CN102435897B - 基于形态学原理的避雷器泄漏电流在线监测数据滤波方法 - Google Patents

Abstract

现有的一种方法，采用小波分析将在线监测数据进行多层分解，该方法能有效抑制白噪声和脉冲噪声，但小波分析建模复杂计算量量大。本发明提供了一种基于形态学原理的避雷器泄漏电流在线监测数据滤波方法，避雷器在线监测装置采集避雷器泄漏电流在线监测数据，得到的采集数据通过光纤传输给计算机，计算机通过形态学算法对数据进行处理，并输出处理结果；所述的形态学算法的步骤包括依次进行的第一次腐蚀运算、第一次膨胀运算、第二次腐蚀运算和第二次膨胀运算，最后对第二次腐蚀运算后的避雷器在线监测数据进行加权。本发明能够对泄漏电流在线监测数据进行有效的消噪与平滑处理，确保了采集到的数据能够真实的反应设备工作状态。

Description

基于形态学原理的避雷器泄漏电流在线监测数据滤波方法

技术领域

本发明涉及避雷器泄漏电流在线监测数据的处理，具体地说是一种基于形态学原理的避雷器泄漏电流在线监测数据滤波方法。

背景技术

在线监测装置采集到的数据必然带有一定的高频干扰信号，尤其是对于一些本身量值就比较小的设备状态量，如容性设备泄露电流、避雷器泄漏电流等，其自身信号往往很容易被噪声淹没。为了能够真实反应设备绝缘状态，有必要对数据进行分析处理。

目前常用的数据信号处理方法主要包括3δ准则、中值滤波、53H算法以及小波变换多分辨率分析（简称小波分析）等。3δ准则、中值滤波、53H算法虽然能有效地消除脉冲性噪声(剔点)，但是对于白噪声的处理不够理想，而现场状态检测得到的状态量中必然含有丰富的白噪声，如果采用以上方法处理，数据仍存在锯齿状波动，无法反应设备现状。

采用小波分析将在线监测数据进行多层分解，该方法能有效抑制白噪声和脉冲噪声，但小波分析建模复杂计算量量大。

发明内容

本发明所要解决的技术问题是克服上述现有技术缺陷，提供一种基于形态学原理的避雷器泄漏电流在线监测数据滤波方法，能够对泄漏电流在线监测数据进行有效的消噪与平滑处理，确保采集到的数据能够真实的反应设备工作状态。

为此，本发明采用的技术方案如下：一种基于形态学原理的避雷器泄漏电流在线监测数据滤波方法，其采用的设备包括避雷器在线监测装置和计算机，通过光纤将避雷器在线监测装置采集的避雷器泄漏电流在线监测数据传输到计算机，计算机通过形态学算法对数据进行处理，并对处理结果进行输出；所述的形态学算法包括以下步骤：

(a).对避雷器泄漏电流在线监测数据f(n)进行第一次腐蚀运算，结果满足：

$f_1\left(n\right)=f\left(n\right)\mathrm{\Θg}\left(m\right)=\left\{\begin{array}{cc}\underset{m=\mathrm{1,2}...M}{\min }\{f(n+m-1)-g\left(m\right)\};& n\∈(0,N-M+1]\\ f\left(n\right);& n\∈(N-M+1,N]\end{array}\right.---\left(1\right)$

式（1）中，f(n)表示第n次避雷器泄漏电流在线监测装置的采样值，其中N是采样总次数。g(m)表示第m个结构元素对应的数值，其中M表示结构元素总个数，结构元素对应数值要尽可能接近待分析数据的图形特点。Θ是腐蚀运算符。

(b).对第一次腐蚀运算后的避雷器在线监测数据进行第一次膨胀运算，结果满足：

$f_2\left(n\right)=f_1\left(n\right)\⊕g\left(m\right)=\left\{\begin{array}{cc}{f}_1\left(n\right);& n\∈(0,M-1]\\ \underset{m=\mathrm{1,2}...M}{\max }\{f_1(n-m+1)+g\left(m\right)\};& n\∈(M,N]\end{array}\right.---\left(2\right)$

其中⊕是膨胀运算符。

(c).对第一次膨胀运算后的避雷器在线监测数据进行第二次膨胀运算，结果满足：

$f_3\left(n\right)=f_2\left(n\right)\⊕g\left(m\right)=\left\{\begin{array}{cc}{f}_2\left(n\right);& n\∈(0,M-1]\\ \underset{m=\mathrm{1,2}...M}{\max }\{f_2(n-m+1)+g\left(m\right)\};& n\∈(M,N]\end{array}\right.---\left(3\right)$

(d).对第二次膨胀运算后的避雷器在线监测数据进行第二次腐蚀运算，结果满足：

$f_4\left(n\right)=f_3\left(n\right)\mathrm{\Θg}\left(m\right)=\left\{\begin{array}{cc}\underset{m=\mathrm{1,2}...M}{\min }\{f_3(n+m-1)-g\left(m\right)\};& n\∈(0,N-M+1]\\ f_3\left(n\right);& n\∈(N-M+1,N]\end{array}\right.---\left(4\right)$

(e).对第二次腐蚀运算后的避雷器在线监测数据进行加权，结果满足：

F(n)=α₁f₄(n)   （5）

式(5)中，α₁是权重系数；

(f).权重系数的自适应调整：

将加权后的腐蚀运算结果F(n)与目标预期值F'(n)进行残差的范数计算，满足：

$W=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|F\left(i\right)-F^{\′}\left(i\right)|---\left(6\right)$

设定收敛系数γ（γ取值范围为0.8-1.2），令α₁＝γα₁，将α₂的计算结果赋给α₁，赋值后的α₁再代入式（5）重新计算，将重新计算结果代入式(6)，当残差的范数W达到满足要求时，对应的权重系数α₁为自适应调整后的输出结果。

本发明为一种能够较好去除白噪声和脉冲性噪声且算法简单的信号处理方法，能够对泄漏电流在线监测数据进行有效的消噪与平滑处理，确保了采集到的数据能够真实的反应设备工作状态。

下面结合说明书附图和具体实施方式对本发明作进一步说明。

附图说明

图1为本发明的原理图。

图2为理想的避雷器泄漏电流数据图。

图3为避雷器泄漏电流在线监测装置在线采集到的数据图。

图4为图3的数据进行第一次腐蚀运算的输出结果。

图5为图4的数据进行第一次膨胀运算的输出结果。

图6为图5的数据进行第二次膨胀运算的输出结果。

图7为图6的数据进行第二次腐蚀运算的输出结果，即最终的滤波输出结果。

具体实施方式

本发明的具体应用过程如下：

取变电站220kV避雷器凌晨0点到次日凌晨0点泄漏电流，由于泄漏电流大小随一天内的温度变化而变化，因此理想的避雷器泄漏电流数据呈现一定的周期性，具体如图2的理想数据所示。

避雷器泄漏电流在线监测装置每15分钟采样泄漏电流1次，一天共采集96次，以每次采样的时间为X轴，对应的泄漏电流数值为Y轴，具体对应点和曲线如图3在线监测输出数据所示，其中曲线中的+号表示避雷器泄漏电流在线监测装置采集到的数据。由于实际工作现场存在一定的干扰因素，对应的数据亦存在一定的噪声。

下面运用形态学算法对避雷器泄漏电流在线监测输出数据进行处理。

对任意一组采集数据f(n)进行滤波计算，具体步骤如下：

①对避雷器泄漏电流在线监测数据进行第一次腐蚀运算：

取避雷器泄漏电流在线监测装置的采集数据f(n),其中24小时内共采样96次，泄漏电流数值参照图3在线监测输出数据，取结构元素函数g(m)总个数M=5，对应数值满足：g(1)=g(2)=...=g(5)=0。则腐蚀运算输出结果f₁(n)满足：

$f_1\left(n\right)=f\left(n\right)\mathrm{\Θg}\left(m\right)=\left\{\begin{array}{cc}\underset{m=\mathrm{1,2}...5}{\min }\left\{f(n+m-1)\right\};& n\∈(0,92]\\ f\left(n\right);& n\∈\left(\mathrm{93,96}\right]\end{array}\right.---\left(7\right)$

由式（7）可以得到：

f₁(1)=min{f(1),f(2),f(3),f(4),f(5)}

f₁(2)=min{f(2),f(3),f(4),f(5),f(6)}

………

f₁(91)=min{f(91),f(92),f(93),f(94),f(95)}

f₁(92)=min{f(92),f(93),f(94),f(95),f(96)}

f₁(93)=f(93)

f₁(94)=f(94)

f₁(95)=f(95)

f₁(96)=f(96)

其中min运算表示取最小值，f₁(1)=min{f(1),f(2),f(3),f(4),f(5)}表示f₁(1)取f(1)、f(2)、f(3)、f(4)、f(5)中的最小值。f₁(93)、f₁(94)、f₁(95)、f₁(96)的结果与避雷器泄漏电流在线监测装置的采集数据一致。

第一次腐蚀运算的结果输出如图4所示：从图4可以看出，腐蚀运算能较好的去除尖峰，但是对波谷的滤波效果不是很好。

②对第一次腐蚀运算后的避雷器在线监测数据进行第一次膨胀运算：

取第一次腐蚀运算输出结果f₁(n)进行第一次膨胀运算，输出结果f₂(n)满足：

$f_2\left(n\right)=f_1\left(n\right)\⊕g\left(m\right)=\left\{\begin{array}{cc}{f}_1\left(n\right);& n\∈(0,4]\\ \underset{m=\mathrm{1,2}...5}{\max }\left\{f_1(n-m+1)\right\};& n\∈\left(\mathrm{4,96}\right]\end{array}\right.---\left(8\right)$

由式（8）可以得到：

f₂(1)=f₁(1)

f₂(2)=f₁(2)

f₂(3)=f₁(3)

f₂(4)=f₁(4)

f₂(5)=max{f₁(1),f₁(2),f₁(3),f₁(4),f₁(5)}

f₂(6)=max{f₁(2),f₁(3),f₁(4),f₁(5),f₁(6)}

………

f₂(95)=max{f₁(91),f₁(92),f₁(93),f₁(94),f₁(95)}

f₂(96)=max{f₁(92),f₁(93),f₁(94),f₁(95),f₁(96)}

其中f₂(1)、f₂(2)、f₂(3)、f₂(4)的结果与避雷器在线监测数据第一次腐蚀运算输出结果一致。max运算表示取最大值，f₂(5)=min{f₁(1),f₁(2),f₁(3),f₁(4),f₁(5)}表示f₂(5)取f₁(1)、f₁(2)、f₁(3)、f₁(4)、f₁(5)中的最大值。

第一次膨胀运算的结果输出如图5所示：从图5可以看出，第一次膨胀运算对波谷有一定的削弱作用，但是滤波效果不是很好。

③对一次膨胀运算后的避雷器在线监测数据进行第二次膨胀运算：

取第一次膨胀运算输出结果f₂(n)进行第二次膨胀运算，输出结果f₃(n)满足：

$f_3\left(n\right)=f_2\left(n\right)\⊕g\left(m\right)=\left\{\begin{array}{cc}{f}_2\left(n\right);& n\∈(0,4]\\ \underset{m=\mathrm{1,2}...M}{\max }\left\{f_2(n-m+1)\right\};& n\∈\left(\mathrm{4,96}\right]\end{array}\right.---\left(9\right)$

由式（9）可以得到：

f₃(1)=f₂(1)

f₃(2)=f₂(2)

f₃(3)=f₂(3)

f₃(4)=f₂(4)

f₃(5)=max{f₂(1),f₂(2),f₂(3),f₂(4),f₂(5)}

f₃(6)=max{f₂(2),f₂(3),f₂(4),f₂(5),f₂(6)}

………

f₃(95)=max{f₂(91),f₂(92),f₂(93),f₂(94),f₂(95)}

f₃(96)=max{f₂(92),f₂(93),f₂(94),f₂(95),f₂(96)}

第二次膨胀运算的结果输出如图6所示：从图6可以看出，第二次膨胀运算对波谷有滤波作用。

④对第二次膨胀运算后的避雷器在线监测输出数据进行第二次腐蚀运算：

取第二次膨胀运算输出结果f₃(n)进行第二次腐蚀运算,输出结果f₄(n)满足：

$f_4\left(n\right)=f_3\left(n\right)\mathrm{\Θg}\left(m\right)=\left\{\begin{array}{cc}\underset{m=\mathrm{1,2}...M}{\min }\left\{f_3(n+m-1)\right\};& n\∈(0,92]\\ f_3\left(n\right);& n\∈(93,96]\end{array}\right.---\left(10\right)$

由式（10）可以得到：

f₄(1)=min{f₃(1),f₃(2),f₃(3),f₃(4),f₃(5)}

f₄(2)=min{f₃(2),f₃(3),f₃(4),f₃(5),f₃(6)}

………

f₄(91)=min{f₃(91),f₃(92),f₃(93),f₃(94),f₃(95)}

f₄(92)=min{f₃(92),f₃(93),f₃(94),f₃(95),f₃(96)}

f₄(93)=f₃(93)

f₄(94)=f₃(94)

f₄(95)=f₃(95)

f₄(96)=f₃(96)

第二次腐蚀运算的结果输出如图7所示。

⑤对第二次腐蚀运算后的避雷器在线监测数据进行加权，取权重系数α₁=1；即满足：

F(n)=f₄(n)   （11）

⑥权重系数的自适应调整：

由于加权运算后的避雷器在线监测输出数据F(n)与预期目标比较接近，故不进行权重系数的自适应调整，其中加权运算后的避雷器滤波输出结果具体如图7所示。

从在线监测输出数据（即图3）与滤波后输出结果（图7）的比对，可以看到基于形态学原理的避雷器泄漏电流在线监测数据滤波方法能够较好的实现在线监测数据的滤波。

Claims (1)

1.基于形态学原理的避雷器泄漏电流在线监测数据滤波方法，其采用的设备包括避雷器在线监测装置和计算机，避雷器在线监测装置采集避雷器泄漏电流在线监测数据，得到的采集数据通过光纤传输给计算机，计算机通过形态学算法对数据进行处理，并输出处理结果；所述的形态学算法包括以下步骤：

(a).对避雷器泄漏电流在线监测数据f(n)进行第一次腐蚀运算，结果满足：

$f_1\left(n\right)=f\left(n\right)\mathrm{\Θg}\left(m\right)=\left\{\begin{array}{cc}\underset{m=\mathrm{1,2}...M}{\min }\{f(n+m-1)-g\left(m\right)\};& n\∈(0,N-M+1]\\ f\left(n\right);& n\∈(N-M+1,N]\end{array}\right.---\left(1\right)$

，式（1）中，f(n)表示第n次避雷器泄漏电流在线监测装置的采样值，其中N是采样总次数，g(m)表示第m个结构元素对应的数值，其中M表示结构元素总个数，Θ是腐蚀运算符；

(b).对第一次腐蚀运算后的避雷器在线监测数据进行第一次膨胀运算，结果满足：

$f_2\left(n\right)=f_1\left(n\right)\⊕g\left(m\right)=\left\{\begin{array}{cc}{f}_1\left(n\right);& n\∈(0,M-1]\\ \underset{m=\mathrm{1,2}...M}{\max }\{f_1(n-m+1)+g\left(m\right)\};& n\∈(M,N]\end{array}\right.---\left(2\right)$

，其中⊕是膨胀运算符；

(c).对第一次膨胀运算后的避雷器在线监测数据进行第二次膨胀运算，结果满足：

$f_3\left(n\right)=f_2\left(n\right)\⊕g\left(m\right)=\left\{\begin{array}{cc}{f}_2\left(n\right);& n\∈(0,M-1]\\ \underset{m=\mathrm{1,2}...M}{\max }\{f_2(n-m+1)+g\left(m\right)\};& n\∈(M,N]\end{array}\right.---\left(3\right)$

(d).对第二次膨胀运算后的避雷器在线监测数据进行第二次腐蚀运算，结果满足：

$f_4\left(n\right)=f_3\left(n\right)\mathrm{\Θg}\left(m\right)=\left\{\begin{array}{cc}\underset{m=\mathrm{1,2}...M}{\min }\{f_3(n+m-1)-g\left(m\right)\};& n\∈(0,N-M+1]\\ f_3\left(n\right);& n\∈(N-M+1,N]\end{array}\right.---\left(4\right)$

(e).对第二次腐蚀运算后的避雷器在线监测数据进行加权，结果满足：

F(n)=α₁f₄(n)   （5）

，式(5)中，α₁是权重系数；

(f).权重系数的自适应调整：

将加权后的腐蚀运算结果F(n)与目标预期值F'(n)进行残差的范数计算，满足：

$W=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|F\left(i\right)-F^{\′}\left(i\right)|---\left(6\right)$

，设定收敛系数γ，令α₂＝γα₁，将α₂的计算结果赋给α₁，赋值后的α₁再代入式（5）重新计算，将重新计算结果代入式(6)，当残差的范数W达到满足要求时，对应的权重系数α₁为自适应调整后的输出结果。

Images