一种自适应的在线监测数据趋势提取方法
【专利摘要】本发明涉及一种自适应的在线监测数据趋势提取方法，该方法结合了组合形态滤波器和经验模态分解两种方法，首先动态构造自适应的形态滤波器结构元素，使用所述形态滤波器结构元素进行滤波，进而进行经验模态分解，然后根据所处理数据的特点构造趋势项，最后根据所述趋势项进行趋势预警。该方法运算性能高，自适应性强，使用效果好。
【专利说明】一种自适应的在线监测数据趋势提取方法
【技术领域】
[0001]本发明涉及在线监测数据变化趋势的实时提取【技术领域】，特别是一种输变电设备在线监测数据自适应的快速在线趋势提取方法。
【背景技术】
[0002]近年来，状态检修在国家电网公司得到广泛推广，作为状态检修的重要技术手段的在线监测也得到飞速发展。在线监测数据实时、丰富、数量庞大，在设备例行试验周期延长的情况下，是掌握设备状态的重要途径。但在线监测装置容易受到环境温湿度、负荷、倒闸操作等因素干扰，导致数据频繁波动，采用单次采集数据进行状态告警的方法经常发生误报，影响了在线监测的应用效果。
[0003]在线监测数据中蕴含了大量的工况信息，如能深入分析，对于工程应用很有价值。为此，出现了数学形态学、经验模态分解(Empirical Mode Decomposition,简称EMD)、小波分析等方法，提取出反映设备中、长期状态的趋势，并使用趋势进行状态预警。
[0004]经验模态分解是由美国NASA的Norden E Huang等人在1998年提出的一种新的信号分析方法。EMD分解是把复杂的信号分解成若干个本征模函数(Intrinsic ModeFunction简称IMF)及一个余项的线性和。IMF反映了时间序列信号的内部特征,余项反映了趋势。但是，EMD分解的筛分过程运算量很大，当数据量大幅增长时，运算的时间代价成几何级数增长，运算性能急剧下降，无法满足对大量数据的在线提取趋势的需要。另外，EMD分解存在“过筛分”的现象，筛分出来的MF分量往往过多，一些分量并无明确的物理含义。
[0005]王静等(2009)直接使用数学形态学滤波器对在线数据进行滤波处理，滤波后的数据作为趋势。结构元素及其窗宽的选取对这种方法的效果至关重要，在线监测的波形形态多种多样，难以知道当下选择何种形状的结构元素更适合。窗宽的确定也难以解决，窗宽一般要比数据中最大脉冲噪声宽度大才会得到比较平滑的滤波效果，但这无法先验地知道。因此，数学形态学滤波的方法无法自适应地满足在线监测数据趋势提取的需要。
【发明内容】
[0006]本发明的目的在于提供一种自适应的在线监测数据趋势提取方法，该方法运算性能高，自适应性强，使用效果好。
[0007]为实现上述目的，本发明的技术方案是:一种自适应的在线监测数据趋势提取方法，该方法首先动态构造自适应的形态滤波器结构元素，使用所述形态滤波器结构元素进行滤波，进而进行经验模态分解，然后根据所处理数据的特点构造趋势项，最后根据所述趋势项进行趋势预警。
[0008]进一步的，该方法包括以下步骤:
[0009](I)动态计算原始序列的标准差，以所述标准差作为半径构造半圆形结构元素，作为形态滤波器结构元素；
[0010](2)采用所述半圆形结构元素对原始序列进行滤波处理，去除高频、脉冲等噪声，得到初步的趋势序列数据；
[0011](3)对初步的趋势序列数据按经验模态分解方法进行分解，得到一组MF分量和一个余量；
[0012](4)根据所处理数据的特点，选择余量或者若干个MF分量的叠加作为趋势项r (t)；
[0013](5)对于趋势项r (t),计算趋势项r (t)在对应的序列时间长度内的趋势发展速度，如果趋势发展速度超过设置的阀值，则发出趋势预警，趋势发展速度V定义如下式:
【权利要求】
1.一种自适应的在线监测数据趋势提取方法，其特征在于，该方法首先动态构造自适应的形态滤波器结构元素，使用所述形态滤波器结构元素进行滤波，进而进行经验模态分解，然后根据所处理数据的特点构造趋势项，最后根据所述趋势项进行趋势预警。
2.根据权利要求1所述的一种自适应的在线监测数据趋势提取方法，其特征在于，包括以下步骤: (1)动态计算原始序列的标准差，以所述标准差作为半径构造半圆形结构元素，作为形态滤波器结构元素； (2)采用所述半圆形结构元素对原始序列进行滤波处理，去除高频、脉冲等噪声，得到初步的趋势序列数据； (3)对初步的趋势序列数据按经验模态分解方法进行分解，得到一组MF分量和一个余量； (4)根据所处理数据的特点，选择余量或者若干个MF分量的叠加作为趋势项r(t)； (5)对于趋势项r(t)，计算趋势项r(t)在对应的序列时间长度内的趋势发展速度，如果趋势发展速度超过设置的阀值，则发出趋势预警，趋势发展速度V定义如下式:
3.根据权利要求2所述的一种自适应的在线监测数据趋势提取方法，其特征在于，在步骤(4)中，趋势项选择的原则如下:对于时间长度为I年及以上的序列，选取所有MF分量中周期大于90天的分量叠加起来作为趋势项r(t);对于时间长度为3个月以上I年以下的序列，选取所有MF分量中周期大于30天的分量叠加起来作为趋势项r(t);对于时间长度为I个月以上3个月以下的序列，选取所有IMF分量中周期大于I天的分量叠加起来作为趋势项r(t)。
【文档编号】G06F19/00GK103617356SQ201310612784
【公开日】2014年3月5日 申请日期:2013年11月27日 优先权日:2013年11月27日
【发明者】陈强, 林承华, 陈金祥, 梁曼舒, 何金栋, 汤振立 申请人:国家电网公司, 国网福建省电力有限公司, 国网福建省电力有限公司电力科学研究院