發電機定子單相接地故障特征提取方法研究

劉 穎

(國網婁底供電公司,湖南 婁底 417099)

0 引言

故障特征作為信號的一種,傳遞著電力系統各種各樣實時、有效信息,如果在信息產生、編碼、傳輸等過程中受到來自外部信號的干擾,輕者傳遞信息失真,重者信號失效,而故障特征提取方法就是利用各種算法以期做到最大程度地保留有用信息,濾除無用信息。

在電力系統中存在著干擾信號,若不采取手段將電氣量中混入的無關信號、干擾信號去除,則繼電保護端接收到的信號無法準確反映電網真實情況,從而給繼電保護裝備帶來嚴重影響,因此,研究發電機定子單相接地故障特征提取方法非常有必要。

1 故障特征提取算法原理

1.1 集合經驗模態分解算法原理

集合經驗模態分解算法(ensemble empirical mode decomposition,EEMD)經過多次嘗試,每次在原始信號中加入有限幅值的高斯白噪聲,經過多次分解得到不同的本征模態函數(intrinsic mode function,IMF)分量［1］。當原始信號加入高斯白噪聲時,由于高斯白噪聲具有均勻頻率分布特性,不同時間尺度信號會自動分布到合適的參考尺度,從而避免了模態混疊問題［2-4］。此外,在計算多次分解后平均值時,所添加的高斯白噪聲會相互抵消［5-7］,EEMD分解步驟如下:

a.設定總體平均次數N;

b.將1個白噪聲nt(t)加入到原始信號x(t)中,產生1個新的信號f(t):fi(t)=x(t)+ni(t)。式中:ni(t)為第i次加入白噪聲;fi(t)為第i次加入白噪聲后的含噪信號,i=1,2,3,…,N;

c.對含噪信號fi(t)分別進行經驗模態分解,得到各自IMF和的形式:

(1)

式中:ci,j(t)為第i次加入白噪聲后分解得到的第j個IMF分量;ri,j(t)為殘余函數,代表整個信號的平均趨勢;j為IMF分量的數量。

d.將步驟(b)和步驟(c)重復進行N次,每次分解時,加入幅值不同的白噪聲信號,得到IMF分量的集合為

c1,j(t),c2,j(t),…,cN,j(t),j=1,2,…,J

(2)

e.由于不相關序列的統計平均值為零,將得到的IMF分量進行集合平均運算,得到分解后的最終IMF分量:

(3)

式中:cj(t)為EEMD分解的第j個IMF分量,i=1,2,3,…,M,j=1,2,3,…,J;M為得到IMF分量的個數。

1.2 改進的自適應噪聲完備集合經驗模態分解原理

改進的自適應噪聲完備集合經驗模態分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)主要步驟如下［8］:

a.用經驗模態分解確定局部均值,如式(4)所示:

si=s+β0E1(wi)

(4)

式中:i為附加噪聲數;s為原始信號;si為待分解信號;wi為白噪聲;E1(wi)為白噪聲第1分量;β0為初始系數。

b.確定第1個殘基R1為

R1=〈M(si)〉

(5)

式中：M(·)為完成IMF篩選點局部均值。

c.將N個信號分解后，可在第1階段計算1階模態IMF1為

IMF1=s-R1

(6)

d.第2個殘基R2和模態IMF2為

R2=〈M(R1+β1E2(wi))〉

(7)

IMF2=R1-R2

(8)

e.后面k個階段重復以上步驟，第k個殘基和模態IMFk為

Rk=〈M(Rk-1+βk-1Ek(wi))〉

(9)

IMFk=Rk-1-Rk

(10)

1.3 小波閾值算法原理

在小波算法中，目前閾值選擇最為廣泛的有硬閾值和軟閾值2種，計算分別如式(11)和式(12)所示：

(11)

(12)

2 故障特征信號處理

圖1為A相電壓故障特征信號和高斯白噪聲含噪信號。由圖1可知，混入噪聲后電壓信號變得雜亂無章，邊緣毛刺很多，曲線不再平滑，若以此含噪信號進行保護整定，將帶來極大誤差。

圖1 故障特征信號與含噪信號

信噪比(signal-to-noise ratio，SNR)是指信號與噪聲的比例，均方根誤差(root mean square error，RMSE)表示重構信號和原始信號的平均偏離程度［9］，RMSE為無量綱數值。本文選擇SNR和RMSE來衡量重構信號和原始信號相似程度。

求解SNR和RMSE［9］分別為

(13)

(14)

式中：x′(n)為降噪后信號；x(n)為原始信號；var(·)為方差。

2.1 采用小波閾值算法信號處理

應用小波閾值算法進行信號預處理，小波基數目和分解層數選擇十分重要，將小波基范圍選定為1～8，分解層數選定為1～7，分別對硬閾值降噪、軟閾值降噪、固定閾值降噪、極大極小閾值降噪進行仿真試驗，共48組數據，從中選擇SNR最大，RMSE最小的1組試驗結果，從而得到最優小波基和分解層數。硬閾值降噪試驗結果如圖2所示，軟閾值降噪試驗結果如圖3所示，固定閾值降噪試驗結果如圖4所示，極大極小閾值降噪試驗結果如圖5所示。

圖2 硬閾值降噪試驗結果

圖3 軟閾值降噪試驗結果

圖4 固定閾值降噪試驗結果

圖5 極大極小閾值降噪試驗結果

由圖2可知，硬閾值降噪小波基數目為7，分解層數為4時可取得最佳降噪能力，此時SNR為11.0531，RMSE為3.2206。

由圖3可知，軟閾值降噪小波基數目為6，分解層數為4時可取得最佳降噪能力，此時SNR為16.8146，RMSE為1.6591。

由圖4可知，固定閾值降噪小波基數目為6，分解層數為4時可取得最佳降噪能力，此時SNR為21.2909，RMSE為0.9909。

由圖5可知，極大極小閾值降噪小波基數目為6，分解層數為4時可取得最佳降噪能力，此時SNR為21.3416，RMSE為0.9852。

SNR越大，RMSE越小，說明混在信號中的噪聲越小，降噪能力越強。可見，固定閾值降噪和極大極小閾值降噪2種方法降噪能力明顯優于硬閾值降噪方法和軟閾值降噪方法，因此選用固定閾值降噪和極大極小閾值降噪2種方法與后文的EEMD與ICEEMDAN方法進行比較。

2.2 基于EEMD算法信號處理

用EEMD算法處理含噪信號，可得到8個IMF量，RES代表殘余分量。EEMD分解與IMF分量頻譜對照結果如圖6所示。

(a)EEMD分解

經過EEMD處理后，IMF1～IMF8與原始信號x(t)相關系數可表示為［9］

(15)

式中：cov(·)為協方差。

相關系數越接近1，該IMF分量與原始信號相關性越強，EEMD分解得到的IMF1～IMF8與原始信號相關系數如表1所示。

表1 EEMD分解得到的各分量相關系數

曲線曲率值C最大值點即為區分高頻IMF分量和低頻IMF分量轉折點［9］，具體計算如下：

(16)

R″=Ri+1-2Ri+Ri-1

(17)

R′=Ri-Ri-1

(18)

式中：Ri為第i個IMF和原始信號相關系數。

EEMD分解各分量相關系數在IMF4處曲率值最大，因此，將IMF1～IMF3劃分為高頻IMF分量，IMF4～IMF8劃分為低頻IMF分量，將分解得到的IMF4～IMF8加上殘余分量進行信號重構工作。

計算EEMD重構SNR和RMSE，得SNR為21.8668，RMSE為0.9274。

2.3 基于ICEEMDAN算法信號處理

用ICEEMDAN算法處理含噪信號，共得到7個IMF。對應ICEEMDAN分解與IMF分量頻譜對照結果如圖7所示。

(a)ICEEMDAN分解

ICEEMDAN分解各分量相關系數在IMF4處曲率值最大，因此將IMF1～IMF3劃分為高頻IMF分量，將IMF4～IMF7劃分為低頻IMF分量。

將ICEEMDAN分解得到的IMF4～IMF7加上殘余分量進行信號重構工作，計算ICEEMDAN重構SNR和RMSE，得SNR為21.4448，RMSE為0.9735。

3 故障特征提取方法比較與選擇

對原始信號加入高斯白噪聲，處理后所得SNR和RMSE如表2所示。

表2 降噪后SNR和RMSE對比

對比表中幾種降噪方法，EEMD法取得了最大SNR和最小RMSE，重構信號與原始信號之間相似度最高。

為進一步探究在混入不同SNR噪聲情況下，EEMD方法降噪效果是否仍然最好，對原始信號加入SNR不同的高斯白噪聲，分別使用固定閾值、極大極小閾值、EEMD方法及ICEEMDAN方法對含噪信號進行處理，所得SNR和RMSE對比情況如表3所示。

表3 噪聲比例不同時SNR和RMSE對比

由于極大極小閾值法偏于保守，當噪聲較少分布在高頻段時，可將微小信號保留，但當所加噪聲的SNR很小時，噪聲則多集中在高頻段，不滿足極大極小閾值法最佳適用條件。固定閾值法降噪效果更為徹底，當所加噪聲的SNR很小時，降噪效果更為顯著，但容易把有效信號當成噪聲處理掉，不適用于所加噪聲較小的情況。EEMD 法以增加輔助白噪聲方式優化了模態混疊問題，當所加噪聲的SNR在10～25 dB時表現較好，當所加噪聲的SNR更大時，混入信號中的噪聲比例較小，此時EEMD添加的輔助白噪聲難以完全消除，相當于人為向信號中增加噪聲。ICEEMDAN方法沒有使用白噪聲進行輔助，而是利用信號局部均值對K階模態數值進行提取，避免了白噪聲對模態分解的影響，因此ICEEMDAN方法相較于EEMD方法更適合用于混入噪聲較小的情況。

4 結語

本文選擇SNR和RMSE作為衡量降噪效率指標，在不同小波基數目、不同分解層數情況下，對不同小波閾值算法進行仿真試驗，從而選出降噪效果最好的小波基數目和分解層數。改變混入故障特征中所加高斯白噪聲比例，發現對混入不同SNR噪聲情況下，達到最優降噪效果的故障特征提取方法不唯一，探究了各故障特征提取方法差異，并歸納總結了各種故障特征提取方法適用范圍。