CN107276562A - 一种基于改进自适应均衡混合算法rls‑lms变压器消噪方法 - Google Patents

Abstract

本发明公开了一种基于改进自适应均衡混合算法RLS‑LMS变压器消噪方法，包括以下步骤：S01:初始化滤波器参数抽头长度L、遗忘因子、滤波器权系数矩阵W，输入信号S，期望信号d；S02：利用改进最小二乘RLS算法对权系数矩阵W进行训练得到最佳权系数W1；S03：利用RLS算法训练得到的最佳权系数W1并采用LMS算法对变压器叠加噪声后的信号X均衡得到除噪后的信号Y。本发明保证了算法的快收敛性又保证了算法的稳定性，能可靠地滤除变压器噪声，有利于故障特征信息提取。

Description

一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法

技术领域

本发明涉及变压器噪声消除领域，尤其涉及一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法。

背景技术

随着近年来城市电网负荷的迅速增加，部分变电站将不得不选址在电力负荷密集的城市中心区域。变压器在工作状态产生的噪声影响人们的正常生活和工作，因此，如何有效地消除和抑制变压器噪声已成为一个热门的研究课题。

国外一些大型电力变压器制造公司和相关研究机构对变压器噪声问题进行了大量研究，研究方向主要涉及到变压器噪声和声学特性、振动机理、降噪方法和措施等。国内对变压器噪声抑制方面的研究相对滞后于国外，研究工作主要集中在变压器噪声机理以及控制，定性分析和实践经验总结方面。随着测试技术和计算机辅助分析的发展，国内有些学者从测试变压器噪声振动频谱方面进行分析，还有利用有限元技术分析变压器噪声机理。

自适应噪声抵消技术是一种能够消除背景噪声影响的信号处理技术。应用自适应噪声抵消技术，可在未知外界干扰源特征、传递途径不断变化、背景噪声和被测对象信号相似的情况下，有效地消除外界噪声的干扰，因此它具有较好的应用前景。但是目前采用自适应噪声抵消技术对变压器噪声进行抑制的相关研究较少，大多是针对生产工艺、使用材料等方面进行变压器噪声的抑制。

发明内容

有鉴于此，本发明的目的是提供一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法,对RLS遗忘因子进行了改进，加快其收敛速度，在训练阶段采用改进的RLS算法，在稳定阶段采用LMS算法，保证了算法的快收敛性又保证了算法的稳定性，能可靠地滤除变压器噪声，有利于故障特征信息提取。

本发明通过以下技术手段解决上述技术问题：

一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法，包括以下步骤：

S01:初始化滤波器参数抽头长度L、遗忘因子、滤波器权系数矩阵W，输入信号S，期望信号d；

S02：利用改进最小二乘RLS算法对权系数矩阵W进行训练得到最佳权系数W1；

S03：利用RLS算法训练得到的最佳权系数W1，并对W1利用LMS算法进行迭代更新，对变压器叠加噪声后的信号X均衡得到除噪后的信号Y。

进一步的，所述步骤S01中，通过反复实验得出最合适均衡器的抽头系数长度为L＝30，步长因子u＝0.002，训练数据个数为N＝200，初始化遗忘因子为λ＝0.98、误差信号为e＝[0 0 ...0]、期望信号为d＝sin(t),并初始化均衡器权系数W＝[0 0 0....0]。

进一步的，所述步骤S02中，首先RLS算法对初始化过后的权系数进行训练，每次取30个训练数据，进行均衡后得到误差信号e,更新权系数矩阵，具体步骤如下：

步骤1：参数初始化：W＝[0 …… 0]T,其中K为正则化参数，Pxx(改为Pxx)为N*N单位矩阵；(这句话改成这样)

步骤2：当n＝n+1时，更新参数如下：

e(n)＝d(n)-w^Tx(n)(误差信号)

(增益矢量)

(逆矩阵)

w(n)＝w(n-1)+K(n)e(n)(权系数)

训练权系数矩阵W到最佳权系数矩阵W1，

在此基础上对遗忘因子λ进行改进，如下所示：

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)。

如图2所示：进一步的，所述步骤S03中，利用第二步训练阶段训练得到的最佳权系数矩阵W1对信号进行均衡，具体步骤如下：

初始化抽头系数和步长因子，并对调制信号后面进行补零操作；

输入训练信号等于期望信号每次取30个并依此后移一位，判断for j＝1:M-15；输出否跳至forh＝M+1:length(out)-15

输出是则跳转至抽头系数乘上输入信号得到均衡后的信号；

求期望信号与均衡后信号差值得到误差信号；

更新权系数得到最佳权系数W，判断forh＝M+1:length(out)-15

输出否则结束；

输出是则初始化一个L长矩阵存放需均衡信号，并每次移位一位，利用训练所得权系数进行均衡，将信号矩阵与最佳权系数得到均衡后信号；

结束。

本发明的有益效果：

1、混合算法性能好

LMS算法复杂度较低，稳定性较好，但其收敛速度太低；但是RLS收敛速度快，但是复杂计算度太大且稳定性较差；因此此方法结合了两种算法，在训练阶段采用改进的RLS算法；在稳定阶段采用LMS算法，故计算复杂度适中、收敛速度较快且稳定性较好。两者结合后的混合算法性能好。

2、编码易实现仿真

作为两种经典算法，利用MATLAB做仿真较为容易，编码简单。

3、模块化强，具有相对独立性

训练阶段权系数利用RLS算法，稳定阶段采用LMS算法，两阶段不相互依赖两部分具有较强的可模块化，可移植，可改变，较独立。

4、可拓展性较强

若要对此方法进行改进，可对两种方法所处的两个不同阶段进行不同的改进，不会相互影响，因此可拓展空间较大，可拓展性较强，便于以后的改进。

附图说明

图1是本发明的步骤示意图；

图2是LMS算法流程图；

图3是RLS算法流程图；

图4本发明的流程图；

图5是本发明的仿真示意图；

图6是本发明的最终除噪结果仿真图。

具体实施方式

以下将结合附图对本发明进行详细说明：

如图1至6所示：

一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法，包括以下步骤：

S01:初始化滤波器参数抽头长度L、遗忘因子、滤波器权系数矩阵W，输入信号S，期望信号d；

S02：利用改进最小二乘RLS算法对权系数矩阵W进行训练得到最佳权系数W1；

S03：利用RLS算法训练得到的最佳权系数W1，并对W1利用LMS算法进行迭代更新，对变压器叠加噪声后的信号X均衡得到除噪后的信号Y。

进一步的，所述步骤S01中，通过反复实验得出最合适均衡器的抽头系数长度为L＝30，步长因子u＝0.002，训练数据个数为N＝200，初始化遗忘因子为λ＝0.98、误差信号为e＝[0 0 ...0]、期望信号为d＝sin(t),并初始化均衡器权系数W＝[0 0 0....0]。

如图3所示：进一步的，所述步骤S02中，首先RLS算法对初始化过后的权系数进行训练，每次取30个训练数据，进行均衡后得到误差信号e,更新权系数矩阵，

具体步骤如下：

步骤1：参数初始化：W＝[0 …… 0]T,其中K为正则化参数，Pxx(改为Pxx)为N*N单位矩阵(修改为这样)；

步骤2：当n＝n+1时，更新参数如下：

e(n)＝d(n)-w^Tx(n)(误差信号)

(增益矢量)

(逆矩阵)

w(n)＝w(n-1)+K(n)e(n)(权系数)

训练权系数矩阵W到最佳权系数矩阵W1，

在此基础上对遗忘因子λ进行改进，如下所示：

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)。

进一步的，所述步骤S03中，利用第二步训练阶段训练得到的最佳权系数矩阵W1对信号进行均衡，具体步骤如下：

初始化抽头系数和步长因子，并对调制信号后面进行补零操作；

输入训练信号等于期望信号每次取30个并依此后移一位，判断for j＝1:M-15；输出否跳至forh＝M+1:length(out)-15

输出是则跳转至抽头系数乘上输入信号得到均衡后的信号；

求期望信号与均衡后信号差值得到误差信号；

更新权系数得到最佳权系数W，判断forh＝M+1:length(out)-15

输出否则结束；

输出是则初始化一个L长矩阵存放需均衡信号，并每次移位一位，利用训练所得权系数进行均衡，将信号矩阵与最佳权系数得到均衡后信号；

结束。

如图4所示：本实施例的具体流程如下：

初始化抽头系数和步长因子及遗忘因子，正则化因子，并对调制信号后面进行补零操作；

调制信号赋值期望信号，输入洗脑赋值u，每次取30个，并依此后移一位；

根据语法forj＝1:M-15进行判断：输出是则跳转下一步，否则跳转至for h＝M+1:length(out)-15进行判断；

抽头系数乘上输入信号得到均衡后的信号；

求期望信号与均衡后信号差值得到误差信号；

改进遗忘因子并求增益矢量，更新权系数W，求逆矩阵P并求得最佳权系数W1,；

根据语法forh＝M+1:length(out)-15进行判断，输出是进入下一步，输出否则结束；

初始化一个L长矩阵存放需均衡信号，并每次移位一位；

利用RLS训练所得权系数进行均衡；

利用LMS算法权更新权系数；

结束。

本方法分为三个部分：均衡器参数初始化、均衡器参数训练、均衡变压器信号。

均衡器参数初始化部分介绍如下：

通过反复实验得出最合适均衡器的抽头系数长度为L，训练数据个数为N，初始化遗忘因子为λ、误差信号为e、期望信号为d,并初始化均衡器权系数W＝[0 0 0....0]。初始化均衡器系数是本方法第一步，初始化参数是为后面训练阶段做准备。在此阶段，合理地选择好参数是能有效滤除变压器噪声的前提和基础，是设计均衡器的必不可少的步骤。

均衡器参数训练部分介绍：

均衡器参数初始化过后，初始化状态下的均衡器并不是滤除噪声的最佳状态，因此需要通过训练阶段，完成抽头系数W的训练和更新，使得均衡器的抽头系数达到最佳，均衡后误差e最小。训练阶段是整个均衡滤波过程最核心、关键的阶段，训练系数达到最佳，才能更好更有效的滤除变压器的噪声。此方法中，训练阶段采用RLS算法更新权系数至最新。

均衡变压器信号部分介绍：

变压器振动信号为S，叠加噪声后的信号为X。均衡器抽头系数在经过训练过后，性能已经达到最佳滤波状态W1，因此利用此时的W1对叠加噪声过后的信号X进行均衡除噪，并计算此时的误差信号e。均衡后的信号Y＝X*W1’。对比变压器振动信号S,叠加噪声后的信号为X及均衡后的信号Y三者，得出结论。该方法中，均衡阶段采用稳定性较好的LMS算法。

一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法主要由三部分组成，均衡器参数初始化、均衡器参数训练、均衡变压器信号，如图1所示。具体实施方案及步骤如下：

S01初始化参数，如图1的第一步。通过反复实验得出最合适均衡器的抽头系数长度为L＝30，步长因子u＝0.002，训练数据个数为N＝200，初始化遗忘因子为λ＝0.98、误差信号为e＝[0 0 ...0]、期望信号为d＝sin(t),并初始化均衡器权系数W＝[0 0 0....0]。初始化均衡器系数是本方法第一步，初始化参数是为后面训练阶段做准备。在此阶段，合理地选择好参数是能有效滤除变压器噪声的前提和基础，是设计均衡器的必不可少的步骤。

S02利用RLS算法训练阶段，如图1第二步所示。在此方法中，首先RLS算法对初始化过后的权系数进行训练。每次取30个训练数据，进行均衡后得到误差信号e,更新权系数矩阵，具体流程如图3所示具体步骤如下：

步骤1：参数初始化：W＝[0 …… 0]^T,其中K为正则化参数，Pxx(改为Pxx)为N*N单位矩阵(修改为这样)；

步骤2：当n＝n+1时，更新参数如下：

e(n)＝d(n)-w^Tx(n)(误差信号)

(增益矢量)

(逆矩阵)

w(n)＝w(n-1)+K(n)e(n)(权系数)

训练权系数矩阵W到最佳权系数矩阵W1。

在此基础上对遗忘因子λ进行改进，如下所示：

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)

代码实现如下：

S03是信号均衡阶段，如图1的第三步。利用S02训练阶段训练得到的最佳权系数矩阵W1对信号进行均衡，具体流程如图2所示，步骤如下：

y(n)＝w(n)'x(n)(均衡后信号)

e(n)＝d(n)-y(n)(误差信号)

w(n+1)＝w(n)+2μe(n)x(n)(权系数更新式)

代码实现如下：

通过以上混合自适应均衡方法可以有效滤除变压器中噪声，此方法既收敛性较快，稳定性又较高，其仿真示意图如图5所示，仿真结果如图6所示。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法，其特征在于包括以下步骤：

S01:初始化滤波器参数抽头长度L、遗忘因子、滤波器权系数矩阵W，输入信号S，期望信号d；

S02：利用改进最小二乘RLS算法对权系数矩阵W进行训练得到最佳权系数W1；

S03：利用RLS算法训练得到的最佳权系数W1并采用LMS算法对变压器叠加噪声后的信号X均衡得到除噪后的信号Y。

2.根据权利要求1所述的一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法，其特征在于：所述步骤S01中，通过反复实验得出最合适均衡器的抽头系数长度为L＝30，步长因子u＝0.002，训练数据个数为N＝200，初始化遗忘因子为λ＝0.98、误差信号为e＝[0 0... 0]、期望信号为d＝sin(t),并初始化均衡器权系数W＝[0 0 0 .... 0]。

3.根据权利要求1所述的一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法，其特征在于：所述步骤S02中，首先RLS算法对初始化过后的权系数进行训练，每次取30个训练数据，进行均衡后得到误差信号e,更新权系数矩阵，具体步骤如下：

步骤1：参数初始化：w＝[0 …… 0]T,其中k为正则化参数，p_xx为N*N单位矩阵；

步骤2：当n＝n+1时，更新参数如下：

e(n)＝d(n)-w^Tx(n) (误差信号)

w(n)＝w(n-1)+K(n)e(n) (权系数)

训练权系数矩阵W到最佳权系数矩阵W1，

在此基础上对遗忘因子λ进行改进，如下所示：

<mrow> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>b</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mo>(</mo> <mi>m</mi> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>|</mo> <mi>a</mi> <msqrt> <mrow> <mi>e</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>*</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msqrt> <mo>|</mo> </mrow> </msup> <mo>)</mo> </mrow> </mfrac> <mo>+</mo> <mi>c</mi> </mrow>

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)。

4.根据权利要求1所述的一种基于改进自适应均衡混合算法RLS-LMS变压器消噪方法，其特征在于：所述步骤S03中，利用第二步训练阶段训练得到的最佳权系数矩阵W1对信号进行均衡，并对W1利用LMS算法进行迭代更新，具体步骤如下：

初始化抽头系数和步长因子，并对调制信号后面进行补零操作；

输入训练信号等于期望信号每次取30个并依此后移一位，判断for j＝1:M-15；输出否跳至for h＝M+1:length(out)-15

输出是则跳转至抽头系数乘上输入信号得到均衡后的信号；

求期望信号与均衡后信号差值得到误差信号；

更新权系数得到最佳权系数W，判断for h＝M+1:length(out)-15

输出否则结束；

输出是则初始化一个L长矩阵存放需均衡信号，并每次移位一位，利用训练所得权系数进行均衡，将信号矩阵与最佳权系数得到均衡后信号；

结束。