CN112257656A - 基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 - Google Patents
基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN112257656A CN112257656A CN202011245162.3A CN202011245162A CN112257656A CN 112257656 A CN112257656 A CN 112257656A CN 202011245162 A CN202011245162 A CN 202011245162A CN 112257656 A CN112257656 A CN 112257656A
- Authority
- CN
- China
- Prior art keywords
- signal
- voltage sag
- morphological filter
- filter
- morphological
- 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
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000001914 filtration Methods 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 49
- 230000001360 synchronised effect Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 21
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法，系统及可读存储介质，所述去噪方法包括如下步骤：S1：获取待处理的电压暂降信号，所述电压暂降信号包含噪声；S2：基于形态学滤波器采用粒子群算法优化所述形态学滤波器的参数，再利用参数优化后的形态学滤波器对电压暂降信号进行滤波去噪。其中，特征提取方法包括：基于去噪方法得到的电压信号获取电压暂降信号对应的直流分量，并基于直流分量计算暂降深度U和/或相位跳变
本发明利用粒子群算法优化形态学滤波器的参数，有效地解决了现有人为选择参数的缺陷问题，更进一步提高电压暂降信号的去噪效果，进而实现准确、可靠的提取特征。
Description
技术领域
本发明属于电能质量检测领域，具体涉及一种基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质。
背景技术
随着科学技术的发展，社会各行各业对供电质量的要求逐渐提高。电压暂降是最常见的一种电能质量问题，对用户造成很严重的影响。据相关研究表明，用户对电压暂降的投诉占电能质量投诉总量的80％以上。在电压暂降的检测、识别和源定位等领域，电压暂降的特征提取一直是研究的难点和重点。由于电网复杂庞大，实际上采集到的电压暂降信号往往含有大量的噪声和谐波，从而影响电压暂降的准确识别、定位等在线和离线分析。因此必须通过有效的特征提取方法来尽可能滤除噪声和谐波，提取真实准确的电压暂降信号特征。
现有的电压暂降信号去噪的方法中，主要包括传统巴特沃斯低通滤波器去噪、小波去噪、经验模态分解去噪等等。传统巴特沃斯滤波器计算量大，并且存在一定的延时。小波去噪和经验模态分解去噪是分析非平稳非线性信号的有力工具。然而，小波分析计算量较大，小波函数往往依靠经验选取，目前没有一种系统可行的适用于电压暂降的选取方案。经验模态分解去噪在分解电压暂降信号时，存在模态混叠的现象，影响电压暂降特征的准确性。形态学滤波与传统去噪方法相比，具有计算量小，去噪效果好等优点，近年来在图像处理、心电图分析、电力信号分析等领域具有广泛的应用。但实际工程应用中，形态学滤波器参数的选取比较依赖人工经验，存在盲目性和局限性，目前还没有一套系统完整的参数选取方法。因此，有必要对形态学滤波器的参数进行优化选取，进而提高电压暂降信号的去噪效果，为后续特征准确提取奠定基础。
发明内容
本发明的目的是为了解决现有电压暂降信号领域所使用的形态学滤波器的参数是人为选取的问题，进而提高电压暂降信号的去噪效果，尤其是在特征提取领域，利用本发明的去噪方法还可以提高特征提取的可靠性，克服现有电压暂降信号特征提取方法中形态学滤波器参数选取所带来的问题。本发明所述方法根据待处理电压暂降信号特点和形态学滤波器的特性，对形态学滤波运算中的重要参数，采用具有全局优化性能的粒子群算法进行寻优，从而达到消除系统噪声和谐波的目的。
一方面，本发明提供一种基于参数优化形态学滤波的电压暂降信号去噪方法，包括如下步骤：
S1：获取待处理的电压暂降信号，所述电压暂降信号包含噪声；
S2：基于形态学滤波器采用粒子群算法优化所述形态学滤波器的参数，再利用参数优化后的形态学滤波器对电压暂降信号进行去噪，其中，优选将待优化参数作为粒子群算法中的粒子位置，并以去噪后的电压信号构建粒子群算法的适应度函数。
本发明提供的所述去噪方法，其利用粒子群算法优化形态学滤波器的参数，有效地规避解决了现有人为选择参数的缺陷问题，使得优化后的形态学滤波器可以更进一步提高电压暂降信号的去噪效果，为后续电压暂降信号的特征的准确，可靠提取奠定了基础。
本发明提供的所述去噪方法，其利用粒子群算法优化形态学滤波器的关键性参数，其中，优选将待优化参数直接作为粒子群算法中的粒子位置进行寻优迭代，最终得到优化后的参数，应当理解，所选用的形态学滤波器的类型不同，对应的待优化参数也存在差异，譬如若所述形态学滤波器为余弦型结构元素的形态学滤波器，待优化的参数为余弦型结构元素的宽度；若所述形态学滤波器为直线型结构元素的形态学滤波器，待优化的参数为直线型结构元素的宽度。也应当理解，本发明并不限制于上述结构的形态学滤波器以及对应优化参数。
还应当理解，寻优过程为了提高形态学滤波器的去噪效果，优选以形态学滤波器的滤波效果构建粒子群算法的适应度函数，譬如：适应度为滤波后电压信号对应的信噪比或误差均方根值，当然，本发明也不限制上述两类参数。
进一步优选，步骤S2的实现过程如下：
S21：选用余弦型结构元素的形态学滤波器，并采用粒子群算法优化余弦型结构元素的宽度，优化过程中将待处理的电压暂降信号输入余弦型结构元素的形态学滤波器；
S22：以待处理的电压暂降信号输入步骤S21中参数优化后的形态学滤波器的结果作为滤波信号。
本发明所述方法按照上述S21-S22实现步骤S2时，是直接利用形态学滤波器对电压暂降信号进行滤波得到去噪后的电压暂降信号，去噪后的电压暂降信号以供本领域技术人员进行其他应用，譬如，特征提取。
进一步优选，步骤S2的实现过程中还包括如下步骤：
S23：计算步骤S22中滤波后的电压暂降信号的同步旋转直轴分量和交轴分量；
S24：选用直线型结构元素的形态学滤波器，并采用粒子群算法优化直线型结构元素的宽度，其中，参数优化过程中将同步旋转直轴分量和交轴分量输入直线型结构元素的形态学滤波器中进行二次滤波；
S25：最后以同步旋转直轴分量和交轴分量输入步骤S24中参数优化后的形态学滤波器的结果作为最终的直流分量。
本发明所述方法按照上述S21-S25实现步骤S2时，是进行了两次滤波处理，初步滤波是针对待处理的电压暂降信号选择余弦型结构元素的形态学滤波器，二次滤波是针对初次滤波后的电压暂降信号的同步旋转直轴分量和交轴分量选择直线型结构元素的形态学滤波器，最终得到的去噪信号为电压暂降信号对应的直流分量，同样得到的直流分量以供本领域技术人员进行其他应用，譬如，直接基于直流分量进行特征提取。
进一步优选，步骤S21中待优化的参数为余弦型结构元素的宽度，并以滤波后的电压暂降信号的信噪比作为适应度值。
进一步优选，步骤S22中待优化的参数为直线型结构元素的宽度，并分别以滤波后的同步旋转直轴分量ud，交轴分量uq对应的信号误差均方根值作为适应度值。
进一步优选，所述形态学滤波器为交替混合滤波器，定义如下：
式中，U(n)是第n个电压暂降采样点对应的电压信号，g表示结构元素，λU(n)H(g)表示λ尺度交替混合滤波器，Foc(g)、Fco(g)分别定义为开-闭运算和闭-开运算，λ表示尺度大小，λg表示结构元素g经过λ-1次自身膨胀得到：
若采用开运算对电压信号滤波，可以滤除正的毛刺；采用闭运算对电压信号进行滤波，可以滤除负的毛刺。本发明优选将多尺度开-闭运算和闭-开运算组合相加并取平均值，得到交替混合滤波器结构，使用交替混合滤波器进行滤波时，其可以很好的消除信号统计偏移。
进一步优选，步骤S2的执行过程如下：
首先，计算所述待处理的电压暂降信号的同步旋转直轴分量和交轴分量；
然后，选用直线型结构元素的形态学滤波器，并采用粒子群算法优化直线型结构元素的宽度，其中，参数优化过程中将同步旋转直轴分量和交轴分量输入直线型结构元素的形态学滤波器中进行滤波去噪，以同步旋转直轴分量和交轴分量输入参数优化后的形态学滤波器的结果作为最终的去噪信号。
若采用上述方式实现步骤S2，其先将电压暂降信号转换为同步旋转直轴分量和交轴分量，进而将同步旋转直轴分量和交轴分量选择直线型结构元素的形态学滤波器，最终得到的去噪信号为电压暂降信号对应的直流分量，同样得到的直流分量以供本领域技术人员进行其他应用，譬如，直接基于直流分量进行特征提取。
第二方面，本发明提供一种基于参数优化多尺度形态学滤波的电压暂降信号特征提取方法，包括如下步骤：
步骤1：根据权利要求1所述的步骤S1以及步骤S2对待处理的电压暂降信号进行去噪，其中，得到去噪后的电压暂降信号对应的直流分量；
步骤2：利用直流分量计算电压暂降的特征值，所述特征值为暂降深度U和/或相位跳变
所述暂降深度U和相位跳变
计算公式为：
式中，ud0和uq0分别表示dq旋转坐标系下电压暂降信号对应的d轴直流分量和q轴直流分量。
本发明提供的特征提取方法，其利用粒子群算法优化形态学滤波器的参数，有效地解决了现有人为选择参数的缺陷问题，使得优化后的形态学滤波器可以更进一步提高电压暂降信号的去噪效果，最终提高电压暂降信号的特征提取的准确以及可靠。
第三方面，本发明还提供一种电压暂降信号处理系统，包括：信号获取模块，用于获取待处理的电压暂降信号；
参数优化模块，用于基于形态学滤波器采用粒子群算法优化所述形态学滤波器的参数；
滤波模块，用于利用形态学滤波器对电压暂降信号进行滤波。
进一步地，在一些可行的方案中，所述处理系统还包括特征提取模块，用于计算电压暂降的特征值。
第四方面，本发明还提供.一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行所述电压暂降信号去噪方法或所述电压暂降信号特征提取方法的步骤。
第五方面，本发明还提供一种电压暂降信号处理系统，包括计算机和存储器，所述存储器存储了计算机程序，所述计算机程序被处理器调用以执行所述电压暂降信号去噪方法或所述电压暂降信号特征提取方法的步骤。
有益效果
本发明提出所述电压暂降信号去噪方法以及特征提取方法中，根据待处理电压信号特点和形态学滤波器的特性，给出一种科学的形态学滤波器参数优化方法，通过PSO算法优化滤波器参数，构造最优参数的形态学滤波器进而提高了信号滤波效果，同时，在特征提取方法中又结合电压暂降dq变换检测算法，实现电压暂降特征准确、可靠提取。
附图说明
图1是本发明基于实施例1实现的电压暂降特征提取方法的流程结构框图；
图2是用于基于参数优化形态学滤波器的电压暂降特征提取方法参数寻优的PSO算法流程图；
图3是依靠人工经验选取滤波器参数与利用本发明所述方法进行参数选取后的滤波结果对比图；
图4是形态学滤波器与传统二阶巴特沃斯滤波器滤波效果对比图。
具体实施方式
下面将结合实施例对本发明做进一步的说明。
本发明实施例优选多尺度的交替混合滤波器，其构建原理如下：
构造改进的多尺度形态学滤波器：
数学形态学基本运算有腐蚀、膨胀、开运算、闭运算，分别为：
式中，Θ和
分别为腐蚀、膨胀算子；
和·分别为开运算和闭运算的算子；U(n)是第n个电压暂降采样点；g表示结构元素，m是结构元素g的自变量，譬如，本发明待优化参数为结构元素的宽度L时，其实际上就是自变量m的取值范围，m∈L。
对开运算和闭运算进行级联，得到形态学开-闭运算U(n)Fco(g)和形态学闭-开运算U(n)Foc(g)：
实际工程应用中，当噪声含量较高时，采用单一尺度的结构元素g的滤波效果往往不理想，此时可以使用多个不同尺度的结构元素构造形态学滤波器，对信号进行组合滤波。多尺度形态学滤波的开-闭、闭-开分别定义为：
其中，λg表示结构元素g经过λ-1次自身膨胀得到：
将多尺度开-闭运算和闭-开运算组合相加并取平均值，得到交替混合滤波器结构如下：
应当理解，对于采集到的含有谐波和噪声的电压暂降信号，若采用开运算对其滤波，可以滤除正的毛刺；若采用闭运算对其进行滤波，可以滤除负的毛刺。采用交替混合结构滤波器可以很好的消除统计偏移。本实施例中以交替混合结构滤波器为例进行说明，但本发明并不限于此结构。
实施例1：基于构建的多尺度形态学滤波，本实施例提供的一种基于参数优化形态学滤波的电压暂降信号去噪方法，包括：
A：获取待处理的电压暂降信号，其中，待处理电压暂降信号一般包含噪声和谐波。
B：选用余弦型结构元素的形态学滤波器，并采用粒子群算法优化余弦型结构元素的宽度L1。其中，余弦型结构元素的宽度L1对滤波器滤除噪声的能力影响较大，使用粒子群算法优化滤波器结构时，宽度L1作为粒子位置参与寻优迭代，将待处理的电压暂降信号输入余弦型结构元素的形态学滤波器，以电压暂降信号的信噪比作为适应度函数，寻求最优参数L1。
粒子群寻优具体过程为：
(a1)初始化粒子种群：对粒子的位置、速度等参数进行初始设定，设定最大迭代次数nmax为100次，粒子群种群大小m是30，加速常数c1、c2分别为1.8和2，惯性因子w是0.6，随机数r1、r2，误差e为0.01。
(b1)将待处理的电压暂降信号输入形态学滤波器计算各个粒子位置下对应的适应度值，其中，以待处理的电压暂降信号的信噪比(SNR)作为适应度函数。SNR值越大，表示滤除噪声的效果越好。基于选取粒子SNR最大原则的确定当前各个粒子局部最优值
和全部最优值
(c1)对每个粒子pi(n)的位置xi(n)和速度vi(n)进行更新：
xi(n+1)＝xi(n)+vi(n+1)
(d1)重复上述步骤，迭代满足收敛准则或达到最大迭代次数时停止寻优得到最佳粒子位置，进而确定了最优滤波效果下的重要结构元素参数。
C：利用参数优化后的形态学滤波器，对采集到的含有噪声和谐波的待处理的电压暂降信号u进行初次滤波，得到滤波后的电压信号u1，本实施例中初次滤波后的电压信号u1，如下：
D:求解dq坐标系下电压暂降分量ud和uq。具体过程为：
(1)求解初次滤波后的电压暂降信号u1的同步旋转直轴(d轴)分量ud和同步旋转交轴(q轴)分量uq；
(2)构造αβ相电压：
设u1有效值为U，相位跳变角为
对u1得：
令u1＝uβ，uα超前uβ90°，构造αβ相电压如下所示：
(3)求解电压暂降信号u1的d轴分量ud和q轴分量uq：
将αβ坐标系下的电压暂降信号uα、uβ，变换到dq旋转坐标系下的同步旋转直轴(d轴)分量ud和同步旋转交轴(q轴)分量uq：
E：选用直线型结构元素的形态学滤波器B，并采用粒子群算法优化直线型结构元素的宽度。其优化过程为利用粒子群算法对电压暂降信号u1的d轴分量ud和q轴分量uq输入直线型结构元素的形态学滤波器中进行二次滤波，分别提取ud和uq的直流分量ud0和uq0，
为了有效地提取ud和uq的直流分量，二次滤波的形态学滤波器选用直线型结构元素。分别以ud和uq的信号误差均方根值为适应度函数，寻取直线型宽度最优参数L21和L22。信号误差均方根值越小，表示信号失真程度越小，提取的直流分量越准确。
粒子群寻优具体过程为：
(a2)初始化粒子种群：对粒子的位置、速度等参数进行初始设定，设定最大迭代次数nmax为100次，粒子群种群大小m是40，加速常数c1、c2分别为1.6和2，惯性因子w是0.5，随机数r1、r2，误差e为0.01。
(b2)将d轴分量ud和q轴分量uq输入直线型结构元素的形态学滤波器B计算各个粒子位置下对应的适应度值，其中，以ud和uq的信号误差均方根值(RMES)作为粒子适应度函数。信号误差均方根值越小，表示提取直流分量的效果越好。基于选取粒子RMES最小的原则参数确定当前各个粒子局部最优值
和全部最优值
i表示第i个粒子。
(c2)对每个粒子pi(n)的位置xi(n)和速度vi(n)进行更新：
xi(n+1)＝xi(n)+vi(n+1)
(d2)重复上述步骤，迭代满足收敛准则或达到最大迭代次数时停止寻优得到最佳粒子位置，进而确定了最优滤波效果下的重要结构元素参数。
F：利用参数优化后的改进形态学滤波器B，对电压信号d轴分量ud和q轴分量uq进行二次滤波，得到直流分量ud0和uq0，如下所示：
实施例2：本实施例提供的去噪方法包括实施例1中前述步骤A-C，其得到了滤波后的电压信号u1，以供后续特征提取或其他应用。
实施例3：本实施例提供的去噪方法包括：
首先，计算所述待处理的电压暂降信号的同步旋转直轴分量和交轴分量；
然后，选用直线型结构元素的形态学滤波器，并采用粒子群算法优化直线型结构元素的宽度，其中，参数优化过程中将同步旋转直轴分量和交轴分量输入直线型结构元素的形态学滤波器中进行滤波去噪，此过程参照前述步骤E的实现过程，对此不进行具体的阐述。
最后，以同步旋转直轴分量和交轴分量输入参数优化后的形态学滤波器的结果作为最终的去噪信号，即直流分量ud0和uq0。
不论是基于实施例1-3中任意一个去噪方法的特征提取方法，其得到直流分量后均执行如下特征提取步骤G：
步骤G：利用直流分量ud0和uq0计算暂降暂降特征值，主要包括暂降深度U和相位跳变
其中，暂降深度U和相位跳变
计算公式为：
其中，需要说明的是，针对实施例2得到滤波后的电压信号u1，计算其同步旋转直轴(d轴)分量ud和同步旋转交轴(q轴)分量uq后，还需要提取ud和uq的直流分量ud0和uq0，再执行步骤G。
在一些可行的方式中，本发明还提供一种电压暂降信号处理系统，包括：
信号获取模块，用于获取待处理的电压暂降信号；
参数优化模块，用于基于形态学滤波器采用粒子群算法优化所述形态学滤波器的参数；
滤波模块，用于利用形态学滤波器对电压暂降信号进行滤波。
在另一些可行的方案中，所述处理系统还包括特征提取模块，用于计算电压暂降的特征值。
具体各个模块的实现过程请参照上述方法的内容，在此不再赘述。应该理解到，上述功能模块的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
在另一些可行的方案中，本发明还提供.一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行所述电压暂降信号去噪方法或所述电压暂降信号特征提取方法的步骤。
在另一些可行的方案中，本发明还提供一种电压暂降信号处理系统，包括计算机和存储器，所述存储器存储了计算机程序，所述计算机程序被处理器调用以执行所述电压暂降信号去噪方法或所述电压暂降信号特征提取方法的步骤。
其中，具体的实现过程还可以参照上述方法内容。应当理解，在本发明实施例中，所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
数据验证：
以实施例1以及对应的特征提取为例，本发明根据现有文献提供的依靠人工经验设置参数的方法对滤波器结构元素宽度进行设置：当采样频率为8kHz时，一个周期有160个采样点，而脉冲一般小于8个采样点的宽度，此时选择宽度为10的直线型结构元素进行滤波。本发明利用PSO算法，对直线型结构元素宽度进行寻优，其中PSO算法寻优流程如图2所示。对比两次滤波效果，两者方案的结果如图3所示，图3是依靠人工经验选取滤波器参数与利用本文方法进行参数选取滤波结果对比图
由图3可知，使用参数优化后的形态学滤波器对噪声信号进行滤波，滤波后波形更加平滑，提取直流分量的效果更好。
构造一个二阶巴特沃斯(butterworth)低通滤波器，截止频率设置为75Hz：
式中，ωc为截止频率；N为滤波器阶数，ω为输入信号的频率，j为虚数单位。
图4是形态学滤波器与传统二阶巴特沃斯滤波器滤波效果对比图，由图可知，使用二阶巴特沃斯低通滤波器对信号进行滤波，存在一定的延时，而使用交替混合滤波器对含有噪声的信号进行滤波，实时性较二阶巴特沃斯低通滤波器更好。
为了进一步证明使用参数优化后的形态学交替混合滤波器具有较好的滤波效果，采用不同滤波器对同一段含有噪声和谐波的电压暂降信号进行滤波，记录不同滤波器滤波后的信号偏差均方根值和信噪比，如下表所示。
| 滤波器类型 | 信号误差均方根值 | 滤波信号信噪比 |
| 二阶巴特沃斯低通滤波器 | 0.1017 | 31.56 |
| 交替混合直线型滤波器 | 0.0814 | 32.28 |
| 参数优化后的交替混合滤波器 | 0.0382 | 35.42 |
由上表数据可得，采用二阶巴特沃斯低通滤波器对信号进行滤波，滤波后的信号信噪比为31.56dB，信号误差均方根值为0.1017；采用交替混合直线型滤波器对信号进行滤波，滤波后的信号信噪比为32.28dB，信号误差均方根值为0.0814；而使用参数优化后的交替混合滤波器对信号进行滤波，滤波后的信号信噪比为35.42dB，信号误差均方根值为0.382，因此可以证明，使用参数优化后的交替混合滤波器对含有噪声的信号，具有更好的滤波效果。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
Claims (10)
1.一种基于参数优化形态学滤波的电压暂降信号去噪方法，其特征在于：包括如下步骤：
S1：获取待处理的电压暂降信号，所述电压暂降信号包含噪声；
S2：基于形态学滤波器采用粒子群算法优化所述形态学滤波器的参数，再利用参数优化后的形态学滤波器对电压暂降信号进行去噪。
2.根据权利要求1所述的方法，其特征在于：步骤S2的实现过程如下：
S21：选用余弦型结构元素的形态学滤波器，并采用粒子群算法优化余弦型结构元素的宽度，优化过程中将待处理的电压暂降信号输入余弦型结构元素的形态学滤波器；
S22：以待处理的电压暂降信号输入步骤S21中参数优化后的形态学滤波器的结果作为滤波信号。
3.根据权利要求2所述的方法，其特征在于：步骤S2的实现过程中还包括如下步骤：
S23：计算步骤S22中滤波后的电压暂降信号的同步旋转直轴分量和交轴分量；
S24：选用直线型结构元素的形态学滤波器，并采用粒子群算法优化直线型结构元素的宽度，其中，参数优化过程中将同步旋转直轴分量和交轴分量输入直线型结构元素的形态学滤波器中进行二次滤波；
S25：最后以同步旋转直轴分量和交轴分量输入步骤S24中参数优化后的形态学滤波器的结果作为最终的直流分量。
4.根据权利要求2所述的方法，其特征在于：步骤S21中待优化的参数为余弦型结构元素的宽度，并以滤波后的电压暂降信号的信噪比作为适应度值。
5.根据权利要求3所述的方法，其特征在于：步骤S22中待优化的参数为直线型结构元素的宽度，并分别以滤波后的同步旋转直轴分量ud，交轴分量uq对应的信号误差均方根值作为适应度值。
6.根据权利要求1所述的方法，其特征在于：所述形态学滤波器为交替混合滤波器，定义如下：
式中，U(n)是第n个电压暂降采样点对应的电压信号，g表示结构元素，λU(n)H(g)表示λ尺度的交替混合滤波器，Foc(g)、Fco(g)分别定义为开-闭运算和闭-开运算，λ表示尺度大小，λg表示结构元素g经过λ-1次自身膨胀得到：
7.根据权利要求1所述的方法，其特征在于：步骤S2的执行过程如下：
首先，计算所述待处理的电压暂降信号的同步旋转直轴分量和交轴分量；
然后，选用直线型结构元素的形态学滤波器，并采用粒子群算法优化直线型结构元素的宽度，其中，参数优化过程中将同步旋转直轴分量和交轴分量输入直线型结构元素的形态学滤波器中进行滤波去噪，以同步旋转直轴分量和交轴分量输入参数优化后的形态学滤波器的结果作为最终的去噪信号。
8.一种基于参数优化多尺度形态学滤波的电压暂降信号特征提取方法，其特征在于：包括如下步骤：
步骤1：根据权利要求1所述的步骤S1以及步骤S2对待处理的电压暂降信号进行去噪，其中，得到去噪后的电压暂降信号对应的直流分量；
步骤2：利用直流分量计算电压暂降的特征值，所述特征值为暂降深度U和/或相位跳变
所述暂降深度U和相位跳变
计算公式为：
式中，ud0和uq0分别表示dq旋转坐标系下电压暂降信号对应的d轴直流分量和q轴直流分量。
9.一种电压暂降信号处理系统，其特征在于：包括：
信号获取模块，用于获取待处理的电压暂降信号；
参数优化模块，用于基于形态学滤波器采用粒子群算法优化所述形态学滤波器的参数；
滤波模块，用于利用形态学滤波器对电压暂降信号进行滤波。
10.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245162.3A CN112257656A (zh) | 2020-11-10 | 2020-11-10 | 基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245162.3A CN112257656A (zh) | 2020-11-10 | 2020-11-10 | 基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112257656A true CN112257656A (zh) | 2021-01-22 |
Family
ID=74266717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011245162.3A Pending CN112257656A (zh) | 2020-11-10 | 2020-11-10 | 基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257656A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795234A (zh) * | 2023-02-13 | 2023-03-14 | 杭州爱华仪器有限公司 | 一种正弦信号总失真度测算方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609925A (zh) * | 2012-04-18 | 2012-07-25 | 江苏技术师范学院 | 一种粒子群优化的均衡形态滤波图像去噪方法 |
| CN103840793A (zh) * | 2014-03-06 | 2014-06-04 | 南京邮电大学 | 一种形态滤波方法及装置 |
| CN104568132A (zh) * | 2014-12-11 | 2015-04-29 | 昆明理工大学 | 一种基于参考信号约束的机械特征声信号频域半盲提取方法 |
| CN106845334A (zh) * | 2016-11-29 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于数学形态学的新型噪声提取方法 |
| CN110929742A (zh) * | 2019-12-02 | 2020-03-27 | 哈尔滨工业大学 | 一种基于粒子群寻优的大型高速回转装备功能性滤波方法 |
-
2020
- 2020-11-10 CN CN202011245162.3A patent/CN112257656A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609925A (zh) * | 2012-04-18 | 2012-07-25 | 江苏技术师范学院 | 一种粒子群优化的均衡形态滤波图像去噪方法 |
| CN103840793A (zh) * | 2014-03-06 | 2014-06-04 | 南京邮电大学 | 一种形态滤波方法及装置 |
| CN104568132A (zh) * | 2014-12-11 | 2015-04-29 | 昆明理工大学 | 一种基于参考信号约束的机械特征声信号频域半盲提取方法 |
| CN106845334A (zh) * | 2016-11-29 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于数学形态学的新型噪声提取方法 |
| CN110929742A (zh) * | 2019-12-02 | 2020-03-27 | 哈尔滨工业大学 | 一种基于粒子群寻优的大型高速回转装备功能性滤波方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周军 等: "基于求导法的dq变换结合形态学滤波的电压暂降检测方法", 《电测与仪表》 * |
| 张景元 等: "基于形态学的自动驾驶仪振动信号基线漂移去噪", 《北京航空航天大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795234A (zh) * | 2023-02-13 | 2023-03-14 | 杭州爱华仪器有限公司 | 一种正弦信号总失真度测算方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding et al. | Identification of dual‐rate systems based on finite impulse response models | |
| Ooms | Empirical vector autoregressive modeling | |
| CN109285561B (zh) | 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法 | |
| CN112257656A (zh) | 基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 | |
| Yang et al. | Study on ways to restrain end effect of Hilbert-Huang transform | |
| CN112396567B (zh) | 基于法向修正与位置滤波两步法的散乱点云去噪方法 | |
| CN109684937B (zh) | 一种基于fft及数学形态法的信号去噪方法及装置 | |
| CN114154546A (zh) | 一种钢铁生产过程数据的降噪方法 | |
| CN113297195B (zh) | 一种时间序列异常检测方法、装置及设备 | |
| Aue et al. | Segmenting mean-nonstationary time series via trending regressions | |
| CN111611686A (zh) | 一种通信信号时频域的检测方法 | |
| CN114978931B (zh) | 基于流形学习的网络流量预测方法、装置及存储介质 | |
| CN116150594A (zh) | 一种频谱测试数据中开关类要素特征的识别方法 | |
| González et al. | The SRIVC algorithm for continuous-time system identification with arbitrary input excitation in open and closed loop | |
| Pfaff et al. | Nonlinear prediction for circular filtering using Fourier series | |
| CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
| Roebel et al. | Real time signal transposition with envelope preservation in the phase vocoder | |
| Li et al. | Fault feature extraction method based on EWT-SMF and MF-DFA for valve fault of reciprocating compressor | |
| CN110580661B (zh) | 一种用于电力保护的32路矢量傅里叶-卡尔曼修正算法 | |
| Oubouaddi et al. | Parameter Estimation of Electrical Vehicle Motor | |
| Lim et al. | A Step-Down Test Procedure for Wavelet Shrinkage Using Bootstrapping | |
| Lin et al. | Research on optical fiber IMU signal processing based on wavelet algorithm | |
| Prasad et al. | Integrated framework to study efficient spectral estimation techniques for assessing spectral efficiency analysis | |
| CN118260559A (zh) | 一种非平稳信号时频聚集性增强方法和系统 | |
| Liu et al. | Optimal Structuring Element Selection Guidelines of Morphological Filter for Power Quality Signal Denoising |
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: 20210122 |