多元經(jīng)驗(yàn)?zāi)B(tài)分解的發(fā)電機(jī)組多通道電信號濾波

趙志剛

摘要：發(fā)電機(jī)組多需要滿足嚴(yán)苛運(yùn)行環(huán)境的需求，受大量不確定因素的影響，系統(tǒng)三相電流信號具有非線性以及非平穩(wěn)特性。為實(shí)現(xiàn)各種擾動影響下的發(fā)電機(jī)組運(yùn)行狀態(tài)監(jiān)測，將基于多元經(jīng)驗(yàn)?zāi)B(tài)分解（Multivariate Empirical Mode Decomposition，MEMD）的方法用于風(fēng)電系統(tǒng)電信號去噪。相對于傳統(tǒng)單通道模態(tài)分解去噪算法，該方法能同時(shí)實(shí)現(xiàn)多通道信號的多尺度分解并保證相同模態(tài)數(shù)，有效地解決模態(tài)混疊問題。同時(shí)，將動態(tài)均方差（Consecutive Mean Square Error，CMSE）算法用于信號重構(gòu)，只需計(jì)算各模態(tài)能量值，實(shí)現(xiàn)簡單。仿真驗(yàn)證結(jié)果表明，基于MEMD的多通道濾波算法能夠有效地實(shí)現(xiàn)多工況運(yùn)行下的三相電流魯棒濾波。

關(guān)鍵詞：發(fā)電機(jī)組；風(fēng)力發(fā)電；多元經(jīng)驗(yàn)?zāi)B(tài)分解；動態(tài)均方差；濾波去噪

中圖分類號：TP277；TP274文獻(xiàn)標(biāo)志碼：A文章編號：1008-1739（2018）12-68-4

Multichannel Electrical Signal Filtering of Generators Based on Multivariate Empirical Mode Decomposition

ZHAO Zhigang

（The Radio and Television Group of Chongqing袁Chongqing 400039袁China）

0引言

受復(fù)雜運(yùn)行工況和復(fù)雜運(yùn)行環(huán)境的影響，電力電子器件故障成為了嚴(yán)重影響發(fā)電機(jī)組系統(tǒng)運(yùn)行穩(wěn)定與安全的重要因素。通常而言，發(fā)電機(jī)組運(yùn)行具有強(qiáng)非線性，易受到外界環(huán)境和能源來源的隨機(jī)波動影響，輸出表現(xiàn)出非線性以及非平穩(wěn)特性。為實(shí)現(xiàn)發(fā)電機(jī)組運(yùn)行狀態(tài)監(jiān)測與視情維護(hù)，電力系統(tǒng)魯棒濾波成為眾多學(xué)者的研究熱點(diǎn)，其中，基于經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）的完全數(shù)據(jù)驅(qū)動的自適應(yīng)分解方法受到廣泛關(guān)注。

基于EMD的信號去噪方法被廣泛用于電力系統(tǒng)的狀態(tài)監(jiān)測與故障診斷研究。為了消除電信號中由焊點(diǎn)、電機(jī)運(yùn)行等因素產(chǎn)生的高頻噪聲，Vivek[1]等利用該算法處理并分析非線性及非平穩(wěn)電信號，避免潛在的電路燒毀、電氣絕緣劣化和設(shè)備損壞等影響。Javier等[2]利用EMD將永磁同步電機(jī)定子電流進(jìn)行分解，結(jié)合二次頻分布進(jìn)行特征提取，以實(shí)現(xiàn)電機(jī)在穩(wěn)態(tài)與變速運(yùn)行狀態(tài)下的短路故障檢測。包廣清等[3]利用EMD對采樣信號進(jìn)行時(shí)頻自適應(yīng)預(yù)處理，然后利用集合柔性形態(tài)學(xué)進(jìn)行特征提取實(shí)現(xiàn)風(fēng)電并網(wǎng)電壓故障檢測。

傳統(tǒng)的EMD分解算法主要是針對單一通道信號進(jìn)行分析，其分解過程具有完全自適應(yīng)性，但無法保證分解后的多通道信號具有相同的固有模態(tài)函數(shù)個(gè)數(shù)。為了實(shí)現(xiàn)多通道信號分解后的同尺度分析，Rehman等[4]提出了基于多維空間投影思想的多元經(jīng)驗(yàn)?zāi)B(tài)分解算法MEMD，克服了EMD只能針對單通道信號分析的不足，解決了不同信道增加的高斯白噪聲產(chǎn)生的模態(tài)混疊問題[5]。目前，MEMD已被廣泛應(yīng)用于圖像處理[6，7]、生物信號處理[8]、氣象預(yù)測[9-12]和振動分析[13-15]等。其中，劉棟材等[16]針對加速度傳感器測得的多通道信號中存在耦合的問題，提出了基于MEMD與全息譜技術(shù)相結(jié)合的信號分析方法，實(shí)現(xiàn)對振動模態(tài)特性的分析。王金甲等[17]針對腦機(jī)接口系統(tǒng)中的多通道非平穩(wěn)腦電信號和腦磁信號，提出了MEMD與功率特征結(jié)合的信號特征提取算法。但相對于EMD單通道信號分解在電信號中的廣泛應(yīng)用，MEMD在電信號，尤其是在電力系統(tǒng)信號中的分析與研究還比較少。

本文針對MEMD在多維電信號濾波去噪中的應(yīng)用進(jìn)行了研究，以風(fēng)力發(fā)電系統(tǒng)作為典型的大型發(fā)電機(jī)組的應(yīng)用對象。考慮到其風(fēng)電機(jī)組三相電流具有非線性與非平穩(wěn)特性，因此專門提出基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的多維電信號多尺度分解的濾波方法，并針對其電信號主要特征多由低頻部分組成的特征，針對性地提出將動態(tài)均方差用于自適應(yīng)選擇合適的IMF集合以進(jìn)行信號重構(gòu)。

1多通道濾波實(shí)現(xiàn)

1.1多元經(jīng)驗(yàn)?zāi)B(tài)分解

在使用EMD分解多維信號時(shí)，極大極小值通常無法直接得到，因此Rehman等[4]提出的MEMD算法通過在N維空間沿不同方向獲取投影向量序列，獲得每個(gè)方向上信號包絡(luò)的局域均值。每個(gè)通道信號被MEMD分解后IMF個(gè)數(shù)相等，實(shí)現(xiàn)每個(gè)通道對應(yīng)的各層IMF頻率尺度對齊。

MEMD實(shí)現(xiàn)的基本步驟如下：

（1）利用Hammersly序列在（-1）維球面設(shè)置均勻采樣點(diǎn)集，建立維空間方向向量；

（4）判斷提取出的固有模態(tài)函數(shù)（ ）= （ ）- （ ）是否滿足IMF判斷條件，若滿足則將（ ）- （ ）的差值作為步驟2的輸入，通過步驟2～4的迭代分解下一個(gè)本征模態(tài)，若不滿足，則直接將（ ）作為步驟2的輸入。

經(jīng)過反復(fù)的迭代過程，維信號可分解為

對于多通道濾波實(shí)現(xiàn)，將MEMD用于多維信號分解得到相同成數(shù)且各層頻率尺度對齊的IMF集合，然后分別計(jì)算不同通道的IMF能量值并確定信號重構(gòu)索引即可。

2基于MEMD和CMSE算法的電信號濾波

選取風(fēng)力發(fā)電系統(tǒng)作為典型對象，其主要部件包括：葉片、齒輪箱、軸承、輪轂、塔架、偏航系統(tǒng)、變槳裝置、變流器、發(fā)電機(jī)和控制系統(tǒng)等，其簡略工作模型如圖1所示。

三相變流器作為機(jī)側(cè)和網(wǎng)側(cè)的能量交換中間環(huán)節(jié)，對于風(fēng)電變流器的高效安全運(yùn)行意義重大。導(dǎo)致變流器不能正常運(yùn)行的原因有很多，電力電子器件的短路和開路故障是最為常見的2種。其中，短路引起的電流過載常由硬件保護(hù)實(shí)現(xiàn)，開路故障雖不會立即導(dǎo)致過載，但長時(shí)間運(yùn)行會導(dǎo)致系統(tǒng)諧波增加并進(jìn)一步導(dǎo)致同一橋臂電力電子器件損毀。

但風(fēng)電機(jī)組運(yùn)行過程中受隨機(jī)風(fēng)速波動、開關(guān)動作以及電力系統(tǒng)非線性等因素影響，三相電流輸出受諧波及各色噪聲影響，導(dǎo)致基于三相電流的直接電流檢測法、電流平均值法等開路故障檢測方法出現(xiàn)較高的誤報(bào)以及漏報(bào)率。因此，提出基于MEMD和CMSE算法的風(fēng)電系統(tǒng)多通道電信號魯棒濾波算法具有現(xiàn)實(shí)意義。

基于MEMD和CMSE算法的電信號濾波的流程如圖2所示。其中主要的傳感器主要用于圖1中輸出到電網(wǎng)Grid的三回電路之上。有別于傳統(tǒng)的基于EMD分解的單通道信號分析方法，基于MEMD分解后的不同通道信號各層IMF，具有對應(yīng)層頻率尺度對齊的特性。因此通過選取各通道重構(gòu)索引最大以提高濾波性能是可行的。

3仿真驗(yàn)證

為驗(yàn)證本文提出的基于MEMD和CMSE的多通道電信號濾波的有效性，利用圖1所述直驅(qū)風(fēng)力發(fā)電機(jī)組運(yùn)行數(shù)據(jù)，分析其對非線性和非平穩(wěn)電信號濾波的有效性。

假設(shè)圖1中風(fēng)力發(fā)電系統(tǒng)A相上橋臂受開路故障影響，其三相電流MEMD分解后的多維IMFs如圖3所示。其中，三相電流分解后的每一相分解后的本征模態(tài)函數(shù)，每一層對應(yīng)的IMF能量如圖4所示。圖3中“*”“o”“x”分別表示ABC相電流分解后IMF從高頻到低頻對應(yīng)的能量值。結(jié)合圖3中每個(gè)模態(tài)的能量值分布，利用CMSE算法在線選取重構(gòu)索引為6。重構(gòu)后的ABC三相電流如圖4所示。

類似的，假設(shè)風(fēng)機(jī)輸入風(fēng)速發(fā)生階躍變化，即在0.02 s處由14 m/s減少到12 m/s，則機(jī)側(cè)三相電流濾波輸出如圖5所示。

綜合可見，濾波重構(gòu)后的電流表現(xiàn)較測量值更為平滑且具有更小的噪聲，能夠更為準(zhǔn)確地反映實(shí)際電流的變化態(tài)勢。

4結(jié)束語

針對多工況運(yùn)行下的風(fēng)力發(fā)電系統(tǒng)電信號具有非線性與非平穩(wěn)性特點(diǎn)，提出了基于MEMD和CMSE算法的多通道電信號濾波方法。該方法利用MEMD多維同時(shí)分解的特性使得分解后各層IMF頻率尺度對齊，為多維信號之間的耦合關(guān)系的直接分析提供了可能，同時(shí)提高了自適應(yīng)分解過程中消除模態(tài)混疊問題的能力。在得到各通道信號分解的本征模態(tài)函數(shù)集合后，計(jì)算得到不同通道的IMF能量分布，利用CMSE規(guī)則自適應(yīng)地確定重構(gòu)索引集合并選取集合中最大索引值進(jìn)行信號重構(gòu)。仿真結(jié)果表明，本文所提方法對具有非線性和非平穩(wěn)特性的電信號濾波具有較強(qiáng)的魯棒性，為進(jìn)一步監(jiān)測和分析風(fēng)電機(jī)組運(yùn)行狀態(tài)提供了基礎(chǔ)。

參考文獻(xiàn)

[1] Agarwal V， Tsoukalas L H. Denoising Electrical Signal via Empirical Mode Decomposition[C]// Bulk Power System Dynamics & Control-vii Revitalizing Operational Reliability， Irep Symposium. IEEE， 2007：1-6.

[2] Rosero J A， Romeral L， Ortega J A， et al. Short-Circuit Detection by Means of Empirical Mode Decomposition and Wigner Ville Distribution for PMSM Running Under Dynamic Condition[J]. IEEE Transactions on Industrial Electronics， 2009， 56（11）：4534-4547.

[3]包廣清，宋澤，吳國棟，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和形態(tài)學(xué)的風(fēng)電并網(wǎng)電壓故障檢測[J].農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（11）： 219-225.

[4] Rehman N， Mandic D P. Multivariate Empirical Mode Decomposition[J]. Proceedings Mathematical Physical & Engineering Sciences， 2010， 466（2117）：1291-1302.

[5] Zhang Y， Xu P， Li P， et al. Noise-assisted multivariate empirical mode decomposition for Multichannel EMG Signals[J]. Biomedical Engineering Online， 2017， 16（1）：107.

[6] Sharma J B， Sharma K K， Sahula V. Hybrid Image Fusion Scheme using Self-fractional Fourier functions AD Multivariate empirical Mode Decomposition[J]. Signal Processing， 2014，100（7）：146-159.

[7]任文藝，張淳民，賈辰凌，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解的干涉成像光譜偏振儀數(shù)據(jù)處理研究[C]//2013年（第五屆）西部光子學(xué)學(xué)術(shù)會議論文集， 2013：1.

[8] Molla M K I， Tanaka T， Rutkowski T M. Multivariate EMD based Approach to EOG Artifacts Separation from EEG[C]// IEEE International Conference on Acoustics， Speech and Signal Processing， IEEE， 2012：653-656.

[9] Wu Z， Feng J， Qiao F， et al. Fast Multidimensional Ensemble Empirical Mode Decomposition for the Analysis of Big Spatio-temporal Datasets[J]. Philosophical Transactions， 2016，374（2065）：20150197.

[10]賀祥. PM （2.5）濃度變化驅(qū)動機(jī)制研究[D].南京：南京師范大學(xué)， 2017.

[11]劉申，褚曉東，張文.基于氣象測量場的爬坡時(shí)段區(qū)域風(fēng)功率預(yù)測[J].電力系統(tǒng)自動化， 2015， 39（16）：29-36.

[12]張淑清，李威，張立國，等.基于多元經(jīng)驗(yàn)?zāi)B(tài)分解互近似熵及GG聚類的軸承故障診斷[J].中國機(jī)械工程， 2016， 27（24）：3362-3367.

[13] Lu Y， Yuan R， Song G. Multivariate Empirical Mode Decomposition and Its Aapplication to Fault Diagnosis of Rolling Bearing[J]. Mechanical Systems & Signal Processing， 2016，81：219-234.

[14]段若晨，王豐華，周荔丹，等.利用窄帶噪聲輔助多元經(jīng)驗(yàn)?zāi)B(tài)分解算法檢測換流變壓器用有載分接開關(guān)機(jī)械狀態(tài)[J].電工技術(shù)學(xué)報(bào)， 2017， 32（10）：182-189.

[15]付文龍.水電機(jī)組振動信號分析與智能故障診斷方法研究[D].武漢：華中科技大學(xué)， 2016.

[16]劉棟材，郭杰，申遠(yuǎn).基于MEMD與全息譜技術(shù)的加速度傳感器信息融合[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)， 2016（8）： 702-708.

[17]王金甲，劉源.基于多通道經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X機(jī)接口特征提取[J].生物醫(yī)學(xué)工程學(xué)雜志， 2015（2）：57.