CN102288843B - 一种电能质量扰动信号检测方法 - Google Patents
一种电能质量扰动信号检测方法 Download PDFInfo
- Publication number
- CN102288843B CN102288843B CN201110125546.6A CN201110125546A CN102288843B CN 102288843 B CN102288843 B CN 102288843B CN 201110125546 A CN201110125546 A CN 201110125546A CN 102288843 B CN102288843 B CN 102288843B
- Authority
- CN
- China
- Prior art keywords
- power quality
- wavelet
- quality disturbance
- signal
- denoising
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 18
- 230000001629 suppression Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Complex Calculations (AREA)
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
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:
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:
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Bays法则,有:
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)
扰动信号的小波系数服从双指数分布:
将式(8)和(9)代入式(7)中,可得:
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。
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:
(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 (3)
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;
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;
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:
(1)分解:将原始信号数据集分为两个小子集,输入信号根据奇偶性分为两组:偶数序列、奇数序列;
将去噪后信号的离散数据列X分解为互不相交的2个小子集,也称为小波子集Xo和Xe;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:
(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;
用偶数序列Xe去预测或者内插奇数序列Xo,采用一个预测函数P(Xe)对偶数序列Xe作用后作为奇数序列Xo的预测值,用奇数序列的实际值Xo和预测值P(Xe)相减得到残差信号;实际中,用Xo和P(Xe)二者之差,即Xo-P(Xe),来代替原来的Xo,并且称Xo和P(Xe)二者的差值为小波系数;这样,能用Xe和Xo来代替原离散数据列信号X;接着进行周期重复;这样经过n步,原离散数据列信号就能用{Xe(n),Xo(n),...Xe(o),Xo(o)}来表示;
(3)更新:通过小波系数子集对偶数序列更新,得到尺度系数;
通过寻找1个新的子数据集Xe(n),能保持整体性质Q,即具有Q(Xe(n))=Q(Xe(n-1));所以,利用已计算出的小波系数Xo来更新Xe,即要构造1个更新函数U来更新Xe,定义如下:Xe:=Xe+U(Xo)。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110125546.6A CN102288843B (zh) | 2011-05-16 | 2011-05-16 | 一种电能质量扰动信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110125546.6A CN102288843B (zh) | 2011-05-16 | 2011-05-16 | 一种电能质量扰动信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102288843A CN102288843A (zh) | 2011-12-21 |
CN102288843B true CN102288843B (zh) | 2014-05-14 |
Family
ID=45335421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110125546.6A Expired - Fee Related CN102288843B (zh) | 2011-05-16 | 2011-05-16 | 一种电能质量扰动信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102288843B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680838B (zh) * | 2012-05-31 | 2014-08-13 | 重庆大学 | 基于双树复小波变换的电能质量监测识别方法及系统 |
CN104966161B (zh) * | 2015-06-16 | 2019-07-23 | 北京四方继保自动化股份有限公司 | 一种基于高斯混合模型的电能质量录波数据计算分析方法 |
CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
CN107102193B (zh) * | 2016-02-23 | 2020-08-28 | 上海贝岭股份有限公司 | 电参量计量过程中的信号噪声处理装置 |
CN105807241B (zh) * | 2016-03-23 | 2018-05-29 | 厦门大学 | 一种利用先验信息的指数信号去噪方法 |
CN106291236A (zh) * | 2016-07-29 | 2017-01-04 | 国家电网公司 | 基于暂态故障行波的限流器用故障检测方法 |
CN106410794A (zh) * | 2016-11-14 | 2017-02-15 | 国家电网公司 | 一种电铁牵引负荷电能质量分布特性高斯模型分析方法 |
CN108020736A (zh) * | 2017-11-15 | 2018-05-11 | 哈尔滨理工大学 | 一种电能质量检测方法 |
CN108732440A (zh) * | 2018-04-17 | 2018-11-02 | 北京理工大学 | 一种暂态电能质量检测方法及系统 |
CN109034277A (zh) * | 2018-09-17 | 2018-12-18 | 吉林大学 | 基于多特征融合的电能质量扰动分类方法及系统 |
CN110320433A (zh) * | 2019-06-19 | 2019-10-11 | 广东石油化工学院 | 变压器异常状态振声检测的信号滤波方法和装置 |
CN112528853B (zh) * | 2020-12-09 | 2021-11-02 | 云南电网有限责任公司昭通供电局 | 改进型双树复小波变换去噪方法 |
CN113484654B (zh) * | 2021-08-24 | 2023-10-10 | 南京协胜智能科技有限公司 | 基于双树复小波变换的电能质量监测识别方法 |
CN115792377B (zh) * | 2023-01-29 | 2023-05-19 | 国网山西省电力公司营销服务中心 | 一种基于双树复小波变换算法的谐波检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034389A (zh) * | 2007-03-19 | 2007-09-12 | 江西省电力科学研究院 | 基于信息融合的电能质量扰动自动识别方法及系统 |
CN101256548A (zh) * | 2007-12-03 | 2008-09-03 | 西北工业大学 | 一种转子碰摩故障识别方法 |
CN101634589A (zh) * | 2009-08-21 | 2010-01-27 | 武汉钢铁(集团)公司 | 一种设备振动信号的处理方法 |
CN101696986A (zh) * | 2009-10-26 | 2010-04-21 | 吴为麟 | 故障电弧检测方法及保护装置 |
-
2011
- 2011-05-16 CN CN201110125546.6A patent/CN102288843B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034389A (zh) * | 2007-03-19 | 2007-09-12 | 江西省电力科学研究院 | 基于信息融合的电能质量扰动自动识别方法及系统 |
CN101256548A (zh) * | 2007-12-03 | 2008-09-03 | 西北工业大学 | 一种转子碰摩故障识别方法 |
CN101634589A (zh) * | 2009-08-21 | 2010-01-27 | 武汉钢铁(集团)公司 | 一种设备振动信号的处理方法 |
CN101696986A (zh) * | 2009-10-26 | 2010-04-21 | 吴为麟 | 故障电弧检测方法及保护装置 |
Non-Patent Citations (1)
Title |
---|
刘蕾等.基于多元BKF模型的双树复小波图像去噪.《北京化工大学学报(自然科学版)》.2010,第37卷(第5期),139-143. * |
Also Published As
Publication number | Publication date |
---|---|
CN102288843A (zh) | 2011-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102288843B (zh) | 一种电能质量扰动信号检测方法 | |
Gao et al. | Spare optimistic based on improved ADMM and the minimum entropy de-convolution for the early weak fault diagnosis of bearings in marine systems | |
Paternina et al. | Identification of electromechanical oscillatory modes based on variational mode decomposition | |
Sang | A practical guide to discrete wavelet decomposition of hydrologic time series | |
Liu et al. | Modeling the daily suspended sediment concentration in a hyperconcentrated river on the Loess Plateau, China, using the Wavelet–ANN approach | |
CN102930149B (zh) | 基于pca和emd的传感器网络感知信息去噪处理方法 | |
Cui et al. | Improved hybrid filter for fiber optic gyroscope signal denoising based on EMD and forward linear prediction | |
Chen et al. | Wavelet denoising for the vibration signals of wind turbines based on variational mode decomposition and multiscale permutation entropy | |
CN108334987B (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
Hu et al. | Adaptive denoising algorithm using peak statistics-based thresholding and novel adaptive complementary ensemble empirical mode decomposition | |
He et al. | GMC sparse enhancement diagnostic method based on the tunable Q-factor wavelet transform for detecting faults in rotating machines | |
Bai et al. | Application of Time‐Frequency Analysis in Rotating Machinery Fault Diagnosis | |
Scarabottolo et al. | A spectrum-based adaptive sampling algorithm for smart sensing | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
CN104268408A (zh) | 一种基于小波系数arma模型的能耗数据宏观预测方法 | |
CN103592595A (zh) | 一种开关电流电路故障诊断方法 | |
CN111709350A (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
Rui et al. | Signal processing collaborated with deep learning: An interpretable FIRNet for industrial intelligent diagnosis | |
CN110377927B (zh) | 一种基于matlab仿真的泵站机组转子状态监控方法 | |
Xiao et al. | Intelligent fault diagnosis of gear crack based on side frequency feature under different working conditions | |
Wu et al. | A new health condition detection method for planetary gears based on modified distributed compressed sensing and multiscale symbol dynamic entropy | |
Gong | Denoising control method of abnormal signals in communication networks based on big data analysis | |
Hui et al. | Multi-scale RBF prediction model of runoff based on EMD method | |
Imro'ah | The MODWT-ARIMA Model in Forecasting The COVID-19 Cases | |
Duan et al. | Bearing fault diagnosis based on state-space principal component tracking filter algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140514 |
|
CF01 | Termination of patent right due to non-payment of annual fee |