CN102288843A - 一种电能质量扰动信号检测方法 - Google Patents

Abstract

一种电能质量扰动信号检测方法，其包括如下步骤：（1）对待检测电能质量扰动信号进行去噪预处理；（2）对去噪后的电能质量扰动信号进行检测。本发明去噪效果理想、检测速度快、耗时少、实现简单、计算量小、实用性强、工作效率高，可用于通常的电网电力设备电能质量扰动信号的去噪，尤其适用于检测带有高斯白噪声的扰动信号，具有较高的去噪信噪比以及检测精度，极具工程实用价值。

Description

一种电能质量扰动信号检测方法

技术领域

本发明涉及一种电能质量扰动信号检测方法，尤其是涉及一种特别适用于带有高斯白噪声的电能质量扰动信号的检测方法。

背景技术

随着社会经济、科技的迅猛发展，现代化敏感电力电子设备的广泛应用，导致新型电力负荷迅速发展，动态电能质量问题也日益受到关注。对电能质量治理的前提条件是准确检测电能质量信号，典型的电能质量扰动主要有电网暂态振荡、暂态脉冲、电压跌落、电压上升、电压中断、电压脉冲等，目前的分析方法主要分时域和变换域两类，后者包括傅里叶变换、短时傅里叶变换、dq变换、S变换、小波变换等。小波变换由于其强大的多尺度分析特性，可以提供扰动信号不同尺度的特征，因而是电能质量扰动信号特征提取用的最多的方法。但现有理论算法基本都是在理想状况下研究的，即没有考虑噪声的影响，其对于信号去噪前后信噪比变化问题以及扰动信号突变点信息量保留问题均未给予考虑；此外，对信号进行定位的耗时问题研究也缺少探讨，实用性小，而耗时关系到电力系统的实时运行，实际应用过程中，其去噪效果较差，检测速度也较慢，实现困难、计算量大，因此很有必要对其进行研究改进。 

现今基于计算机、微处理器控制的用电设备和电力电子设备在系统中大量使用，用电负荷对电能质量的要求越来越高，工业生产过程中的任何一个敏感设备受到系统干扰都可能导致整个生产过程中断，造成重大损失。因此企业需知道供电系统中预期的电压暂降情况、典型电压暂降的特征等，来改进设备或采取其它经济、有效的补偿措施，使其尽量少受影响。

发明内容

为了满足电力系统和电气设备对不同环境下电能质量的需求，本发明提供一种去噪效果理想，检测速度快，实现简单、计算量小，实用性强的电能质量扰动信号的检测方法。

本发明的技术方案是：（1）对待检测电能质量扰动信号进行去噪预处理；（2）对去噪后的电能质量扰动信号进行检测。

本发明的其基本原理如下：

把检测到的电能质量扰动信号表示为：

                                                                              

                           (1)

式中，为检测得到的信号，

为随机噪声，

为理想无噪信号。降噪即通过一定的方法，尽可能接近地从检测信号中恢复出真实信号。在小波变换域中，(1)式表示为：

                              

                         (2)

式中，

为

的小波变换系数；

为的小波系数；为

的小波系数。

因此，对待检测信号的降噪就转换为在小波变换域中通过检测信号的小波变换系数

尽可能真实地恢复出真实信号的小波系数

。

电能质量扰动信号的去噪预处理，包括如下两种算法：双数复小波变换和MAP估计理论，预处理可有效抑制电能噪声对扰动信号检测的影响。

所述步骤（1）中，对电能质量扰动信号进行去噪预处理的步骤如下：

（a）计算待检测信号的双树复小波变换；

（b）在双树变换域中对小波系数根据MAP估计算法进行处理；

（c）对处理后的小波系数进行逆变换，得到真实信号的近似值。

根据双树复小波变换原理，有两路实小波变换时，其分别使用不同的滤波器组，每个滤波器组都满足完美重构条件（PR，Perfect Reconstruction），并且两组波器联合设计使得整个变换是一个近似解析变换。设用

表示上部分树的低通、高通滤波器对；用

表示下部分树的低通、高通滤波器对，那么同样可定义上下树对应的实小波其变换为

和

。双树结构除了要求滤波器的设计满足完美重构之外，由双树产生的和形成的复小波也是近似解析的，或者说

近似的是

的希尔布特变换（Hilbert Translation）。

所述步骤（b）中，对小波系数根据MAP估计算法进行处理是指，通过MAP估计方法对信号双树复小波分解不同层次的细节系数估计噪声方差和信号方差，并计算各层的阀值，对小波系数进行阀值处理。

MAP估计算法要求，首先要有一个对整个模型所有参数分布情况的先验估计函数，在有了新的观测数据之后，根据先验的参数分布确定这些模型参数，并使得在这些模型参数下产生观测结果的概率最大。

一般的去噪方法是假设小波系数之间是相互独立的，它们将小波系数看成是高斯分布，拉普拉斯分布或者其他分布模型。

本发明中，所述步骤（b）中的小波系数的先验概率分布为双指数分布，噪声分布为高斯分布。

所述步骤（2）中，对去噪后的电能质量扰动信号应用提升小波进行检测。

应用提升小波对对去噪后的电能质量扰动信号进行检测时，其主要通过基于提升算法的第2代小波变换实现，提升算法(lifting scheme)是一种不依赖傅里叶变换的新的小波构造算法，基本思想为：将现有的小波滤波器分解成基本的构造模块，然后分步骤完成小波变换。

所述基于提升算法的第2 代小波变换的实现，主要包括3个步骤：分解(Split)、预测(Predict)和更新(Update)。

下面对分解(Split)、预测(Predict)和更新(Update)这3个步骤作进一步说明：

 (1)分解：将原始信号数据集(

)分为两个较小的子集。输入信号根据奇偶性分为两组，其中

为偶数序列，

为奇数序列；

(2)预测：基于原始数据的相关性，用偶数序列的预测值

去预测奇数序列

，即将奇数序列的实际值与预测值相减得到小波系数，定义如下：

；

(3)更新：通过小波系数子集

对偶数序列更新，从而使后者保持一定特性，得到尺度系数

，定义如下：。

以上构成提升算法的一步分解(正变换)。提升算法的重构(反变换)是其正向变换的逆变换，运算符号相差一个负号, 分解(Split)阶段变为合并(Merge)阶段，提升算法可以实现原位计算，能够在无内存消耗状态下加速小波变换。

重复分解、预测和更新3个步骤，可获得小波变换系数，然后观测小波变换系数即可以检测出电能质量扰动信号的特征属性。

本发明其提升算法具有原位计算的性质，信号检测运算速度快且易于实现。不依赖傅里叶变换，在时域进行变换，实现简单。整个算法不需要迭代运算，可一次性去噪并对去噪后到信号进行检测，响应快。

本发明去噪效果理想，检测速度快，耗时少，实现简单、计算量小，实用性强，工作效率高，可用于通常的电网电力设备电能质量扰动信号的去噪，尤其适用于检测带有高斯白噪声的扰动信号，具有较好的去噪信噪比以及检测精度，极具工程实用价值。

附图说明

    图1为本发明电能质量扰动信号检测方法流程图；

图2为图2为双树复小波变换示意图。

具体实施方式

以下结合附图和实施例对本发明作进一步详细说明。

参照图1，本发明包括以下两个步骤：（1）执行步骤01，对待检测电能质量扰动信号进行去噪预处理；（2）然后，执行步骤02，对去噪后的电能质量扰动信号进行检测。

电能质量扰动信号的去噪预处理，包括如下两种算法：双数复小波变换和MAP估计理论，预处理可有效抑制电能噪声对扰动信号检测的影响。

根据MAP估计理论，扰动信号的小波变换系数

的估计值

为：

               

                (3)

根据Bays法则，有：

                   (4)

由于

独立于

，因此有：

    (5)

由(5)式可知，对扰动信号真值的小波系数的最大后验估计可以通过噪声以及真值的小波系数的概率分布函数得到。式(5)等价于求解：

                (6)

令

，则求解

解相当于求解下式子：

                                                             (7)

假设噪声信号服从零均值的高斯分布：

：

                       (8)

扰动信号的小波系数服从双指数分布：

                       (9)

将式(8)和(9)代入式(7)中，可得：

             (10)               

式(10)即是软阀值计算方法，其阀值为：

              (11)

根据经验可知，扰动的噪声通常分布在高频段，一般可以使用小波分解在第一层上的小波系数来估计噪声信号的方差

 ，本专利在分解的三个尺度上展开计算，对双树复小波分解出的系数求各尺度下的参数

和

，其中噪声方差

采用式(12)的稳健方法来估计。

                              (12)

由于

，

，

之间有如下关系：

                     (13)

因此，

可用估计值

代替：

                           (14)

可以用估计值

代替，

用所要计算的小波系数点的领域值来计算，假设所要计算的小波系数点为

(k为采样点)

                        (15)

式中，M为领域的大小。将式(15)和(12)代入式(11)中，可求得阀值的估计值为：

                                                     (16)

综上所述，基于MAP估计的双树复小波电能质量扰动信号的降噪预处理流程如下：

（a）确定分解层次为3层，对给定的电能质量扰动信号进行双树复小波变换；

（b）按式(12)计算出各分解层次的噪声方差；

（c）按式(15)计算各尺度上输入信号的方差；

（d）按式(16)计算各尺度的阀值；

（e）按照式(10)对各尺度上的小波系数进行阀值处理；

（f）双树复小波逆变换。

图2为双树复小波变换示意图，图中，两路实小波变换使用不同的滤波器组，每个滤波器组都满足完美重构条件（PR，Perfect Reconstruction）并且两组波器联为合设计使得整个变换是一个近似解析变换。图中表示上部分树的低通、高通滤波器对； 

表示下部分树的低通、高通滤波器对，上下树对应的实小波其变换为

和

。另外由双树产生的

和

形成的复小波

是近似解析的，即

近似的是

的希尔布特变换（Hilbert Translation）。

    所述步骤（2）中，对去噪后的电能质量扰动信号进行检测的详细步骤如下：

（a）分解：将去噪后信号的离散数据列

分解为互不相交的2个较小子集(也称为小波子集) 

和

。通常按照数据的奇偶序号，对数据列进行间隔采样，把原始样本分解成偶数样本序列和奇数样本序列，即：

                  

（b）预测：用偶样本估计奇样本，产生细节信号。在基于原始数据相关性的基础上，可用偶数序列

去预测(或者内插)奇数序列

，采用一个预测函数

对偶数序列

作用后作为奇数序列

的预测值(

的构造最终取决于原来的数据模型，不依赖数据)，用奇数序列的实际值

和预测值

相减得到残差信号。实际中，虽然不可能从子集

中准确地预测出

，但

有可能很接近

，因此可以用二者之差来代替原来的

 (并且称这个差值为小波系数)，即：

：

 。这样产生的

比原来的

包含更少的信息，于是就可以用更小的

子集和

小波子集来代替原信号

。接着对这个算法进行周期重复。这样经过n步，原信号集就可以用

来表示。

（c）更新：用奇样本更新偶样本，产生逼近信号。经过上面2个步骤，还不能在子数据集

中维持原数据集中的某些整体性质(比如平均值和消失矩等)，因此必须进行更新。更新的思想是通过寻找1个更好的子数据集，使之保持原数据集的一些整体性质

，即具有。所以，可以利用已计算出的小波系数

来更新，从而使

保持上述性质，即要构造1 个更新函数

来更新

。定义如下：：

。

重复以上3个步骤，提升小波算法可以实现原位(in-place)运算，即该算法不需要除了前级提升步骤的输出之外的数据，这样在每个点都可以用新的数据流替换旧的数据流。当重复使用原位提升滤波器组时，就获得了交织的小波变换系数，然后观测小波变换系数即可以检测出电能质量扰动信号的特征属性。

Claims (6)

1. 一种电能质量扰动信号检测方法, 其特征在于，包括如下步骤：（1）对待检测电能质量扰动信号进行去噪预处理；（2）对去噪后的电能质量扰动信号进行检测。

2.根据权利要求1所述的电能质量扰动信号检测方法,其特征在于，所述步骤（1）中，对电能质量扰动信号进行去噪预处理的步骤如下：

（a）计算待检测信号的双树复小波变换；

（b）在双树变换域中对小波系数根据MAP估计算法进行处理；

（c）对处理后的小波系数进行逆变换，得到真实信号的近似值。

3.根据权利要求2所述的电能质量扰动信号检测方法,其特征在于，所述步骤（b）中的小波系数的先验概率分布为双指数分布，噪声分布为高斯分布。

4.根据权利要求1或2所述的电能质量扰动信号检测方法,其特征在于，所述步骤（2）中，对去噪后的电能质量扰动信号应用提升小波进行检测。

5.根据权利要求4所述的电能质量扰动信号检测方法,其特征在于，应用提升小波对对去噪后的电能质量扰动信号进行检测时，其主要通过基于提升算法的第2代小波变换实现，提升算法是一种不依赖傅里叶变换的新的小波构造算法，基本思想为：将现有的小波滤波器分解成基本的构造模块，然后分步骤完成小波变换。

6.根据权利要求5所述的电能质量扰动信号检测方法,其特征在于，所述基于提升算法的第2 代小波变换的实现，主要包括3个步骤：分解、预测和更新。

Images