基于STFT时频谱系数收缩的有载分接开关信号降噪方法与流程

本申请属于电力设备技术领域，涉及有载分接开关故障诊断技术，具体涉及一种基于stft(短时傅里叶变换)时频谱系数收缩的有载分接开关信号降噪方法。

背景技术：

变压器有载分接开关(on-loadtapchanger，oltc)作为变压器的核心部件之一，在电力系统中发挥着稳定负荷中心电压，调节无功潮流，增加电网调度灵活性等重要作用。在oltc操作过程中，机构零部件之间的碰撞或摩擦会产生振动信号，这些振动信号包含着丰富的设备状态信息。但现场采集到的振动信号往往含有异常数据和各种噪声，会影响振动信号分析的结果。所以在对振动信号分析之前，应选择合适的方法对oltc切换那一瞬间的冲击响应进行提取，这样有助于在对oltc的故障诊断时发现故障的特征量。

在传统的信号处理方法中，信号降噪是利用频谱分析技术来实现的，即通过傅里叶变换把信号变换到频域内进行分析。当噪声和信号在频域内可分时，可以通过设计合适的滤波器，滤除噪声部分所对应的频带，从而达到降噪的目的。然而，oltc振动信号具有非平稳性特征，相应的频谱成分非常复杂，使得采用传统的基于频域的滤波降噪方法不能满足要求。小波变换由于多分辨率的特性而广泛应用于信号处理领域，是一种非常重要的信号降噪方法，其中使用较多的是基于小波变换阈值处理的降噪方法。基于小波变换的降噪方法已在机械故障诊断中得到大量应用，但是，小波变换在选定小波基波与分解尺度后得到的分解结果是某一固定频率段的时域波形，其中所包含的频率成分只与信号的分析频率有关，而与信号本身没有关系，因此从这一点上来说，小波变换不具备自适应的信号分解特性。

本申请提出一种基于stft时频谱系数收缩的oltc信号降噪方法，采用直接对噪声混合的冲击特征信号进行降噪，从而提取出冲击成分，这种方式简单直观，针对性强，可以取得较好的降噪效果。

技术实现要素：

为解决现有技术中的不足，本申请提供一种基于stft时频谱系数收缩的oltc信号降噪方法，降噪效果好，算法简单，可操性强。

为了实现上述目标，本申请采用如下技术方案：一种基于stft时频谱系数收缩的oltc信号降噪方法，其特征在于：包括以下步骤：

步骤1：通过振动加速度传感器对oltc正常状态下的振动信号进行采集；

步骤2：对采集到的oltc振动信号进行stft变换得到其时频谱；

步骤3：利用步长迭代算法在0到谱系数最大模值的区间内估计最优阈值δ*th；

步骤4：利用最优阈值δ*th重新进行谱系数收缩，对得到的新的时频谱进行stft逆变换，重构降噪后的信号。

本发明进一步包括以下优选方案：

使用上海华明电力设备有限公司生产的m型有载分接开关。

将振动加速度传感器安放在oltc的顶盖。

所述振动加速度传感器的型号为jf2020。

经过振动加速度传感器采集的信号的是噪声混合信号x(t)＝s(t)+n(t)；其中，s(t)为触头冲击振动信号，n(t)为噪音。

步骤2具体包括如下步骤：

步骤2.1：对噪声混合信号x(t)进行连续stft变换；

步骤2.2：在经过连续stft变换得到的时频谱等间隔网格点(mt,nf)处采样，对网格点(mt,nf)处的采样信号进行离散化stft变换。

步骤2.1具体包括：利用公式对噪声混合信号x(t)进行连续stft变换；其中，stft(τ,f)表示对噪声混合信号x(t)的连续stft变换，t表示时间，f表示采集频率，*表示复数共轭参数，γ表示分析窗，τ控制着分析窗γ在t轴上位置。

分析窗γ在时域定义为高斯窗，即：其中，σ＝1/|f|。

步骤2.2具体包括：利用公式对网格点(mt,nf)处的采样信号进行离散化stft变换；其中，t为采样等间隔时间，f为采样等间隔频率，且t>0和f>0，m和n为整数。

步骤3具体包括如下步骤：

步骤3.1：设定最优阈值估计所在的一个最小的目标模值区间[α,β]max{|stft(m,n)|}；其中，[α,β]为模值系数目标区间，且0≤α<β≤1；

步骤3.2：将模值系数目标区间[α,β]分成m个步长，则每个系数步长δd＝(β-α)/m，对应的阈值步长δd＝max{|stft(m,n)|}δd，阈值变量δth初始化为αmax{|stft(m,n)|}；

步骤3.3：使阈值变量δth按照阈值步长δd增大，每增大一个步长，获得一个新阈值δnew；

步骤3.4：以δnew为阈值，根据步骤2中得到的时频谱信号的模值大小对谱系数进行收缩得到新谱stft'[m,n]；

步骤3.5：将新谱stft'[m,n]经stft逆变换重构得到新的时域信号s'(k)；

步骤3.6：将重构得到的新的时域信号s'(k)带入风险函数rm(r)；

步骤3.7：重复步骤3.3-3.6，直到阈值变量δth增加到βmax{|stft(m,n)|}；

步骤3.8：求取差分谱drm(r)＝rm(r)-rm(r-1)；差分谱曲线drm(r)衰减到水平段时的临界点即为最优步长数值mth。

其中，[α,β]＝[0.2,0.7]，max{|stft(m,n)|}＝8.925，m＝100。

步骤3.4具体包括：利用公式根据对谱系数进行收缩得到新谱stft'[m,n]。

步骤3.5具体包括：利用公式将新谱stft'[m,n]经stft逆变换重构得到新的时域信号s'(k)；其中，t为采样等间隔时间，f为采样等间隔频率，且t>0和f>0，m和n为整数，n为总的采样点长度。

步骤3.6中，风险函数为其中，xr(k)为阈值变量δth增加了r个阈值步长δd，即δth＝αmax{|stft(m,n)|}+rδd时，经过stft时频谱系数收缩后重构得到的时域信号。

步骤4具体包括：以δ*th为阈值对噪声混合信号x(t)的离散化stft时频谱stft[m,n]重新进行系数收缩得到新的时频谱stft'[m,n]，利用公式对得到的新的时频谱进行stft逆变换，重构得到时域降噪的原始信号；其中，t为信号采样等间隔时间，f为采样等间隔频率变量，且t>0和f>0，m和n为整数。

步骤4具体包括：利用公式来计算信噪比；其中，x(t)为原始信号，x(k)为降噪后的信号，带入原始信号与降噪后的信号的均方根误差rmse越小，则降噪后的信号就越接近于原始信号，降噪效果越好。

本申请所达到的有益效果：

(1)本申请相较于传统冲击特征提取方法，具备多分辨率特性，满足线性叠加原理，不存在交叉项的干扰，适合于处理与分析非平稳信号，尤其像oltc冲击特征信号；

(2)stft时频谱系数收缩方法能够从噪声混合信号中恢复时域降噪信号。将此方法应用于oltc相关故障振动信号的处理，可以有效提取出与故障特征信号一致的时域降噪信号，从而指导相关故障的诊断。

(3)经实验数据分析可知，本申请对信号的低频部分与高频部分都能取得较好地降噪效果。

附图说明

图1为本申请的基于stft时频谱系数收缩的oltc信号降噪方法的流程图。

图2为振动加速度传感器采集到的oltc振动信号的原始图。

图3为对采集到oltc振动信号进行stft连续变换得到的时频谱图。

图4为对采集到oltc振动信号进行离散化stft变换得到的时频谱图。

图5为风险函数rm(r)与步长数m的关系曲线图。

图6为差分谱drm(r)与步长数m的关系曲线图。

图7为重构得到的时域降噪的oltc振动信号图。

具体实施方式

以下将结合附图，对本申请的技术方案进行详细说明。

如附图1所示，本申请提供了一种基于stft时频谱系数收缩的oltc信号降噪方法，所述方法包括以下步骤：

步骤1：通过振动加速度传感器对oltc正常状态下的振动信号进行采集。

本申请选用上海华明电力设备有限公司生产的m型有载分接开关作为研究对象，使用型号为jf2020的振动加速度传感器和nicolet数据采集仪对oltc切换过程中的振动信号进行采集。

在步骤1中，oltc动作时在切换的一瞬间，振动信号有两种传播途径：(1)触头→连接杆→oltc顶盖，(2)触头→oltc油→变压器油→变压器油箱侧壁。因此，可以在oltc顶盖或是在变压器油箱侧壁处采集oltc振动信号。然而，在oltc顶盖处采集振动信号，顶盖和切换机构有直接的连接，且oltc顶端为刚性，有利于振动信号的传输，采集的振动信号衰减比较小；而在变压器油箱侧壁处采集振动信号，振动信号经过oltc油和变压器油等衰弱，有的特征量可能会采集不到；因此振动加速度传感器优选地放置于oltc的顶盖，从而能够对振动信号进行有效的采集。

具体的，附图2中示出了振动加速度传感器采集到的oltc振动信号的原始图；其中，横坐标表示时间，纵坐标表示振动信号的幅值。

步骤2：对采集到的oltc振动信号进行stft变换得到其时频谱。

在步骤2中，经过振动加速度传感器采集的信号的是噪声混合信号x(t)＝s(t)+n(t)；其中，s(t)为触头冲击振动信号，n(t)为噪音。对噪声混合信号x(t)的变换具体包括以下步骤：

步骤2.1：对噪声混合信号x(t)进行连续stft变换：

其中，stft(τ,f)表示对噪声混合信号x(t)的连续stft变换，t表示时间，f表示采集频率，*表示复数共轭参数，γ表示分析窗，τ控制着分析窗γ在t轴上位置。

分析窗γ在时域定义为高斯窗，即：

其中，σ＝1/|f|。

具体的，附图3中示出了根据公式(1)对采集到oltc振动信号进行连续stft变换得到的时频谱图；其中，横坐标表示时间t，纵坐标表示频率f。

步骤2.2：在经过连续stft变换得到的时频谱等间隔网格点(mt,nf)处采样，根据公式(3)对网格点(mt,nf)处的采样信号x(k)进行离散化stft变换：

其中，stft(m,n)表示对采样信号x(k)的离散化stft变换，t为采样等间隔时间，f为采样等间隔频率，且t>0和f>0，m和n为整数。

具体的，附图4示出了根据公式(3)对采集到oltc振动信号进行离散化stft变换得到的时频谱图；其中，横坐标表示时间，纵坐标表示信号幅值。

步骤3：利用步长迭代算法在0到谱系数最大模值的区间内估计最优阈值δ*th；具体包括以下步骤：

步骤3.1：设定最优阈值估计所在的一个最小的目标模值区间[α,β]max{|stft(m,n)|}，其中，[α,β]为模值系数目标区间，且0≤α<β≤1。

根据图2所示的采集到的oltc振动信号的实际图形优选[α,β]＝[0.2,0.7]，根据步骤2中经过离散化stft变换得到的离散化的时频谱图，即图4，可知max{|stft(m,n)|}＝8.925。

步骤3.2：将模值系数目标区间[α,β]分成m个步长，取m＝100，则每个系数步长δd＝(β-α)/m＝0.5/m＝0.005，对应的阈值步长δd＝max{|stft(m,n)|}δd＝8.925δd＝0.0446，阈值变量δth初始化为αmax{|stft(m,n)|}＝1.785；

步骤3.3：使阈值变量δth按照阈值步长δd增大，每增大一个步长，获得一个新阈值δnew；

步骤3.4：以δnew为阈值(初始阈值为1.785)，利用公式(4)根据离散化stft变换得到的stft(m,n)的模值大小对谱系数进行收缩：

其中，stft'[m,n]为经过收缩后得到的新谱。

步骤3.5：将新谱stft'[m,n]经stft逆变换重构得到新的时域信号为：

其中，t为信号采样等间隔时间，f为采样等间隔频率变量，且t>0和f>0，m和n为整数。

步骤3.6：将重构得到的新的时域信号s'(k)带入风险函数rm(r)：

其中，xr(k)为阈值变量δth增加了r个阈值步长δd，即δth＝αmax{|stft(m,n)|}+rδd时，经过stft时频谱系数收缩后重构得到的时域信号。

步骤3.7：重复步骤3.3-3.6，直到阈值变量δth增加到βmax{|stft(m,n)|}＝6.2475。

具体的，附图5中示出了风险函数rm(r)与步长数m的关系曲线；其中，横坐标表示步长数m，纵坐标表示风险函数值rm(r)。由图4可以看出，风险函数值rm(r)随着步长数m的增加而减小。

步骤3.8：求取差分谱drm(r)＝rm(r)-rm(r-1)。差分谱曲线drm(r)衰减到水平段时的临界点即为最优步长数值mth，m值取大于最优步长值时算法循环步数增多，效率低，取低于最优步长时去噪效果不明显。

具体的，附图6中示出了差分谱曲线drm(r)与步长数m的关系曲线；其中，横坐标表示步长数m，纵坐标表示风险函数rm(r)的差分值drm(r)。由图6可以看出，风险函数rm(r)的差分值drm(r)随着步长数m的增加而减小，m＝90时在得到最优阈值δ*th＝αmax{|stft(m,n)|}+mthδd＝5.799。

步骤4：利用最优阈值δ*th重新进行谱系数收缩，对得到的新的时频谱进行stft逆变换，重构降噪后的信号。

以δ*th为阈值利用公式(4)对噪声混合信号x(t)的离散化stft时频谱stft[m,n]重新进行系数收缩得到新的时频谱stft'[m,n]，然后利用公式(7)对得到的新的时频谱stft'[m,n]进行stft逆变换，重构得到时域降噪的原始信号：

其中，t为采样等间隔时间，f为采样等间隔频率，且t>0和f>0，m和n为整数，n为采样点长度。

具体的，附图7中示出了重构得到时域降噪的原始信号；其中，横坐标表示时间，纵坐标表示幅值。

最后利用判断信噪比的的判据公式(8)来计算信噪比：

其中，x(t)为原始信号，x(k)为降噪后的信号，带入原始信号与降噪后的信号的均方根误差rmse越小，则降噪后的信号就越接近于原始信号，降噪效果越好。把步骤1采集到的原始信号x(t)和公式(7)求得的降噪后的信号x(k)带入公式得到rmse＝0.5863。一般情况下，0≤rmse≤1，降噪效果好；1<rmse≤10，降噪效果一般；10<rmse，基本无降噪效果。根据计算得到的rmse＝0.5863值说明提取的冲击特征量效果很好，取得了较好的降噪效果。

以上实施例仅为说明本申请的优选实施方案，不能以此限定本申请的保护范围，凡是按照本申请提出的技术思想，在技术方案基础上所做的任何改动，均落入本申请保护范围之内。