO4104B)，来获取发生在油纸绝缘中的局部放电脉冲波形、局放谱图等信息，完成实施例1的方法所述的步骤。

实施例3

本实施例提供一种改进VMD算法，利用能量损耗系数作为指标来确定K值，再利用翘度和排列熵来确定有效分量，完成实施例1的方法所述的步骤。

Claims (7)

1.一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：包括以下步骤：

利用VMD算法将待去噪信号分解为K个分量；

利用小波包去噪算法对含噪较多分量去噪；

将处理后的分量重构为局部放电信号。

2.根据权利要求1所述的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：利用VMD算法将待去噪信号分解为K个分量为根据能量损耗系数确定最终分解分量K，具体包括：

输入待去噪信号；

将待去噪信号分解为K个IMF分量；

计算不同K值下的能量损耗系数，确定最终分解分量个数为K。

3.根据权利要求1所述的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：利用小波包去噪算法对含噪较多分量去噪是根据翘度值和排列熵筛选出含噪角度分量，具体包括：

根据翘度挑选有效分量，剔除其余分量；

以分量排列熵大小来确定含噪较多分量；

对含噪较多分量进行小波包算法再去噪。

4.根据权利要求1所述的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：将处理后的分量重构的方法为小波包重构方法。

5.根据权利要求2所述的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：将待去噪信号分解为K个IMF分量具体为将变分问题转换为非约束问题进行求解，选择不同K值对应能量损耗系数最小的K值。

6.根据权利要求3所述的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：翘度挑选以3为界限，翘度大于3视为有效分量，剔除翘度小于3的分量。

7.根据权利要求3所述的一种基于改进VMD算法和小波包去噪算法的油浸式变压器局部放电信号去噪方法，其特征在于：排列熵筛选时，排列熵反映的时间序列信号随机性与突变型，排列熵大的信号分量含噪较多。

Images