CN108090270B - 一种基于形态学滤波和盲源分离的暂态振荡参数识别方法 - Google Patents

Abstract

本发明公开了一种基于形态学滤波和盲源分离的暂态振荡参数识别方法，包括步骤：1)生成暂态振荡的电能质量扰动信号y_o并且添加噪声；2)用形态学算子和中值滤波器对信号进行滤波；3)加入同扰动信号等长度等采样频率等相位的正常信号，构成输入矩阵X；4)对输入矩阵进行盲源分离得到扰动成分y₁；5)对扰动成分用傅里叶变换识别振荡频率f_o；6)对扰动成分，用曲线y＝ae^bt拟合振荡区间的每个周期的最值，求解衰减系数σ_o。本发明具有识别结果准确，鲁棒性好等优点，能在各种情况下准确识别暂态振荡的参数。

Description

一种基于形态学滤波和盲源分离的暂态振荡参数识别方法

技术领域

本发明涉及电能质量信号识别领域，尤其是指一种基于形态学滤波和盲源分离的暂态振荡参数识别方法。

背景技术

随着我国电网的进一步发展，越来越多的非线性原件的介入，直流线路的并网，以及光伏以及风电的介入，电能质量的问题越来越严重。暂态振荡是一种典型的暂态电能质量扰动问题，它是指在稳态条件下，电压、电流的非工频、有正负极性的突然变化现象。其产生的原因是由于线路、负载和电力电子装置、电容器组的投切，后果是可能导致损坏电子设备、破坏运行设备的绝缘，从而影响整个电力系统的正常运行。所以准确识别暂态振荡扰动的参数有利于抑制暂态扰动，提高电能质量和电网的稳定。

傅里叶变换、小波分析、希尔伯特黄变换、Prony算法是电力系统中常用的信号处理方法。短时傅里叶变换、小波变换和希尔伯特黄都能对暂态信号进行分析，但是均有其不足之处。STFT的时频窗口没有自适应性，且窗口和窗长的选择存在盲目性，不适合分析暂态振荡信号的突变过程。小波变换虽然具有时频局部化的特点，却不能准确度量暂态信号里面的参数，难以求解衰减系数。希尔伯特黄变换的端点效应和模态混叠问题也制约了它在暂态振荡分析中的应用，而且希尔伯特黄变换的鲁棒性一般。Prony算法是用一系列衰减余弦量拟合原曲线的，该方法对噪声比较敏感，而且对于具有暂态过程的信号会生成一些虚假模态。所以Prony算法并不适合分析求解暂态振荡扰动信号的参数。

为此本发明提出了一种基于形态学滤波和盲源分离的暂态振荡参数的识别方法。形态学是一种在时域处理信号的非线性工具，通过原信号与结构算子的运算实现调整结构或者提取特征。它的基本运算是膨胀和腐蚀，通过对两者的有机结合可以实现各种功能。开运算和闭运算的结合就常常用来实现对信号的去燥。盲源分离是指在信号的理论模型和源信号无法精确获知的情况下，如何从观测信号中分离出各源信号的过程，而FastICA是一种成熟的线性盲源分离算法，该算法是基于定点递推算法得到的，具有收敛速度快，计算简单等优点。暂态振荡扰动信号可以被看成是正弦信号与振荡信号信号的叠加，所以盲源分离可用于分离该暂态振荡信号。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于形态学滤波和盲源分离的暂态振荡参数识别方法，该方法在有噪声干扰的情况也能识别出暂态振荡参数，具有鲁棒性好、准确度高、计算速度快的优点。

为实现上述目的，本发明所提供的技术方案为：一种基于形态学滤波和盲源分离的暂态振荡参数识别方法，包括以下步骤：

1)生成暂态振荡的电能质量扰动信号y_o并且添加噪声；

2)用形态学算子和中值滤波器对信号进行滤波：

式中，g为扁平结构元素，即g＝{0₁,0₂,...,0_l-1,0_l}，l为结构元素的长度，°代表开运算，·代表闭运算；

3)加入同扰动信号等长度等采样频率等相位的正常信号y_n，构成输入矩阵X：

X＝[y_f y_n]^T

其中y_f是滤波后的信号，T代表矩阵转置；

4)对输入矩阵进行盲源分离得到扰动成分y₁；

5)对扰动成分用傅里叶变换和希伯特变换识别振荡频率f_o；

6)对扰动成分，用曲线y＝ae^bt拟合振荡区间的每个周期的最大值，求解衰减系数σ_o；其中，a为分离后的振荡分量的幅值，但是由于盲源分离的幅值不确定性，它不等于实际值，b为求解的衰减系数，为实际值，e是自然常数，t和y分别是拟合的横坐标和纵坐标。

在步骤2)中，用混合形态学滤波器和均值滤波器相结合来实现对暂态扰动信号的去噪。

在步骤3)中，通过添加等长度和等采样间隔的等相位的正常信号来构造输入矩阵X：

X＝[y_f y_n]^T

其中y_f是滤波后的信号，T代表矩阵转置。

相位的计算方式：

Φ＝50π(t_max-0.005-t_zero)

其中t_max和t_zero分别是第一个最大值和零点的时间。

在步骤4)中，对X进行盲源分离，采用的方法是FastICA，得到输出矩阵Y：

Y＝[y₁ y₂]^T

其中，y₁和y₂分别代表正常信号和暂态振荡信号。

在步骤5)中，用傅里叶变换和希尔伯特变换求解振荡频率，先用傅里叶变换求解的振荡频率f₁，然后在振荡信号中，从最小值开始选取所需个数周期长度的信号y₃，其中周期T₁＝1/f₁，对y₃进行希尔伯特变换，对变换结果的中间的所求点数求平均值得f₂，如果|f₁-f₂|＜2，则f_o＝f₂，反之则f_o＝f₁。

在步骤6)中，找到振荡信号的最小值，从最小值的位置开始，在每一个周期T_o里面采集其中的最大值，记录为y_max，其中T_o＝1/f_o；然后用曲线y＝ae^bt拟合y_max，从而求解出σ_o。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明方法在进行信号去噪时，运用的是数学形态学滤波运算和中值滤波运算，计算量小，计算简单。

2、本发明方法在进行振荡信号分离时，运用的是盲源分离中的FastICA，该算法计算速度快，收敛性好，而且分离结果准确。

3、本发明方法在辨识频率时，结合了傅里叶变换和希尔伯特变换，提高了辨识精确度；在辨识衰减系数时，通过提取周期的最值来拟合y＝ae^bt，从而求解σ_o，简单准确。

附图说明

图1是本发明方法的流程图。

图2是本发明方法的加了噪声的输入信号。

图3是本发明方法的滤波后的信号。

图4是本发明方法在盲源分离后得到的结果。

图5是本发明方法在对振荡信号进行曲线拟合的结果。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本发明所提供的基于形态学滤波和盲源分离的暂态振荡参数识别方法，包括以下步骤：

1)生成暂态振荡的电能质量扰动信号y_o并且添加噪声；

2)用混合形态学滤波器和均值滤波器相结合来实现对暂态扰动信号的去噪，用形态学算子和中值滤波器对信号进行滤波：

式中，g为扁平结构元素，即g＝{0₁,0₂,...,0_l-1,0_l}，l为结构元素的长度，°代表开运算，·代表闭运算；

3)加入同扰动信号等长度等采样频率等相位的正常信号y_n，构成输入矩阵X：

X＝[y_f y_n]^T

其中y_f是滤波后的信号，T代表矩阵转置。

相位的计算方式：

Φ＝50π(t_max-0.005-t_zero)

其中t_max和t_zero分别是第一个最大值和零点的时间；

4)对输入矩阵进行盲源分离得到扰动成分y₁，其中，对X进行盲源分离，采用的方法是FastICA，得到输出矩阵Y：

Y＝[y₁ y₂]^T

其中，y₁和y₂分别代表正常信号和暂态振荡信号；

5)对扰动成分用傅里叶变换和希伯特变换识别振荡频率f_o，其中用傅里叶变换和希尔伯特变换求解振荡频率，先用傅里叶变换求解的振荡频率f₁，然后在振荡信号中，从最小值开始选取所需个数周期长度的信号y₃，其中周期T₁＝1/f₁，对y₃进行希尔伯特变换，对变换结果的中间的所需点数求平均值得f₂，如果|f₁-f₂|＜2，则f_o＝f₂，反之则f_o＝f₁。；

6)找到振荡信号的最小值，从最小值的位置开始，在一个周期T里面采集其中的最大值，记录为y_max，其中T_o＝1/f_o；然后用曲线y＝ae^bt拟合y_max，从而求解出σ_o。其中，a是分离后的振荡分量的幅值，但是由于盲源分离的幅值不确定性，它不等于实际值。b就是求解的衰减系数，为实际值。e是自然常数。t和y分别是拟合的横坐标和纵坐标。

在本实施例子的暂态振荡信号可表示为：

y_o＝sin(100πt)+0.2e^30(t-0.1)sin(245π(t-0.1))

系统频率为50Hz，采样频率f_s＝5kHz，每个基频周波采样100个点，信号的时间长度为0.3s。随后对输入信号进行滤波。

形态学滤波运算：

式中：y_o为输入信号，g为结构元素，°代表开运算，·代表闭运算。在本发明方法里，结构元素选为扁平结构即g＝{0₁,0₂,...,0_l-1,0_l}，l为结构元素的长度，l＝5。

均值滤波的长度选为10。通过图2和图3的对比，可以看出出，以形态学滤波和均值滤波相结合的方法进行降噪，有效地去掉了信号的毛刺，提高本发明算法的鲁棒性。

随后通过暂态振荡信号第一个最大值的位置和第一个过零点的位置确定其相位，添加同等长度和同等采样间隔的同等相位的正常信号来构造出矩阵X来满足FastICA算法的输入要求。其中：

y_n＝sin(100πt)

X＝[y_f y_n]^T

其中y_f是滤波后的信号，T代表矩阵转置。

用FastICA算法对输入信号进行处理，结果如图4所示，FastICA算法准确地分出了信号的正常部分和振荡部分。

接着对振荡信号用傅里叶分析求解得到f₁＝123.3333。搜索y₁最小值的位置，取10个周期的长度的信号进行希尔伯特变换。又因为端点效应，所以只取信号中间的100个点的值作平均，求得f₂＝123.2249。最后求得f_o＝f₂。

最后求解振荡信号的衰减系数。从最小值的位置开始从最小值的位置开始，在一个周期T_o里面采集其中的最大值，记录进y_max矩阵中，其中T＝1/f_o。然后用曲线y＝ae^bt拟合y_max，拟合效果如图5所示。求解所得的衰减系数的结果为σ_o＝-29.4。从衰减系数和振荡频率的求解结果可以看出，本发明所提出的基于形态学滤波和盲源分离的暂态振荡参数的识别方法能够在有噪声的环境中实现第振荡参数的准确识别，具有鲁棒性好、准确度高、计算速度快的优点，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (2)

1.一种基于形态学滤波和盲源分离的暂态振荡参数识别方法，其特征在于，包括以下步骤：

1)生成暂态振荡的电能质量扰动信号y_o并且添加噪声；

2)用形态学算子和中值滤波器对信号进行滤波：

式中，g为扁平结构元素，即g＝{0₁,0₂,...,0_l-1,0_l}，l为结构元素的长度，

代表开运算，·代表闭运算；

3)加入同扰动信号等长度等采样频率等相位的正常信号y_n，构成输入矩阵X：

X＝[y_f y_n]^T

其中，y_f是滤波后的信号，T代表矩阵转置；

相位的计算方式：

Φ＝50π(t_max-0.005-t_zero)

其中t_max和t_zero分别是第一个最大值和零点的时间；

4)对输入矩阵进行盲源分离得到扰动成分y₁；

对X进行盲源分离，采用的方法是FastICA，得到输出矩阵Y：

Y＝[y₁ y₂]^T

其中，y₁和y₂分别代表正常信号和暂态振荡信号；

5)对扰动成分用傅里叶变换和希伯特变换识别振荡频率f_o；

用傅里叶变换和希尔伯特变换求解振荡频率，先用傅里叶变换求解振荡频率f₁，然后在振荡信号中，从最小值开始选取所需个数周期长度的信号y₃，其中周期T₁＝1/f₁，对y₃进行希尔伯特变换，对变换结果的中间的所求点求平均值得f₂，如果|f₁-f₂|＜2，则f_o＝f₂，反之则f_o＝f₁；

6)对扰动成分，用曲线y＝ae^bt拟合振荡区间的每个周期的最大值，求解衰减系数σ_o；其中，a为分离后的振荡分量的幅值，但是由于盲源分离的幅值不确定性，它不等于实际值，b为求解的衰减系数，为实际值，e是自然常数，t和y分别是拟合的横坐标和纵坐标；

找到振荡信号的最小值，从最小值的位置开始，在每一个周期T_o里面采集其中的最大值，记录为y_max，其中T_o＝1/f_o；然后用曲线y＝ae^bt拟合y_max，从而求解出σ_o。

2.根据权利要求1所述的一种基于形态学滤波和盲源分离的暂态振荡参数识别方法，其特征在于：在步骤2)中，用混合形态学滤波器和均值滤波器相结合来实现对暂态扰动信号的去噪。

Images