CN109932624A - 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 - Google Patents
一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 Download PDFInfo
- Publication number
- CN109932624A CN109932624A CN201910258753.5A CN201910258753A CN109932624A CN 109932624 A CN109932624 A CN 109932624A CN 201910258753 A CN201910258753 A CN 201910258753A CN 109932624 A CN109932624 A CN 109932624A
- Authority
- CN
- China
- Prior art keywords
- periodical
- narrow
- scale
- space
- band interference
- 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.)
- Granted
Links
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,包括以下步骤:通过振荡波系统采集电缆局部放电信号,对采集到的局放信号进行傅立叶变换,并对频谱进行高斯尺度空间平滑滤波,经过多次投影找到频谱上周期窄带干扰和局放信号所在的局部最大值,再通过峭度提取出周期窄带干扰的中心频率并滤除,最后通过IFFT重构出放电信号。本发明能有效提取出幅值很小的周期窄带干扰,且去噪效果好,不会产生因干扰频率点频谱泄露造成的首尾振荡现象,适用于电缆局放检测各个场合。
Description
技术领域
本发明涉及电缆局部放电检测领域,尤其涉及一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法。
背景技术
局放检测被广泛应用于评估电缆的绝缘状态检测,但由于现场环境复杂,局放信号易被“淹没”在干扰信号中。局放检测是通常出现三种噪声,分别是白噪声、随机脉冲干扰和周期窄带干扰,其中周期窄带干扰多为系统的高次谐波、环境中无线电通讯信号,在放电信号检测过程中无法避免。周期窄带干扰在时域幅值有可能大于局部放电信号,在频域表现为窄带离散谱线。
针对周期窄带干扰的抑制方法,前人做了大量的研究工作,主要有频域的阈值滤波法、数字陷波器、经验模态分解和时频联合分析的小波变换法等。上述这些方法各有特点,在不同的工程背景下得到了较好的应用,但仍存在一些问题。经验模态分解滤波过程中会产生虚假分量和端点效应;陷波器使原始局部放电能量损失较大,现场中干扰频带发生变化或有新的干扰谱线出现时,陷波器的参数难以确定;小波去噪过程中难以确定最优小波基和分解层数。
FFT阈值滤波法是目前去除周期窄带干扰最常用的方法,但仍存在两个问题:一是对于频谱幅值和放电信号接近的周期窄带干扰无法滤除;二是即使阈值刚好等于放电脉冲频谱最大值,也只能将一部分干扰频率分量置零或衰减,频谱泄露造成的剩余干扰频谱分量会在时域信号的首尾产生较大的振荡信号。
发明内容
本发明的目的在于针对现有技术中FFT阈值滤波法存在的问题,提供了一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法。其主要是通过振荡波系统采集电缆局部放电信号,对采集到的局放信号进行傅立叶变换,对放电信号的频谱进行高斯尺度空间平滑滤波,经过多次投影找到频谱上周期窄带干扰和局放信号所在的局部最大值,再通过峭度提取出周期窄带干扰的中心频率并滤除,最后通过IFFT重构出放电信号。该方法能够有效提取出幅值很小的周期窄带干扰,且去噪效果好,不会产生因干扰频率点频谱泄露造成的首尾振荡现象,适用于电缆局放检测各个场合。
为了实现上述目的,本发明采用了以下技术方案:
1.一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,包括以下步骤:
步骤一,对一维含噪PD信号进行FFT(快速傅立叶算法)分解,得到傅立叶频谱;
步骤二,构造高斯核函数(RBF,径向基函数),使用高斯核函数对步骤一中得到的傅立叶频谱进行平滑滤波,计算每个尺度下的局部极大值生成尺度空间;
步骤三,通过Otsu方法(大津法或最大类间方差法)对局部极大值进行筛选,得到周期窄带干扰和放电脉冲的中心频率点;
步骤四,设定一个较窄的频宽,计算该频宽下中心频率点包络谱的峭度,根据峭度值大小区分放电脉冲和周期窄带干扰;
步骤五,结合窄带干扰的频谱特性,对窄带干扰中心频率点附近的频带进行加宽处理,并对此部分压缩处理,最后将其转换到时域。
本发明进一步说明,在步骤一中,所述的含噪PD信号是电缆中间接头发生尖端放电的局部放电脉冲信号,通过双指数振荡衰减模拟而成。在双指数振荡衰减模拟时设定振荡波的幅值为15mV,采样频率为10MHz,信号采集长度N=5000,衰减常数=1us,中心振荡频率为1MHz;同时在该放电脉冲信号上叠加幅值大小在[0,1]之间,频点在10kHz、500kHz、1.5MHz、2MHz、2.5MHz的周期窄带干扰模拟局部放电检测时可能出现的噪声。
本发明进一步说明,在步骤二中,假设f(x)为原始含噪PD信号定义在[0,π] 范围内的傅立叶频谱,引入尺度参数的高斯核函数式中x 是频率、t是尺度参数、e是自然常数,并与f(x)进行卷积,通过改变高斯核函数的尺度参数就可以得到f(x)在不同尺度下的空间表示序列。
本发明进一步说明,在步骤三中,所述的通过Otsu方法对局部极大值进行筛选具体为:假设高斯尺度空间平面上极大值曲线长度最大为L,Otsu将信号由阈值T分成目标A1和背景A2两部分,其中A1包含的极大值曲线长度为 T+1~L,A2包含的极大值曲线长度为0~T,Otsu选取最佳阈值
式中μτ是高斯尺度空间上所有极大值曲线长度的平均值,μ1是范围在 T+1~L之间极大值曲线长度的平均值,μ2是范围在0~T之间极大值曲线长度的平均值,pi是长度为i的点出现的概率值,σ是类间方差,ω1、ω2分别是A1和A2的累积概率。
本发明进一步说明,在步骤四中,设定的频宽为6kHz。
本发明进一步说明,在步骤五中,对窄带干扰中心频率点附近的频带采用最小二乘法进行加宽处理。
本发明的优点:
(1)去噪能力强
本发明在频域上,经过高斯尺度空间滤波后,窄带干扰以极大值的形式被保留,结合Otsu自动阈值法,即使频谱幅值小于放电脉冲的干扰中心频率点也可以被准确提取出。
(2)波形畸变小
本发明通过高斯尺度空间可以准确找到周期窄带干扰的中心频率点,对窄带干扰中心频率点附近的频带采用最小二乘法进行加宽处理,并对此部分压缩处理,有效避免频谱泄露造成的波形首尾振荡现象。
附图说明
图1为本发明提供的电缆振荡波局放波形图。
图2为本发明的频谱和FFT自动阈值法找到的阈值。
图3为本发明中使用高斯核函数对图2中频谱平滑后,计算每个尺度下的局部极大值生成的尺度空间。
图4为采用本发明的高斯尺度空间法的去噪效果图。
图5为采用现有技术中FFT自动阈值法的去噪效果图;
具体实施方式
下面结合附图对本发明进一步说明。
实施例1:
一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,包括以下步骤:
步骤一,对一维含噪PD信号进行FFT分解,得到傅立叶频谱;
步骤二,构造高斯核函数,使用高斯核函数对步骤一中得到的傅立叶频谱进行平滑滤波,计算每个尺度下的局部极大值生成尺度空间;
步骤三,通过Otsu方法对局部极大值进行筛选,得到周期窄带干扰和放电脉冲的中心频率点;
步骤四,设定一个较窄的频宽(6kHz),计算该频宽下中心频率点包络谱的峭度,根据峭度值大小区分放电脉冲和周期窄带干扰;
步骤五,结合窄带干扰的频谱特性,对窄带干扰中心频率点附近的频带进行加宽处理,并对此部分压缩处理,最后将其转换到时域。
步骤一中,所述含噪PD信号,是电缆中间接头发生尖端放电的局部放电脉冲信号,通过双指数振荡衰减模拟而成,设定振荡波的幅值为15mV,采样频率为10MHz,信号采集长度N=5000,衰减常数τ0=1us,中心振荡频率为1MHz;同时在该放电脉冲信号上叠加幅值大小在[0,1]之间,频点在10kHz、500kHz、 1.5MHz、2MHz、2.5MHz的周期窄带干扰模拟局部放电检测时可能出现的噪声。含噪信号如图1所示,频谱如图2所示。
步骤二中,高斯尺度空间是一种对图像进行多尺度分析的理论,其基本思想是:假设f(x)为原始信号定义在[0,π]范围内的傅立叶频谱,引入尺度参数的高斯核函数式中x是频率、t是尺度参数、e是自然常数,并与f(x)进行卷积,通过改变核函数的参数就可以得到f(x)在不同尺度下的空间表示序列。图3为使用高斯核函数对图2中频谱平滑后,计算每个尺度下的局部极大值生成的尺度空间。
步骤3中,假设高斯尺度空间平面上极大值曲线长度最大为L,Otsu将信号由阈值T分成目标A1和背景A2两部分,其中A1包含的极大值曲线长度为 T+1~L,A2包含的极大值曲线长度为0~T,则对于A1和A2的累积概率ω1,ω2及平均值μ1,μ2分别为
Otsu选取最佳阈值
式中μτ是高斯尺度空间上所有极大值曲线长度的平均值,μ1是范围在T+1~ L之间极大值曲线长度的平均值,μ2是范围在0~T之间极大值曲线长度的平均值,pi是长度为i的点出现的概率值,σ是类间方差,ω1、ω2分别是A1和A2的累积概率。
图3中平滑直线为Otsu法找到的阈值,通过该阈值可筛选出放电脉冲和周期窄带干扰的中心频率分别为10kHz、500kHz、1MHz、1.5MHz、2MHz、2.5MHz,与上文中的仿真参数设置一致。
步骤四中设定频宽为6kHz,计算这六个中心频率点原始频谱的峭度。因为放电脉冲在频谱上表现为“山丘状”,所以判断峭度最小的1MHz中心频率点对应的是放电脉冲,其余点为周期窄带干扰。
步骤五中,对窄带干扰中心频率点附近的频带采用最小二乘法进行加宽处理,并对此部分压缩处理,最后将其转换到时域得到的去噪效果如图4所示。从图中可以看出,去噪后的放电脉冲无畸变,且没有残余噪声。
为了比较高斯尺度空间法和FFT自动阈值法的去噪效果,引入四种去噪质量评价方法分别对其定量分析。
(1)信噪比
其中s(i)为原始信号,z(i)为去噪后的信号。信噪比是测量信号中噪声量度的传统方法,信噪比越高,则滤波效果越好。
(2)均方根误差
均方根误差体现了原始信号和去噪之后信号之间的差异,均方根误差越小表示去噪效果越好。
(3)互相关系数
互相关系数反映了原始信号和去噪后信号的相似度。
(4)局部互相关系数
其中M和Z分别为放电脉冲的起始点和终止点,局部互相关系数反映了原始放电脉冲和去噪后放电脉冲的相似度。
图5为FFT自动阈值去噪效果图。表1为两种去噪方法下的评价参数,从表中可以看出,无论信噪比高低,尺度空间去噪法的去噪效果显著优于FFT自动阈值法。
表1不同去噪方法下的评价参数
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,其特征在于,包括以下步骤:
步骤一,对一维含噪PD信号进行FFT分解,得到傅立叶频谱;
步骤二,构造高斯核函数,使用高斯核函数对步骤一中得到的傅立叶频谱进行平滑滤波,计算每个尺度下的局部极大值生成尺度空间;
步骤三,通过Otsu方法对局部极大值进行筛选,得到周期窄带干扰和放电脉冲的中心频率点;
步骤四,设定一个频宽,计算该频宽下中心频率点包络谱的峭度,根据峭度值大小区分放电脉冲和周期窄带干扰;
步骤五,结合窄带干扰的频谱特性,对窄带干扰中心频率点附近的频带进行加宽处理,并对此部分压缩处理,最后将其转换到时域。
2.根据权利要求1所述的基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,其特征在于,在步骤一中,所述的含噪PD信号是电缆中间接头发生尖端放电的局部放电脉冲信号,通过双指数振荡衰减模拟而成。
3.根据权利要求1所述的基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,其特征在于,步骤二具体为:假设f(x)为原始含噪PD信号定义在[0,π]范围内的傅立叶频谱,引入尺度参数t的高斯核函数,式中x是频率、t是尺度参数、e是自然常数,并与f(x)进行卷积,通过改变高斯核函数的尺度参数就可以得到f(x)在不同尺度下的空间表示序列。
4.根据权利要求1所述的基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,其特征在于,在步骤三中,所述的通过Otsu方法对局部极大值进行筛选具体为:假设高斯尺度空间平面上极大值曲线长度最大为L,Otsu将信号由阈值T分成目标A1和背景A2两部分,其中A1包含的极大值曲线长度为T+1~L,A2包含的极大值曲线长度为0~T,Otsu选取最佳阈值
式中μτ是高斯尺度空间上所有极大值曲线长度的平均值,μ1是范围在T+1~L之间极大值曲线长度的平均值,μ2是范围在0~T之间极大值曲线长度的平均值,pi是长度为i的点出现的概率值,σ是类间方差,ω1、ω2分别是A1和A2的累积概率。
5.根据权利要求1所述的基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,其特征在于:在步骤四中,设定的频宽为6kHz。
6.根据权利要求1所述的基于高斯尺度空间的电缆局放周期窄带干扰去噪方法,其特征在于:在步骤五中,对窄带干扰中心频率点附近的频带采用最小二乘法进行加宽处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258753.5A CN109932624B (zh) | 2019-04-01 | 2019-04-01 | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258753.5A CN109932624B (zh) | 2019-04-01 | 2019-04-01 | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109932624A true CN109932624A (zh) | 2019-06-25 |
CN109932624B CN109932624B (zh) | 2021-07-02 |
Family
ID=66989016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910258753.5A Active CN109932624B (zh) | 2019-04-01 | 2019-04-01 | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109932624B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531234A (zh) * | 2019-09-26 | 2019-12-03 | 武汉三相电力科技有限公司 | 一种输电线路放电脉冲的识别提取方法 |
CN111308285A (zh) * | 2020-03-03 | 2020-06-19 | 西南交通大学 | 一种窄带干扰降噪方法 |
CN113325277A (zh) * | 2021-04-30 | 2021-08-31 | 国能大渡河检修安装有限公司 | 一种局部放电处理方法 |
CN113749620A (zh) * | 2021-09-27 | 2021-12-07 | 广州医科大学附属第一医院(广州呼吸中心) | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 |
CN114113933A (zh) * | 2021-11-19 | 2022-03-01 | 广东电网有限责任公司广州供电局 | 局部放电信号滤波方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046497A (zh) * | 2006-03-29 | 2007-10-03 | 宝山钢铁股份有限公司 | 一种对电力设备局部放电信号的检测方法 |
JP2009080057A (ja) * | 2007-09-27 | 2009-04-16 | Mitsubishi Electric Corp | 油入変圧器の部分放電源判別装置 |
KR20100048650A (ko) * | 2008-10-31 | 2010-05-11 | 엘에스전선 주식회사 | 노이즈 제거 기능이 향상된 전력 장비 결함 진단 방법 및 시스템 |
CN102323518A (zh) * | 2011-05-19 | 2012-01-18 | 西南交通大学 | 一种基于谱峭度的局部放电信号识别方法 |
JP2012058046A (ja) * | 2010-09-08 | 2012-03-22 | Nissin Electric Co Ltd | 電力機器の異常診断装置 |
CN105223482A (zh) * | 2015-10-22 | 2016-01-06 | 西安交通大学 | 局部放电特高频信号波形的小波分解二值去噪方法 |
CN106771928A (zh) * | 2017-01-10 | 2017-05-31 | 河南理工大学 | 一种局部放电脉冲初至时刻在线拾取方法 |
CN109298285A (zh) * | 2018-10-24 | 2019-02-01 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于暂态扰动的配网电缆早期故障识别与预警系统及方法 |
-
2019
- 2019-04-01 CN CN201910258753.5A patent/CN109932624B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046497A (zh) * | 2006-03-29 | 2007-10-03 | 宝山钢铁股份有限公司 | 一种对电力设备局部放电信号的检测方法 |
JP2009080057A (ja) * | 2007-09-27 | 2009-04-16 | Mitsubishi Electric Corp | 油入変圧器の部分放電源判別装置 |
KR20100048650A (ko) * | 2008-10-31 | 2010-05-11 | 엘에스전선 주식회사 | 노이즈 제거 기능이 향상된 전력 장비 결함 진단 방법 및 시스템 |
JP2012058046A (ja) * | 2010-09-08 | 2012-03-22 | Nissin Electric Co Ltd | 電力機器の異常診断装置 |
CN102323518A (zh) * | 2011-05-19 | 2012-01-18 | 西南交通大学 | 一种基于谱峭度的局部放电信号识别方法 |
CN105223482A (zh) * | 2015-10-22 | 2016-01-06 | 西安交通大学 | 局部放电特高频信号波形的小波分解二值去噪方法 |
CN106771928A (zh) * | 2017-01-10 | 2017-05-31 | 河南理工大学 | 一种局部放电脉冲初至时刻在线拾取方法 |
CN109298285A (zh) * | 2018-10-24 | 2019-02-01 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于暂态扰动的配网电缆早期故障识别与预警系统及方法 |
Non-Patent Citations (1)
Title |
---|
朱永利等: "基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类", 《电工技术学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531234A (zh) * | 2019-09-26 | 2019-12-03 | 武汉三相电力科技有限公司 | 一种输电线路放电脉冲的识别提取方法 |
CN111308285A (zh) * | 2020-03-03 | 2020-06-19 | 西南交通大学 | 一种窄带干扰降噪方法 |
CN111308285B (zh) * | 2020-03-03 | 2021-04-13 | 西南交通大学 | 一种窄带干扰降噪方法 |
CN113325277A (zh) * | 2021-04-30 | 2021-08-31 | 国能大渡河检修安装有限公司 | 一种局部放电处理方法 |
CN113749620A (zh) * | 2021-09-27 | 2021-12-07 | 广州医科大学附属第一医院(广州呼吸中心) | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 |
CN113749620B (zh) * | 2021-09-27 | 2024-03-12 | 广州医科大学附属第一医院(广州呼吸中心) | 一种睡眠呼吸暂停检测方法、系统、设备及存储介质 |
CN114113933A (zh) * | 2021-11-19 | 2022-03-01 | 广东电网有限责任公司广州供电局 | 局部放电信号滤波方法、装置、计算机设备和存储介质 |
CN114113933B (zh) * | 2021-11-19 | 2024-04-16 | 广东电网有限责任公司广州供电局 | 局部放电信号滤波方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109932624B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109932624A (zh) | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 | |
Karagiannis et al. | Noise-assisted data processing with empirical mode decomposition in biomedical signals | |
CN108804832B (zh) | 一种基于vmd的间隔阈值局部放电去噪方法 | |
Gabarda et al. | Detection of events in seismic time series by time–frequency methods | |
CN108594177A (zh) | 基于改进hht的雷达信号调制方式分析方法、信号处理系统 | |
Ladrova et al. | Methods of power line interference elimination in EMG signal | |
CN108903914A (zh) | 一种基于emd分解的mfcc的心音类型识别方法 | |
Ahmadi et al. | Types of EMD algorithms | |
Adoul et al. | Time-frequency readability enhancement of compact support kernel-based distributions using image post-processing: Application to instantaneous frequency estimation of M-ary frequency shift keying signals | |
CN108078554A (zh) | 一种人体脉搏波信号噪声抑制方法 | |
Boudraa et al. | Noise filtering using empirical mode decomposition | |
US11660062B2 (en) | Method and system for recognizing crackles | |
Long et al. | A novel automatic pulse segmentation approach and its application in PD-induced electromagnetic wave detection | |
Ahmad et al. | Analysis of abdominal ECG signal for fetal heart rate estimation using adaptive filtering technique | |
Zhang et al. | Time-domain denoising of time—frequency electromagnetic data | |
KR101916591B1 (ko) | 레이더 신호의 주성분 분석을 이용한 생체 정보 결정 장치 및 방법 | |
Malhotra et al. | Electrocardiogram signals denoising using improved variational mode decomposition | |
Tirtom et al. | Enhancement of time-frequency properties of ECG for detecting micropotentials by wavelet transform based method | |
CN112764108B (zh) | 一种基于改进经验小波变换的新型地震资料噪声压制算法 | |
CN109117780A (zh) | 噪声消除方法和系统 | |
CN106361328B (zh) | 一种磁共振环境下的脑电信号提取方法 | |
CN109632945A (zh) | 一种适用于脉冲涡流检测信号的降噪方法 | |
WO2020197490A1 (en) | System and method for adaptive interference suppression | |
Colominas et al. | Complete Ensemble EMD and Hilbert transform for heart beat detection | |
CN116304584B (zh) | 一种基于包络谱峰值筛选的自适应噪声滤波方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |