CN109270345A - 一种电网谐波信号的检测方法 - Google Patents
一种电网谐波信号的检测方法 Download PDFInfo
- Publication number
- CN109270345A CN109270345A CN201810800250.1A CN201810800250A CN109270345A CN 109270345 A CN109270345 A CN 109270345A CN 201810800250 A CN201810800250 A CN 201810800250A CN 109270345 A CN109270345 A CN 109270345A
- Authority
- CN
- China
- Prior art keywords
- signal
- wavelet
- value
- threshold
- function
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种电网谐波信号的检测方法,其包括步骤:S00、从电网提取谐波信号作为输入信号;S10、对所述输入信号进行小波变换;S20、确定小波阈值函数,并求取最优小波阈值;S30、利用最优阈值函数对经小波变换后的输入信号进行去噪处理;S40、对去噪后的信号进行EMD谐波频次分析。本发明的电网谐波信号检测方法以EMD谐波检测为基础,在检测之前添加了小波自适应阈值去噪处理,能够使去噪后的信号最大限度地逼近真实信号,从而得到一种改进型EDM谐波检测方法,能够显著提高EMD的谐波分析的准确度。
Description
技术领域
本发明涉及电网安全技术领域,具体涉及一种电网谐波信号的检测方法。
背景技术
由于新能源接入技术等的飞速发展,大量非线性负载(如变频器、逆变器等)的接入给电网带来了巨大的谐波污染。大量的谐波导致系统的供配电效率降低,增加了用电设备损耗,影响了设备寿命,并且可能导致电网保护系统的拒动、误动等,给用户的用电安全造成隐患,后果严重。
为消除谐波影响,需准确检测出信号中各次谐波分量。目前,国内外研究学者提出了多种谐波检测的方法,诸如快速傅里叶变换(Fast Fourier transform,FFT)及其改进的检测方法、ip-iq无功电流检测法、小波变换(wavelet transform,WT)检测法、瞬时功率检测法等,其中基于FFT及WT理论的谐波检测方法最为常见。FFT是通过三角函数基对采样信号进行拟合,对整个数据窗内包含的信号频率进行分析。由于基函数固定为三角函数,对于受噪声干扰较为严重或出现局部频率变化的实际采样信号的分析准确性较低。对于基于WT理论的谐波检测方法来说,在对信号进行检测分析之前需选定小波基函数,但是最优小波基函数的选取并没有绝对规律,选取不同的基函数,其检测结果存在的差异较大。并且由于小波变换函数能量较为分散,频带混叠的现象严重。
近年来,经验模态分解技术(Empirical Mode Decomposition,EMD)在谐波检测领域的应用逐渐增多,该方法针对信号的局部特征时间尺度,生成一种自适应的分解基,将采集到的信号分解为不同尺度的固有模态函数(Intrinsic Mode Function,IMF)。不同尺度的IMF分量中包含信号各个频次的谐波信息。该方法局部适应性良好,增加了信号处理的针对性。但由于电网层次越来越密集,二次侧采集信号受噪声影响较大,因而对EMD分解准确性影响也较大。因此,在利用EMD对信号进行谐波频次分析之前,需要先对信号进行消噪处理。
现有技术中,多采用硬阈值或软硬阈值结合的方法进行消噪处理。采用硬阈值的消噪方法,虽减少了噪声的影响,但由于阈值函数不连续,重构信号时可能会产生振荡导致信号失真;而现有的采用软硬阈值结合的方法,虽然其连续性较之前有所提高,但由于阈值计算复杂,计算耗时长、结果难以收敛,且其阈值结果优劣不可知。
发明内容
基于上述现状,本发明的主要目的在于提供电网谐波信号的检测方法,其能够有效地对信号进行去噪处理,使得去噪后的信号最大限度地逼近真实信号,从而提高谐波分析的准确度。
为实现上述目的,本发明采用的技术方案如下:
一种电网谐波信号的检测方法,其包括步骤:
S00、从电网提取谐波信号作为输入信号;
S10、对所述输入信号进行小波变换:选定db8为小波基对输入信号进行小波分解,分解层数为1~2层;
S20、确定小波阈值函数,并求取最优小波阈值;
S30、利用最优阈值函数对经小波变换后的输入信号进行去噪处理;
S40、对去噪后的信号进行EMD谐波频次分析。
优选地,所述步骤S00中,从电网提取的谐波信号为电压信号或电流信号。
优选地,所述步骤S20中,确定的小波阈值函数为:
其一阶导数和二阶导数分别为:
和
其中,λ为小波阈值,wj,k为小波系数。
优选地,所述步骤S20包括步骤:
S210、构建最小均方差函数其中,为去噪估计值,s为真实值,N为小波变换系数的个数;并利用SURE无偏估计法将最小均方差函数转换为去噪估计值的函数:
其中,为估计值与观测值x之差;
S220、将所述最小均方差函数进行正交小波变换,得:
其中,g(wj,k)=η(wj,k,λ)-wj,k,wj,k为小波系数,代表第j层小波变换结果,η(wjk,λ)为小波阈值函数;
S230、求最小均方差函数ε(t)对小波阈值λ(t)的偏导数,即均方差梯度值Δλ(t),并求取使Δλ(t)最小的λ值,即为最优小波阈值。
优选地,所述步骤S230中,采用遗传优化算法求取最优小波阈值。
优选地,所述步骤S230中,采用遗传优化算法确定最优小波阈值的过程包括步骤:
S231、确定遗传优化算法的编码和解码方法,采用16位二进制数作为每个个体的基因序列,设小波阈值λ的解空间的上限为λmax,下限为λmin,其中精度为:
S232、确定种群中每一个个体的适应度值,适应度函数f为:
其中,Δλ为均方差梯度值,当Δλ在解空间内取得最小值时,适应度函数f取得最大值,此时的小波阈值λ即认为达到最优;
S233、通过选择、交叉和变异三个步骤,以小波阈值最优为目标,筛选优质个体;
S234、利用得到的优质个体和所述小波阈值函数进行迭代计算适应度函数,继续通过选择、交叉和变异三个步骤再筛选优质个体,并提取使Δλ达到最小的最优小波阈值。
优选地,所述步骤S234中,将t+1时刻的小波阈值λ(t+1)带入所述小波阈值函数中进行迭代计算,其中,λ(t+1)=λ(t)-μ△λ(t),λ(t)为t时刻的小波阈值,μ为信号采样步长。
优选地,所述遗传优化算法中的参数设定包括:种群数Ns=200,交叉系数px=0.7,变异系数pm=0.1,最大迭代次数G=100。
优选地,所述步骤S30包括步骤:
S310、将最优小波阈值带入所述小波阈值函数中,得到所述最优阈值函数;
S320、用所述最优阈值函数替换小波变换后的输入信号中的高频分量;
S330、对替换高频分量后的信号进行小波重构,得到去噪后的信号。
优选地,所述步骤S40包括步骤:
S410、将去噪后的信号表示为x(t);
S420、拟合x(t)的上包络线emax和下包络线emin,并求取上、下包络线的均值:m1(t)=(emax+emin)/2,将信号x(t)与m1(t)做差值得:h1(t)=x(t)-m1(t);
S430、判断h1(t)是否满足以下两个条件:
1)数据序列中,极值点的个数与零点的数量相差不超过一个;和
2)信号整体的局部极大值与局部极小值的包络均值为零;
S440、若h1(t)不满足以上两个条件,则用h1(t)代替x(t),并返回步骤S420,直至h1(t)满足以上两个条件时,进入步骤S450;
S450、将h1(t)作为原始信号的第一阶IMF分量IMF1,记为h1(t)=IMF1,将原始信号中的第一阶IMF分量剔除得剩余信号r1(t),即,x(t)-IMF1=r1(t),继续对原始信号中的剩余信号循环进行IMF分析,分析过程表示为:
直至最后的信号余量rn(t)呈单调走向时,循环停止,此时,原始信号分为n阶IMF分量,表示为:
x(t)=IMF1+IMF2+…+IMFn+rn(t)。
优选地,所述步骤S420中,采用线性外推法对上、下包络线的端点进行极值延拓。
本发明的电网谐波信号检测方法以EMD谐波检测为基础,在检测之前添加了小波自适应阈值去噪处理,能够使去噪后的信号最大限度地逼近真实信号,从而得到一种改进型EDM谐波检测方法,能够显著提高EMD的谐波分析的准确度。
附图说明
以下将参照附图对根据本发明的电网谐波信号的检测方法的优选实施方式进行描述。图中:
图1为根据本发明的一种优选实施方式的电网谐波信号的检测方法的流程图;
图2为本发明的检测方法中求取最优小波阈值的优选实施方式的流程图;
图3为本发明的检测方法中对输入信号进行去噪处理的优选实施方式的流程图;
图4为本发明的检测方法中对去噪后的信号进行EMD谐波频次分析的优选实施方式的流程图;
图5a和图5b为EMD谐波频次分析时进行极值延拓的两种不同情形的原理示意图;
图6为作为对照例的对未去噪信号进行EMD分析处理的结果;
图7为本发明的检测方法的EMD分析处理的结果;
图8为图6和图7两种情况下的剩余信号谐波分析结果。
具体实施方式
针对现有技术的谐波检测方法存在的不足以及电网谐波信号检测的迫切需求,本发明提供了一种电网谐波信号的检测方法,如图1所示,其包括步骤:
S00、从电网提取谐波信号作为输入信号;
S10、对所述输入信号进行小波变换;
S20、确定小波阈值函数,并求取最优小波阈值;
S30、利用最优阈值函数对经小波变换后的输入信号进行去噪处理;
S40、对去噪后的信号进行EMD谐波频次分析。
本发明的电网谐波信号检测方法以EMD谐波检测为基础,在检测之前添加了小波自适应阈值去噪处理,能够使去噪后的信号最大限度地逼近真实信号,从而得到一种改进型EDM谐波检测方法,能够显著提高EMD的谐波分析的准确度。
优选地,所述步骤S00中,从电网提取的谐波信号为电压信号或电流信号。实际电网中,电流信号或电压信号中的谐波以奇次谐波为主,例如,电压信号的表达式为:
U(t)=100sin(100πt+30°)+30sin(300πt+20°)+10sin(500πt+10°)+6sin(700πt+5°)。
优选地,所述步骤S10中,选定db8为小波基对输入信号进行小波分解,分解层数为1~2层。在小波分解中,小波基的选择和分解层数的选择是非常重要的步骤。特别是对于分解层数,一方面,分解层数取得越大,则噪声和信号表现的不同特性越明显,越有利于二者的分离;另一方面,分解层数越大,重构到的信号失真也会越大,在一定程度上又会影响最终去噪的效果。因此在实际应用时要格外注意处理好两者之间的矛盾,选择一个合适的分解尺度。对此,本发明的检测方法中,充分考虑电网谐波信号中高频噪声信号的含量不大的特点,以及考虑到采集谐波电压、电流信号的电能质量分析仪器的采样频率通常为12.8kHz等特点,将分解层数选定为1~2层,试验证明其能够很好地缓和噪声分离和重构信号失真之间的矛盾。
优选地,所述步骤S20中,确定的小波阈值函数为:
其一阶导数和二阶导数分别为:
和
其中,λ为小波阈值,wj,k为小波系数。
本发明中,在进行阈值优化计算的过程中,对不同的阈值函数、小波阈值λ和小波系数wj,k进行了多次试验,最终选取了式(1)所示的阈值函数,其既能满足提高检测精度方面的要求,又能满足简化计算过程、提高检测效率方面的要求。
优选地,在步骤S10中,对输入信号进行小波变换时,将待分析信号的实际采样数据表示为X=[x0,x1,x2,x3,…,xN-1],则该实际采样数据X与信号的真实值S=[s0,s1,s2,s3,…,sN-1]及干扰噪声σ的实际采样数据间的关系可表达为:X=S+σ。
优选地,所述步骤S20包括步骤:
S210、构建最小均方差函数其中,为去噪估计值,s为真实值,N为小波变换系数的个数;并利用SURE无偏估计法将最小均方差函数转换为前述去噪估计值的函数:
其中,为估计值与观测值x之差;
S220、将所述最小均方差函数进行正交小波变换,得:
其中,g(wj,k)=η(wj,k,λ)-wj,k,wj,k为小波系数,代表第j层小波变换结果,η(wjk,λ)为小波阈值函数;
S230、求最小均方差函数ε(t)对小波阈值λ(t)的偏导数,即均方差梯度值Δλ(t),并求取使Δλ(t)最小的λ值,即为最优小波阈值。
也即,为使噪声对信号源的影响小,减小实际采样信号与真实信号之间的误差,准确分离频带,提取其信号IMF分量的速度快,本发明的检测方法中,在步骤S210中,利用最小均方差函数来衡量估计值与真实值之间的接近程度,并用SURE无偏估计法可将该最小均方差函数转换为信号估计值的函数;随后,在步骤S220中,利用式(1)所示的小波阈值函数对该最小均方差函数进行正交小波变换,以使小波阈值法的去噪效果达到最佳;接着,在步骤S230中,求取最优小阈值,也即,求取使Δλ(t)最小的λ值,其中,本步骤S230中,优选使第t+1时刻的阈值λ(t+1)由第t时刻的阈值λ(t)与最小均方差函数ε(t)的梯度值Δλ(t)之差来进行求取,即:λ(t+1)=λ(t)-μ△λ(t),其中,μ为信号采样步长。
优选地,所述步骤S230中,采用遗传优化算法求取最优小波阈值。
优选地,所述步骤S230中,采用遗传优化算法确定最优小波阈值的过程如图2所示,包括步骤:
S231、确定遗传优化算法的编码和解码方法及种群数量Ns,采用16位二进制数(M=16)作为每个个体的基因序列;根据阈值函数的定义,设小波阈值λ的解空间的上限为λmax,下限为λmin,其中精度为:
λ的求解方法为:其中,nj为j尺度上的小波细节系数的长度;σj=MAD(|wj,k|,0≤k≤2j-1-1)/q,其中为取中值函数,wj,k为j尺度上的小波细节系数,q取经验值0.675。
S232、确定种群中每一个个体的适应度值,适应度函数f为:
其中,Δλ为均方差梯度值,当Δλ在解空间内取得最小值时,适应度函数f取得最大值,此时的小波阈值λ即认为达到最优;
S233、通过选择、交叉和变异三个步骤,以小波阈值最优为目标,筛选优质个体;其中,这三个步骤的详细过程包括:
1)选择操作:根据种群中第y个个体的适应度值fy确定被选择的概率py为
2)交叉操作:模拟生物界配种的过程,通过交换解空间内两个个体的部分基因,交叉随机系数px为确定交换个体基因的位置参数,由此操作而产生下一代新的个体来替代父辈个体;
3)变异操作:模拟自然界中的基因突变,随机对个体的某些位置的基因进行修改,其中随机门槛值为变异系数pm,根据变异系数确定变异的位置后,将该基因值取反,得到下一代新的染色体。
S234、利用得到的优质个体和所述小波阈值函数进行迭代计算适应度函数,继续通过选择、交叉和变异三个步骤再筛选优质个体,并提取使Δλ达到最小的最优小波阈值。
优选地,所述遗传优化算法中的参数设定包括:种群数Ns=200,交叉系数px=0.7,变异系数pm=0.1,最大迭代次数G=100。
本发明的检测方法中,在进行遗传优化算法对小波阈值自适应寻优时,采用200个初始种群、16位二进制基因编码对解空间范围进行寻优,其寻优的精确度要明显高于作为对照例的50个初始种群、15位二进制编码的寻优参数设置的情形。为极力避免在去噪后导致的信号失真情况,使经去噪处理后的信号更逼近真实信号,在遗传优化算法计算中应尽可能在较大范围内求取最优的去噪阈值。由于前级谐波信号去噪处理对整个信号谐波分析的准确结果影响较大,因此本发明通过上述参数设置而在仿真过程中使去噪的精确性达到最佳。
优选地,所述步骤S234中,将t+1时刻的小波阈值λ(t+1)带入所述小波阈值函数中进行迭代计算,其中,λ(t+1)=λ(t)-μ△λ(t),λ(t)为t时刻的小波阈值,μ为信号采样步长。
优选地,如图3所示,所述步骤S30包括步骤:
S310、将最优小波阈值带入式(1)所示的小波阈值函数中,得到所述最优阈值函数η(wjk,λ);
S320、用所述最优阈值函数η(wjk,λ)替换小波变换后的输入信号中的高频分量wj,k,其中,输入信号经小波变换后分解成低频分量aj,k和高频分量wj,k;
S330、对替换高频分量后的信号进行小波重构,即,用原先的低频分量和替换后的高频分量进行小波重构,得到去噪后的信号。
特别地,本发明的检测方法中,在步骤S30中进行小波去噪时,每一层小波分解数集都对应着一个该数集的去噪阈值λ,由于步骤S10中采用的分解层数为1~2层,因此步骤S30中相应地需要1个或2个阈值λ。针对每个阈值λ,均需要在步骤S20中分别求取得到其最优值,这往往是较为耗时的过程,特别是当采用遗传优化算法求取最优值时,也即需要在步骤S230中经过步骤S231-S234的循环迭代求取该最优值,这一过程的耗时量是无法忽略的。然而,因为本发明的检测方法中需要的阈值λ的个数很少(仅为1个或2个),因而优化求取各个最优值的过程也少(对应地为1次或2次),这使得步骤S20的总耗时也相应地减少,例如,相比于分解层数5层以上的情形,步骤S20的总耗时量仅占后者的40%以下,从而可明显提高本发明的检测方法中去噪过程的效率,进而提高整个检测方法的效率。
优选地,如图4所示,所述步骤S40包括步骤:
S410、将去噪后的信号表示为x(t),即,r0(t)=x(t);
S420、拟合x(t)(在后续的循环迭代过程中用rn(t)表示)的上包络线emax和下包络线emin,并求取上、下包络线的均值:m1(t)=(emax+emin)/2,将信号x(t)与m1(t)做差值得:h1(t)=x(t)-m1(t);
S430、判断h1(t)(在后续的循环迭代过程中用h(t)表示)是否满足以下两个条件(即IMF条件):
1)数据序列中,极值点的个数与零点的数量相差不超过一个;和
2)信号整体的局部极大值与局部极小值的包络均值为零;
S440、若h1(t)不满足以上两个条件,则用h1(t)代替x(t)(在后续的循环迭代过程中则用h(t)代替rn(t)),并返回步骤S420,直至h1(t)满足以上两个条件时,进入步骤S450;
S450、将h1(t)作为原始信号的第一阶IMF分量IMF1,记为h1(t)=IMF1,将原始信号中的第一阶IMF分量(其对应的是信号中的高频噪声或谐波分量)剔除得剩余信号r1(t),即,x(t)-IMF1=r1(t),继续对原始信号中的剩余信号循环进行IMF分析,也即,循环执行步骤S420-S450,分析过程可表示为:
直至最后的信号余量rn(t)呈单调走向时,循环停止,此时,原始信号共分为n阶IMF分量,表示为:
x(t)=IMF1+IMF2+…+IMFn+rn(t)。
优选地,所述步骤S420中,为避免包络线求取误差导致的EMD分解误差,在信号的包络线端点处进行极值延拓,以减少由EMD分解得到的IMF在两端点周围信号失真。具体地,采用线性外推法对上、下包络线的端点进行极值延拓,其原理图如图5a和图5b所示:首先根据离端点最近的2个极值点(如A点和B点)求出一条直线,该直线与端点横坐标的交点作为端点延拓参考点(如D点),如图5a所示,当端点横坐标数据点(如C点)比参考点D小时,则将参考点(D点)选为该端点处的极值点,反之,如图5b所示,当端点横坐标数据点(C点)比参考点(D点)大时,则将端点横坐标数据点(C点)选为该端点处的极值点。
本发明还通过仿真验证了该检测方法的正确性和有效性。仿真试验针对电网电压信号进行,电压信号表达式为:
U(t)=100sin(100πt+30°)+30sin(300πt+20°)+10sin(500πt+10°)+6sin(700πt+5°)。
考虑到实际电网中噪声干扰的情况,在仿真中的信号模型中加入SNR为25dB的白噪声。
其中,在遗传优化算法中的参数设定如表1所示。
本发明还同时针对未去噪的信号直接进行EMD谐波分析以作为对照例,其信号处理结果如图6所示。对利用本发明的检测方法对信号去噪后再处理的结果如图7所示。这两种情况下剩余信号谐波的分析结果则如图8,剩余分量EMD分解幅值对照表则如表2所示。
表1遗传优化算法中的参数设定
表2未去噪和去噪剩余分量EMD分解幅值对照表
由表2可看出信号基波及3、5、7谐波幅值的提取情况。在利用本发明的检测方法对信号去噪后,EMD的分解能力有明显的提升。对比可知,经最优小波阈值去噪处理后,EMD对于信号基波的提取能力明显优于未去噪的情况。
本发明的检测方法通过对传统的EMD谐波检测方法进行深度改进,同时针对FFT局部分析能力差及WT分解基函数难以选择导致谐波检测准确性不高的问题,提出一种介于软、硬阈值之间高阶可导的新型小波阈值函数,通过遗传算法的适应度函数对小波阈值进行寻优,再利用多次迭代计算出的最优小波阈值λ对信号进行去噪处理,使实际信号中严重的电网噪声污染得以滤除,提高了EMD的谐波分析的准确度,进而提升了系统供配电的效率,使用户的用电安全的到进一步的保障,维持了系统稳定运行。
本领域的技术人员容易理解的是,在不冲突的前提下,上述各优选方案可以自由地组合、叠加。
应当理解,上述的实施方式仅是示例性的,而非限制性的,在不偏离本发明的基本原理的情况下,本领域的技术人员可以针对上述细节做出的各种明显的或等同的修改或替换,都将包含于本发明的权利要求范围内。
Claims (11)
1.一种电网谐波信号的检测方法,其特征在于,包括步骤:
S00、从电网提取谐波信号作为输入信号;
S10、对所述输入信号进行小波变换:选定db8为小波基对输入信号进行小波分解,分解层数为1~2层;
S20、确定小波阈值函数,并求取最优小波阈值;
S30、利用最优阈值函数对经小波变换后的输入信号进行去噪处理;
S40、对去噪后的信号进行EMD谐波频次分析。
2.根据权利要求1所述的方法,其特征在于,所述步骤S00中,从电网提取的谐波信号为电压信号或电流信号。
3.根据权利要求1所述的方法,其特征在于,所述步骤S20中,确定的小波阈值函数为:
其一阶导数和二阶导数分别为:
和
其中,λ为小波阈值,wj,k为小波系数。
4.根据权利要求3所述的方法,其特征在于,所述步骤S20包括步骤:
S210、构建最小均方差函数其中,为去噪估计值,s为真实值,N为小波变换系数的个数;并利用SURE无偏估计法将最小均方差函数转换为去噪估计值的函数:
其中,为估计值与观测值x之差;
S220、将所述最小均方差函数进行正交小波变换,得:
其中,g(wj,k)=η(wj,k,λ)-wj,k,wj,k为小波系数,代表第j层小波变换结果,η(wjk,λ)为小波阈值函数;
S230、求最小均方差函数ε(t)对小波阈值λ(t)的偏导数,即均方差梯度值Δλ(t),并求取使Δλ(t)最小的λ值,即为最优小波阈值。
5.根据权利要求4所述的方法,其特征在于,所述步骤S230中,采用遗传优化算法求取最优小波阈值。
6.根据权利要求5所述的方法,其特征在于,所述步骤S230中,采用遗传优化算法确定最优小波阈值的过程包括步骤:
S231、确定遗传优化算法的编码和解码方法,采用16位二进制数作为每个个体的基因序列,设小波阈值λ的解空间的上限为λmax,下限为λmin,其中精度为:
S232、确定种群中每一个个体的适应度值,适应度函数f为:
其中,Δλ为均方差梯度值,当Δλ在解空间内取得最小值时,适应度函数f取得最大值,此时的小波阈值λ即认为达到最优;
S233、通过选择、交叉和变异三个步骤,以小波阈值最优为目标,筛选优质个体;
S234、利用得到的优质个体和所述小波阈值函数进行迭代计算适应度函数,继续通过选择、交叉和变异三个步骤再筛选优质个体,并提取使Δλ达到最小的最优小波阈值。
7.根据权利要求6所述的方法,其特征在于,所述步骤S234中,将t+1时刻的小波阈值λ(t+1)带入所述小波阈值函数中进行迭代计算,其中,λ(t+1)=λ(t)-μ△λ(t),λ(t)为t时刻的小波阈值,μ为信号采样步长。
8.根据权利要求6所述的方法,其特征在于,所述遗传优化算法中的参数设定包括:种群数Ns=200,交叉系数px=0.7,变异系数pm=0.1,最大迭代次数G=100。
9.根据权利要求1-8之一所述的方法,其特征在于,所述步骤S30包括步骤:
S310、将最优小波阈值带入所述小波阈值函数中,得到所述最优阈值函数;
S320、用所述最优阈值函数替换小波变换后的输入信号中的高频分量;
S330、对替换高频分量后的信号进行小波重构,得到去噪后的信号。
10.根据权利要求1-9之一所述的方法,其特征在于,所述步骤S40包括步骤:
S410、将去噪后的信号表示为x(t);
S420、拟合x(t)的上包络线emax和下包络线emin,并求取上、下包络线的均值:m1(t)=(emax+emin)/2,将信号x(t)与m1(t)做差值得:h1(t)=x(t)-m1(t);
S430、判断h1(t)是否满足以下两个条件:
1)数据序列中,极值点的个数与零点的数量相差不超过一个;和
2)信号整体的局部极大值与局部极小值的包络均值为零;
S440、若h1(t)不满足以上两个条件,则用h1(t)代替x(t),并返回步骤S420,直至h1(t)满足以上两个条件时,进入步骤S450;
S450、将h1(t)作为原始信号的第一阶IMF分量IMF1,记为h1(t)=IMF1,将原始信号中的第一阶IMF分量剔除得剩余信号r1(t),即,x(t)-IMF1=r1(t),继续对原始信号中的剩余信号循环进行IMF分析,分析过程表示为:
直至最后的信号余量rn(t)呈单调走向时,循环停止,此时,原始信号分为n阶IMF分量,表示为:
x(t)=IMF1+IMF2+…+IMFn+rn(t)。
11.根据权利要求12所述的方法,其特征在于,所述步骤S420中,采用线性外推法对上、下包络线的端点进行极值延拓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810800250.1A CN109270345A (zh) | 2018-07-20 | 2018-07-20 | 一种电网谐波信号的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810800250.1A CN109270345A (zh) | 2018-07-20 | 2018-07-20 | 一种电网谐波信号的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109270345A true CN109270345A (zh) | 2019-01-25 |
Family
ID=65148146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810800250.1A Pending CN109270345A (zh) | 2018-07-20 | 2018-07-20 | 一种电网谐波信号的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270345A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110112757A (zh) * | 2019-05-17 | 2019-08-09 | 福州大学 | 基于sure小波消噪和改进hht的低频振荡分析方法 |
CN111444613A (zh) * | 2020-03-26 | 2020-07-24 | 云南电网有限责任公司电力科学研究院 | 一种基于改进emd电力系统谐波分析方法、装置及存储介质 |
CN112329936A (zh) * | 2020-11-05 | 2021-02-05 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
CN113065436A (zh) * | 2021-03-24 | 2021-07-02 | 南方电网科学研究院有限责任公司 | 基于小波包变换的间谐波检测方法、装置及电力系统 |
CN113971641A (zh) * | 2021-09-27 | 2022-01-25 | 中国科学院微电子研究所 | 小波阈值去噪方法、装置、设备及介质 |
CN115204243A (zh) * | 2022-09-15 | 2022-10-18 | 西南交通大学 | 基于相似三角波形匹配延拓的lmd端点效应改善方法 |
CN115950529A (zh) * | 2023-03-10 | 2023-04-11 | 天津大学 | 基于谱增强的微角谐振信号估计方法、装置及电子设备 |
CN116955995A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
CN117368141A (zh) * | 2023-12-07 | 2024-01-09 | 国检测试控股集团湖南华科科技有限公司 | 基于人工智能的高氯酸盐废水浓度智能检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141403A (zh) * | 2010-12-17 | 2011-08-03 | 北京航空航天大学 | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 |
CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
CN103576060A (zh) * | 2013-10-11 | 2014-02-12 | 华南理工大学 | 基于小波自适应阈值的局部放电信号去噪方法 |
CN107991531A (zh) * | 2017-11-10 | 2018-05-04 | 大连海洋大学 | 基于变分模态分解和去除噪声的电网谐波检测方法 |
CN108107475A (zh) * | 2018-03-05 | 2018-06-01 | 吉林大学 | 一种基于经验小波变换和多阈值函数的井中微地震去噪方法 |
-
2018
- 2018-07-20 CN CN201810800250.1A patent/CN109270345A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141403A (zh) * | 2010-12-17 | 2011-08-03 | 北京航空航天大学 | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 |
CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
CN103576060A (zh) * | 2013-10-11 | 2014-02-12 | 华南理工大学 | 基于小波自适应阈值的局部放电信号去噪方法 |
CN107991531A (zh) * | 2017-11-10 | 2018-05-04 | 大连海洋大学 | 基于变分模态分解和去除噪声的电网谐波检测方法 |
CN108107475A (zh) * | 2018-03-05 | 2018-06-01 | 吉林大学 | 一种基于经验小波变换和多阈值函数的井中微地震去噪方法 |
Non-Patent Citations (3)
Title |
---|
吕帅 等: ""基于小波变换去噪预处理的EMD谐波检测方法"", 《电网与清洁能源》 * |
曲天书 等: ""基于SURE 无偏估计的自适应小波阈值去噪"", 《电子学报》 * |
李剑 等: ""遗传算法用于局部放电小波自适应阈值去噪"", 《高电压技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110112757B (zh) * | 2019-05-17 | 2022-04-12 | 福州大学 | 基于sure小波消噪和改进hht的低频振荡分析方法 |
CN110112757A (zh) * | 2019-05-17 | 2019-08-09 | 福州大学 | 基于sure小波消噪和改进hht的低频振荡分析方法 |
CN111444613B (zh) * | 2020-03-26 | 2023-09-08 | 云南电网有限责任公司电力科学研究院 | 基于改进emd电力系统谐波分析方法、装置及存储介质 |
CN111444613A (zh) * | 2020-03-26 | 2020-07-24 | 云南电网有限责任公司电力科学研究院 | 一种基于改进emd电力系统谐波分析方法、装置及存储介质 |
CN112329936A (zh) * | 2020-11-05 | 2021-02-05 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
CN112329936B (zh) * | 2020-11-05 | 2023-03-24 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
CN113065436A (zh) * | 2021-03-24 | 2021-07-02 | 南方电网科学研究院有限责任公司 | 基于小波包变换的间谐波检测方法、装置及电力系统 |
CN113065436B (zh) * | 2021-03-24 | 2024-05-28 | 南方电网科学研究院有限责任公司 | 基于小波包变换的间谐波检测方法、装置及电力系统 |
CN113971641A (zh) * | 2021-09-27 | 2022-01-25 | 中国科学院微电子研究所 | 小波阈值去噪方法、装置、设备及介质 |
CN115204243A (zh) * | 2022-09-15 | 2022-10-18 | 西南交通大学 | 基于相似三角波形匹配延拓的lmd端点效应改善方法 |
CN115950529A (zh) * | 2023-03-10 | 2023-04-11 | 天津大学 | 基于谱增强的微角谐振信号估计方法、装置及电子设备 |
CN115950529B (zh) * | 2023-03-10 | 2023-06-09 | 天津大学 | 基于谱增强的微角谐振信号估计方法、装置及电子设备 |
CN116955995A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
CN116955995B (zh) * | 2023-09-20 | 2024-01-05 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
CN117368141A (zh) * | 2023-12-07 | 2024-01-09 | 国检测试控股集团湖南华科科技有限公司 | 基于人工智能的高氯酸盐废水浓度智能检测方法 |
CN117368141B (zh) * | 2023-12-07 | 2024-03-01 | 国检测试控股集团湖南华科科技有限公司 | 基于人工智能的高氯酸盐废水浓度智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270345A (zh) | 一种电网谐波信号的检测方法 | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN114742097B (zh) | 一种基于轴承振动信号自动确定变分模态分解参数的优化方法 | |
CN115700544A (zh) | 一种联合经验模态分解及小波软阈值的色谱信号去噪方法 | |
CN110909480B (zh) | 一种水轮机振动信号的去噪方法与装置 | |
CN107844849A (zh) | 一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法 | |
CN116405109B (zh) | 基于线性直驱的光模块通信自适应调制方法 | |
CN113269082A (zh) | 一种基于改进变分模态分解的局部放电阈值去噪方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN114492538A (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN106407659A (zh) | 一种空气质量指数预测方法和装置 | |
CN113642417A (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
CN115932389A (zh) | 一种基于hht变换的电压质量扰动检测方法 | |
CN109635428B (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
Mei et al. | Wavelet packet transform and improved complete ensemble empirical mode decomposition with adaptive noise based power quality disturbance detection | |
CN110796303A (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
CN116150594B (zh) | 一种频谱测试数据中开关类要素特征的识别方法 | |
CN113125852A (zh) | 一种谐波分析方法 | |
CN110112757B (zh) | 基于sure小波消噪和改进hht的低频振荡分析方法 | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
US10605842B2 (en) | Noise spectrum analysis for electronic device | |
CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |