一种基于同步的同质传感器突变参数识别方法与装置的制造方法
【专利摘要】本发明涉及一种基于同步的同质传感器突变参数识别方法与装置，从每个周期序列各时刻点中抽取一个点值组成单一传感器多次测量的一维数据序列，构造按周期同步的周期数据序列。对得到的数据样本进行基于极大似然估计的预处理。对基于组合预处理的含有突变传感器信号采用经验模态分解得到各阶IMF模态分量；对信号主导IMF分量采用希尔伯特—黄变换得到瞬时频率图和瞬时幅值图，依据HHT图中的突变点、幅值变化、瞬时频率走势特征信息对传感器异常信号进行参数检测和识别。本发明将不同类传感器进行无差别融合，得到等周期数据样本，消减不同传感器差异和信号采集过程中的随机误差，提高传感器突变参数识别精度。
【专利说明】
-种基于同步的同质传感器突变参数识别方法与装置
技术领域
[0001] 本发明研究中电力设备常用的同质传感器信号为对象，研究了对传感器测量的电 数据进行融合过程并给出工程计算和实现的方法后，给出一种识别传感器突变参数检测和 识别的有效方法。
【背景技术】
[0002] -方面：用电设备能实时地感知电网的有效供电能力是有序用电的基础，电网能 实时获取用电设备用电真实状态是智能电网的前提.传统的供用电信息采集往往由单一的 传感器来完成，即使采用多个(种)传感器也多是分时使用，所W是从多个侧面孤立地反映 电网的信息。随着技术的进步，运些测量数据需要融合处理，即指利用多个传感器的输出推 断出一个有效的信息。
[0003] 另一方面:处在电力系统的传感器受到生产厂家生产环境、采用技术的不同，不同 厂家的仪器甚至同一厂家的不同批次的仪器测得同一对象的某个物理数据都有差异，尤其 在幅度上差别明显，因此对海量数据对比、自动分析等造成困难。
[0004] 电力系统中的各种传感器因上述原因成为同质传感器。同质传感器是指观测同一 物理现象的若干个传感器，该若干个传感器可W不同时、不同位置，但是被检测或采集信号 的特征相同。由于不同传感器的个体差异和信号采集过程中的随机误差，因此现在对同质 传感器的海量数据进行检测和识别较为困难，数据质量差，传感器突变参数识别精度低。
【发明内容】
[0005] 本发明的目的是提供一种基于同步的同质传感器突变参数识别方法与装置，用W 消减不同传感器差异和信号采集过程中的随机误差，改善数据质量从而提高传感器突变参 数识别精度。
[0006] 为实现上述目的，本发明的方案包括：
[0007] -种基于同步的同质传感器突变参数识别方法，步骤如下：
[000引步骤A:中央处理器WT为采样周期，同质传感器定时对系统被测信号进行采样和 量化，并得到相同采样频率下的采样数据；
[0009] 步骤B:将采样数据按周期进行截取，获得m个周期序列为:Yi(t)，Y2(t)，???￥"(0， 每个周期样本中包含了N个数据点，即Yi=[Xi(l)，Xi(2)，…Xi(N)]，其中i = l，2，…，m;
[0010] 步骤C:构造按周期同步构建的周期数据序列:将每个周期数据中各个时刻点数据 视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周 期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量 的一维数据序列，即构造了按周期同步构建的周期数据序列Y/(t) (t)，???￥%(0,每组 一维数据序列中包括了m个数据点，即Y/= [Xi( 1)，枯(2)，一Xm(N)];
[0011] 步骤D:对数据样本Yt '进行基于极大似然估计的优化组合预处理；
[0012] 步骤E:对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶IMF分量；
[0013] 步骤F:对传感器异常信号的主导IMF分量采用HHT变换得到瞬时频率图和瞬时幅 值图；
[0014] 步骤G:依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息对传感器突 变参数进行检测和识别。
[0015] 进一步的，所述步骤D中，对数据样本Yt'进行基于极大似然估计的优化组合预处 理的方式为：
[0016] SlOl:假设在给定的时刻，待测环境特征为X，传感器的值为Y，则该传感器的测量 模型为:Y = f(X)+V其中，V是符合高斯分布的噪声项;所谓数据融合就是由N个传感器得到 巧慢值Yi、Y2、…、Yn，并按某种估计准则从运些测量值中得到特征参数X的最优估计；
[0017] S102:寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小;取损失函 数为均匀损失：
[001 引
[0019] S103:在损失函数L的基础上，定义相应估计风险的函数R:
[0020]
廷中，P(X)、p(x I y)表示概率分 布；
[0021] S104:取风险最小为估计准则，即
[0022]
(1)
[0023] 可W得到符合式(1)的最优估计为
[0024]
[0025] S105:在具有N个传感器的系统中，相应的信息融合可W看作是在观测值Yi、Y2、…、 化下，值X具有最大后验的估计为
[0026] S106:为了求出最大后验估计，对所有可能参数X均采用P(X) = I,通过公式推导得 到：
[0027]
(2)
[0028] 此时最大后验估计即简化为极大似然估计，相应的融合计算公式为：
[0029] (3)
[0030] (4)
[0031] 当传感器为一维时，且不考虑坐标变换，则式(3)与(4)可简化为：
[00 创
（5)
[0033]
(6)
[0034] 进一步的，所述步骤E中对基于组合预处理的含有突变传感器信号采用EMD分解得 到各阶IMF分量的过程为：
[0035] S201:对信号x[t]所有局部极大值点和所有局部极小值点用=次样条函数进行插 值，并拟合上下包络线;x[t]为经过组合预处理的含有突变特性的传感器信号；
[0036] S202:求取上下包络线的平均值曲线祀（*)(* = 1、2、3-，111)，则采样信号义[*]与祀 (t)之差即为 Pi(t):Pi(t)=x[t]-Mi(t);
[0037] S203:如果Pi( t)同时满足下述IMF的两个条件，则其为第一个IMF分量，否则将其 作为原始信号重复 S201 到 S202,得到 Pii(t):Pii(t)=Pi(t)-Mn(t)，其中：Mii(t)为 Pi(t)的 上下包络线的平均曲线；
[0038] 所述IMF分量满足的两个条件为:整个时间历程内，穿越零点次数与极值点数相等 或至多相差1;且信号上任意一点，由局部极大值定义的上包络线和局部极小值点定义的下 包络线的均值为0,即信号关于时间轴局部对称；
[0039] S204:重复上述步骤筛选，直到第k次筛选时由式（1)得到的Pik(t)满足IMF分量的 两个条件:Pik(t)=Pi(i-k)(t)-Mik(t) (1)
[0040] S205:除信号外，在实际计算时可W通过式(2)求取口限值Sd来判断每次筛选结果 是否为IMF分量：
[0041]
(2)
[0042] 其中:r为传感器信号的采样点数，n限值Sd通常取0.巧IjO. 3;
[0043] S206:令Ci(t)=Pik(t)，贝iJCi(t)即为第一个IMF分量，其包含了原信号x[t]中周期 最短的IMF分量;将Ci(t)从x[t]中分离出来:Ri(t)=x[t]-Ci(t);
[0044] S207:将Ri(t)作为新的值重复W上步骤S201至S20^次，可获得信号x[t]的n个 IMF 分量:Rn(t)=Rn-l(t)-Cn(t);
[0045] S208:当Rn(t)为单调函数从信号x[t]不能再分解出其他分量时，整个分解过程结 束;得到：
[0046] 进一步的，所述步骤F对传感器异常信号的主导IMF分量采用皿T变换得到瞬时频 率图和瞬时幅值图的过程为：
[0047] S301:将通过EMD分解后获得的所有IMF分量进行希尔伯特变换；给定C(t)的 Hi化ert,化古责.
[004引
I其中，A为积分变量。
[0049] S302:构造一个解析信号Z(t):
[0050] Z(t)=C(t)+iH(t)=A(t)eW(t);
[0化1] S3O3:幅值函数:部)=巧/);
[0化2] S304:幅角函数：
[0化3] S305:瞬时频率：
[0054] 进一步的，所述步骤G中依据皿T变换图中的突变点、幅值变化、瞬时频率走势特征 信息传感器突变参数进行检测和识别的过程为：
[0055] S306:对传感器中突变参数进行分类:骤降、骤升、谐波、脉冲；
[0056] S307:依据HHT图中针对不同的传感器异常信号的突变点、幅值变化W及瞬时频率 走势等特性信息不同，分类识别出传感器何时经历了何种突变。
[0057] 本发明还提供了一种基于同步的同质传感器突变参数识别装置，包括：
[0058] 模块A:中央处理器WT为采样周期，同质传感器定时对系统被测信号进行采样和 量化，并得到相同采样频率下的采样数据；
[0059] 模块B:将采样数据按周期进行截取，获得m个周期序列为:Yi(t)，Y2(t)，一Ym(t)， 每个周期样本中包含了N个数据点，即Yi=[Xi(l)，Xi(2)，…Xi(N)]，其中i = l，2，…，m;
[0060] 模块C:构造按周期同步构建的周期数据序列:将每个周期数据中各个时刻点数据 视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周 期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量 的一维数据序列，即构造了按周期同步构建的周期数据序列Y/(t)，Y2/(t)，???￥/N(t)，每组 一维数据序列中包括了m个数据点，即Y/= [Xi( 1)，拉(2)，-'Xm(N)];
[0061] 模块D:对数据样本Yt'进行基于极大似然估计的优化组合预处理；
[0062] 模块E:对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶IMF分量； [0063 ]模块F:对传感器异常信号的主导IMF分量采用HHT变换得到瞬时频率图和瞬时幅 值图；
[0064] 模块G:依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息对传感器突 变参数进行检测和识别。
[0065] 进一步的，所述模块D中，对数据样本Yt'进行基于极大似然估计的优化组合预处 理的方式为：
[0066] SlOl:假设在给定的时刻，待测环境特征为X，传感器的值为Y，则该传感器的测量 模型为:Y = f(X)+V其中，V是符合高斯分布的噪声项;所谓数据融合就是由N个传感器得到 巧慢值Yi、Y2、…、Yn，并按某种估计准则从运些测量值中得到特征参数X的最优估计；
[0067] S102:寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小;取损失函 数为均匀损失：
[006引
[00例 S103:在损失函数L的基础上，定义相应估计风险的函数R:
[0070]
其中，P(X)、p(x Iy)表示概率分 布；
[0071 ] S104:取风险最小为估计准则，即
[007。
（1)
[0073] 可W得到符合式(1)的最优估计为
[0074]
[0075] S105:在具有N个传感器的系统中，相应的信息融合可W看作是在观测值Yi、Y2、…、 化下，值X具有最大后验的估计天
[0076] S106:为了求出最大后验估计，对所有可能参数X均采用P(X) = I,通过公式推导可 W得到：
[0077]
(2)
[0078] 此时最大后验估计即简化为极大似然估计，相应的融合计算公式为：
[0079] (3)
[0080] (4'*
[0081] 当传感器为一维时，且不考虑坐标变换，则式(3)与(4)可简化为：
[0082] 巧）
[0083] (6)
[0084] 进一巧的，所还模块E中对基于组合预处理的含有突变传感器信号采用EMD分解得 至恪阶IMF分量的过程为：
[0085] S201:对信号x[t]所有局部极大值点和所有局部极小值点用=次样条函数进行插 值，并拟合上下包络线;x[t]为经过组合预处理的含有突变特性的传感器信号；
[00化]S202:求取上下包络线的平均值曲线祀（*)(* = 1、2、3-'111)，则采样信号义[*]与祀 (t)之差即为 Pi(t):Pi(t)=x[t]-Mi(t);
[0087] S203:如果Pi( t)同时满足下述IMF的两个条件，则其为第一个IMF分量，否则将其 作为原始信号重复 S201 到 S202,得到 Pii(t):Pii(t)=Pi(t)-Mn(t)，其中：Mii(t)为 Pi(t)的 上下包络线的平均曲线；
[0088] 所述IMF分量满足的两个条件为:整个时间历程内，穿越零点次数与极值点数相等 或至多相差1;信号上任意一点，由局部极大值定义的上包络线和局部极小值点定义的下包 络线的均值为0,即信号关于时间轴局部对称；
[0089] S204:重复上述步骤筛选，直到第k次筛选时由式（1)得到的Pik(t)满足IMF分量的 两个条件:Pik(t)=Pi(i-k)(t)-Mik(t) (1)
[0090] S205:除信号外，在实际计算时可W通过式(2)求取口限值Sd来判断每次筛选结果 是否为IMF分量：
[0091]
(2)
[0092] 其中：r为传感器信号的采样点数，n限值Sd通常取0.巧IjO. 3;
[0093] S206:令Ci(t)=Pik(t)，贝iJCi(t)即为第一个IMF分量，其包含了原信号x[t]中周期 最短的IMF分量;将Ci(t)从x[t]中分离出来:Ri(t)=x[t]-Ci(t);
[0094] S207:将Ri(t)作为新的值重复W上步骤S201至S20^次，可获得信号x[t]的n个 IMF 分量:Rn(t)=Rn-l(t)-Cn(t);
[00M] S208:当Rn(t)为单调函数从信号x[t]不能再分解出其他分量时，整个分解过程结 束;得到：
[0096] 进一步的，所述模块F对传感器异常信号的主导IMF分量采用皿T变换得到瞬时频 率图和瞬时幅值图的过程为：
[0097] S301:将通过EMD分解后获得的所有IMF分量进行希尔伯特变换
[0098] 化i化ert)巧换。给定C(t)的化化ert形式为：
[0099]
，其中，A为积分变量。
[0100] S302:构造一个解析信号Z(t):
[0101] Z(t)=C(t)+iH(t)=A(t)e"(t);
[0102] S303:幅值函数
[0103] S304:幅角函数
[0104] S305:瞬时频率
[0105] 进一步的，所述模块G中依据皿T变换图中的突变点、幅值变化、瞬时频率走势特征 信息传感器突变参数进行检测和识别的过程为：
[0106] S306:对传感器中突变参数进行分类:骤降、骤升、谐波、脉冲；
[0107] S307:依据HHT图中针对不同的传感器异常信号的突变点、幅值变化W及瞬时频率 走势等特性信息不同，分类识别出传感器何时经历了何种突变。
[0108] 本发明的一种基于同步的同质传感器突变参数识别方法与装置，中央处理器WT 秒为采样周期，同质传感器(传感器观测的是同一物理现象)定时对被测信号进行采样和量 化并获得关于时间的数据序列X(N),将采样数据按周期进行截取，获得m个周期序列为:Yi (t)，Y2(t)，…Ym(t)，每个周期样本中包含了N个数据点，即Yi = [Xi(l)，Xi(2)，…Xi(N)]，其 中i = l，2,…，m。从每个周期序列各时刻点中抽取一个点值组成单一传感器多次测量的一 维数据序列，构造按周期同步构建的周期数据序列，即￥/(〇，￥2/(〇，-可/^*)，每组一维 数据序列中包括了m个数据点，即Y/= [Xi(I)，X2(2) ,-Xm(N)L对得到的数据样本Yt'进行 基于极大似然估计和最小二乘法估计的优化组合预处理，用于指导电力系统周期采样数据 指导。对基于组合预处理的含有突变传感器信号采用经验模态分解得到各阶IMF模态分量； 对信号主导IMF分量采用希尔伯特一黄变换得到瞬时频率图和瞬时幅值图，依据HHT图中的 突变点、幅值变化、瞬时频率走势特征信息对传感器异常信号进行参数检测和识别。本发明 将不同类传感器进行无差别融合，得到等周期数据样本，消减不同传感器差异和信号采集 过程中的随机误差，提高传感器突变参数识别精度。
【附图说明】
[0109] 图1是基于同步的同质传感器突变参数识别方法的流程图；
[0110] 图2是本发明模拟传感器骤降信号IMFl分量的HHT瞬时频率和幅值图；
[0111] 图3是本发明模拟传感器暂升信号IMFl分量的HHT瞬时频率和幅值图；
[0112] 图4是本发明模拟传感器脉冲信号IMFl分量的HH刊舜时频率和幅值图；
[0113] 图5是本发明模拟传感器谐波信号IMFl分量的HH刊舜时频率和幅值图。
【具体实施方式】
[0114] 下面结合附图对本发明做进一步详细的说明。
[011引方法实施例
[0116] 如图1所示，一种基于同步的同质传感器突变参数识别方法，包括W下步骤：
[0117] 步骤A:中央处理器WT(秒)为采样周期，同质传感器定时对系统被测信号进行采 样和量化，并得到相同采样频率下的数据样本X(N)的具体步骤为：
[0118] 中央处理器采样周期为T(秒），包含在系统内部的m个传感器(可W不同时、不同位 置，但是被检测或采集信号的特征相同）定时对系统内部的被测信号进行采样和量化，进而 得到相同采样频率下的数据样本Xi (N)，其中i = l，2,…，m。
[0119] 进一步的，所述步骤C:构造按周期同步构建的周期数据序列，即Y/(t)，Y2/(t)，--- r ^t),每组一维数据序列中包括了m个数据点，即Y/=陆（1)，拉(2)，…Xm(N)]的具体步骤 为：
[0120] 将采集到的电力系统数据在按周期进行截取后，将每个周期数据中各个时刻点数 据视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个 周期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测 量的一维数据序列，即构造了按周期同步构建的周期数据序列，也即Y/(t)，Y2/(t)，…Y^N (t)，每组一维数据序列中包括了m个数据点，即Y/=陆（1)，拉(2) ,-Xm(N)L
[0121] 进一步的，所述步骤D:对数据样本Yt '进行基于极大似然估计预处理的具体步骤 为：
[0122] SlOl:假设在给定的时刻，待测环境特征为X，传感器的值为Y，则该传感器的测量 模型为:Y = f(X)+V其中，V是符合高斯分布的噪声项。所谓数据融合就是由N个传感器得到 巧慢值Yi、Y2、…、Yn,并按某种估计准则从运些测量值中得到特征参数X的最优估计。
[0123] S102:寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小。取损失函 数为均匀损失：
[0124]
[0125] S103:在损失函数L的基础上，定义相应估计风险的函数R:
[01%]
其中，P(X)、p(x I y)表示概率分 布；
[0127] S104:取风险最小为估计准则，即 [012 引
W
[0129] 可W得到符合式(1)的最优估计(最大后验估计)为
[0130]
[0131] S105:在具有N个传感器的系统中，相应的信息融合可W看作是在观测值Yi、Y2、…、 化下，值X具有最大后验的估计呆
[0132] S106:为了求出最大后验估计，在某些条件下，我们无法决定特征参数X的先验分 布，采用"模糊先验"的概念，即对所有可能参数X均采用P(X) = 1，通过公式推导可W得到：
[01 扣]
(2)
[0134] 此时最大后骑估计即简化为极大似然估计，相应的融合计算公式为：
[0135] (3)
[0136] (4)
[0137] 当传感器为一维时，且不考虑坐标变换，则式(3)与(4)可简化为：
[0138] 巧)
[0139] (6)
[0140] 进一步的，所述步骤E:
[0141] 注释:x[t]为经过组合预处理的含有突变特性的传感器信号。
[0142] S201:对信号x[t]所有局部极大值点和所有局部极小值点用=次样条函数进行插 值，并拟合上下包络线；
[0143] S202:求取上下包络线的平均值曲线祀（*)(* = 1、2、3-'111)，则采样信号义[*]与祀 (t)之差即为 Pi(t):Pi(t)=x[t]-Mi(t);
[0144] S203:如果Pi(t)同时满足下述IMF的两个条件，则其为第一个IMF分量，否则将其 作为原始信号重复 S201 到 S202,得到 Pii(t):Pii(t)=Pi(t)-Mn(t)，其中：Mii(t)为 Pi(t)的 上下包络线的平均曲线；
[0145] 所述IMF分量满足的两个条件为:整个时间历程内，穿越零点次数与极值点数相等 或至多相差1;信号上任意一点，由局部极大值定义的上包络线和局部极小值点定义的下包 络线的均值为0,即信号关于时间轴局部对称。
[0146] S204:重复上述步骤筛选，直到第k次筛选时由式（1)得到的Pik( t)满足IMF分量的 两个条件:Pik(t)=Pi(i-k)(t)-Mik(t) (1)
[0147] S205:除信号外，在实际计算时可W通过式(2)求取口限值Sd来判断每次筛选结果 是否为IMF分量：
[0148]
城
[0149] 其中:r为电力系统信号的采样点数，口限值Sd通常取0.2到0.3;
[0150] S206:令Ci(t)=Pik(t)，贝iJCi(t)即为第一个IMF分量，其包含了原信号x[t]中周期 最短的IMF分量。将Ci(t)从x[t]中分离出来:Ri(t)=x[t]-Ci(t);
[0151] S207:将Ri(t)作为新的值重复W上步骤S201至S20^次，可获得信号x[t]的n个 IMF 分量:Rn(t)=Rn-l(t)-Cn(t);
[0152] S208:当Rn(t)为单调函数从信号x[t]不能再分解出其他分量时，整个分解过程结 束。得到
[0153] 进一步的，所述步骤F:对传感器异常信号的主导IMF分量采用HHT变换得到瞬时频 率图和瞬时幅值图的具体步骤按照两种方案进行：
[0154] S301:将通过EMD分解后获得的所有IMF分量进行希尔伯特变换；给定C(t)的 Hi化e;rt形式为：
[0巧5]
其中，人为积分变量。
[0156] S302:构造一个解析信号Z(t):
[0157] Z(t)=C(t)+iH(t)=A(t)e"(t);
[015引 S303:幅值函数：
[0159] S304:幅角函数：
[0160] S305:瞬时频率：
[0161] 进一步的，所述步徽G:依据皿T变挟图中的突变点、幅值变化、瞬时频率走势特征 信息传感器突变参数进行检测和识别的过程为：
[0162] S306:对传感器中突变参数进行分类:骤降、骤升、谐波、脉冲。
[0163] S307:依据HHT图中针对不同的传感器异常信号的突变点、幅值变化W及瞬时频率 走势等特性信息不同，分类识别出传感器何时经历了何种突变。
[0164] 依据仿真试验对本发明进行介绍:利用MATLAB产生各种传感器突变信号(骤降、骤 升、谐波、脉冲），采样频率为1曲Z，采样点数1000，电压基波频率50化，绘制成表1。
[0166]
[0165] 表1电压扰动类型
[0167]
[0168] 依据表1不同传感器突变类型，并参照本发明进行仿真实验，图2至图5是本案例算 法的检测结果。
[0169] 从结果图2和图3可W看出：幅值和瞬时频率在0.45s和0.55s处发生跃变，瞬时频 率经历先缓慢上升再下降后维持一段平稳时间，然后再缓慢上升再下降，正常时刻瞬时频 率维持在50化左右;幅值先大幅度上升后经历一段平稳过程再大幅下降，由此表明此种异 常信号为骤降。而骤升异常信号特征信息刚好与骤降异常信号相反。利用上述不同的信息 可W很好的区别骤降、骤升传感器异常信号。
[0170] 从结果图4至图5可W看出：瞬时频率和幅值在某一时刻出现尖峰信息，对应于脉 冲异常信号；瞬时频率在某一段时间内；瞬时频率在某一时间段内，经历剧烈抖动，加之幅 值在同一时间段内先经历暂升后幅值剧烈变化后回归稳态，对应于谐波异常信号。
[0171] 综上所述:针对于不同的传感器异常信号，本算法可W检测出不同的瞬时频率和 幅值特征信息对应于不同的异常信号；可W将传感器异常信号精准分类，实现传感器突变 特性的自动分析。此算法系统辨识性好，便于硬件实现。
[0172] 本发明公开了一种基于同步的同质传感器突变参数识别方法，中央处理器WT秒 为采样周期，同质传感器(传感器观测的是同一物理现象)定时对被测信号进行采样和量化 并获得关于时间的数据序列X(N),将采样数据按周期进行截取，获得m个周期序列为：Yi (t)，Y2(t)，…Ym(t)，每个周期样本中包含了N个数据点，即Yl = [Xl(l)，Xl(2)，…Xl(N)]，其 中i = l，2,…，m。从每个周期序列各时刻点中抽取一个点值组成单一传感器多次测量的一 维数据序列，构造按周期同步构建的周期数据序列，即￥/(〇，￥2/(〇，-可/^*)，每组一维 数据序列中包括了m个数据点，即Yl/=[Xl(l)，X2(2)，…Xm(N)]。对得到的数据样本Yt'进行 基于极大似然估计和最小二乘法估计的优化组合预处理，用于指导电力系统周期采样数据 指导。对基于组合预处理的含有突变传感器信号采用经验模态分解得到各阶IMF模态分量； 对信号主导IMF分量采用希尔伯特一黄变换得到瞬时频率图和瞬时幅值图，依据HHT图中的 突变点、幅值变化、瞬时频率走势特征信息对传感器异常信号进行参数检测和识别。本发明 将不同类传感器进行无差别融合，得到等周期数据样本，消减不同传感器差异和信号采集 过程中的随机误差，提高传感器突变参数识别精度。
[0173] 装置实施例
[0174] -种基于同步的同质传感器突变参数识别装置，包括：
[0175] 模块A:中央处理器WT为采样周期，同质传感器定时对系统被测信号进行采样和 量化，并得到相同采样频率下的采样数据；
[0176] 模块B:将采样数据按周期进行截取，获得m个周期序列为:Yi(t)，Y2(t)，一Ym(t)， 每个周期样本中包含了N个数据点，即Yi=[Xi(l)，Xi(2)，…Xi(N)]，其中i = l，2，…，m;
[0177] 模块C:构造按周期同步构建的周期数据序列:将每个周期数据中各个时刻点数据 视为同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周 期的数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量 的一维数据序列，即构造了按周期同步构建的周期数据序列Y/(t)，Y2/(t)，???￥/N(t)，每组 一维数据序列中包括了m个数据点，即Y/= [Xi( 1)，拉(2)，-'Xm(N)];
[0178] 模块D:对数据样本Yt '进行基于极大似然估计预处理；
[0179] 模块E:对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶IMF分量；
[0180] 模块F:对传感器异常信号的主导IMF分量采用皿T变换得到瞬时频率图和瞬时幅 值图；
[0181] 模块G:依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息对传感器突 变参数进行检测和识别。
[0182] 本实施例中所指的装置实际上是实现上述方法实施例的软件构架，其中的各种模 块均为软件功能模块，存储与存储器中，由处理器执行。
[0183] W上给出了本发明设及的【具体实施方式】，但本发明不局限于所描述的实施方式。 在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技 术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现 的发明目的也基本相同，运样形成的技术方案是对上述实施例进行微调形成的，运种技术 方案仍落入本发明的保护范围内。
【主权项】
1. 一种基于同步的同质传感器突变参数识别方法，其特征在于，步骤如下： 步骤A:中央处理器以T为采样周期，同质传感器定时对系统被测信号进行采样和量化， 并得到相同采样频率下的采样数据； 步骤B:将采样数据按周期进行截取，获得m个周期序列为:￥1(〇八2(〇，-^〇，每个 周期样本中包含了 N个数据点，8吖1=[父1(1)，父1(2)，-71(?]，其中1 = 1，2，~，111; 步骤C:构造按周期同步构建的周期数据序列:将每个周期数据中各个时刻点数据视为 同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周期的 数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量的一 维数据序列，即构造了按周期同步构建的周期数据序列，···￥、(〇,每组一维 数据序列中包括了m个数据点，即Υ' 1= [XK1)，X2⑵，"_Xm(N)]; 步骤D:对数据样本V t进行基于极大似然估计的预处理； 步骤E:对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶頂F分量； 步骤F:对传感器异常信号的主导頂F分量采用HHT变换得到瞬时频率图和瞬时幅值图； 步骤G:依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息对传感器突变参 数进行检测和识别。2. 根据权利要求1所述的一种基于同步的同质传感器突变参数识别方法，其特征在于， 所述步骤D中，对数据样本V t进行基于极大似然估计的预处理的方式为： S101:假设在给定的时刻，待测环境特征为X，传感器的值为Y，则该传感器的测量模型 为:Y = f(X)+V其中，V是符合高斯分布的噪声项;所谓数据融合就是由N个传感器得到测量 值Yi、Y2、…、Yn，并按某种估计准则从这些测量值中得到特征参数X的最优估计； S102:寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小；取损失函数为 均匀损失：丨-u I、2 S103:在损失函数L的基础上，定义相应估计风险的函数R: 其中，p(x)、p(x|y)表示概率分布；， S104:取风险最小为估计准则，BP⑴ 得到符合式(1)的最优估计为S105:在具有N个传感器的系统中，相应的信息融合可以看作是在观测值…、Yn Λ 下，值X具有最大后验的估计为Χ(Τ) = argniaxXf I Μ,ζ,……D ; S106:为了求出最大后验估计，对所有可能参数X均采用p(x) = l，通过公式推导可以得 到：此时最大后验估计即简化为极大似然估计，相应的融合计算公式为： ?:1当传感器为一维时，且不考虑坐标变换，则式(3)与(4)简化为： /-1 ^ /设￥1、￥2、一、￥~分别是~个传感器相对应的测量值，按照最小二乘估计准则1是使误差函数，达到最小的Υ值，得： 2=13.根据权利要求2所述的一种基于同步的同质传感器突变参数识别方法，其特征在于， 所述步骤Ε中对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶頂F分量的过 程为： S201:对信号x[t]所有局部极大值点和所有局部极小值点用三次样条函数进行插值， 并拟合上下包络线;x[t]为经过组合预处理的含有突变特性的传感器信号； 3202:求取上下包络线的平均值曲线施(〇，丨=1、2、3'"111，则采样信号1[幻与施(〇之差 即为Pi (t): Pi (t) = X [ t ] _Mi (t); S203:如果Pi(t)同时满足下述IMF的两个条件，则其为第一个IMF分量，否则将其作为原 始信号重复S201到S202,得到？11(〇:?11(〇=? 1(〇^11(〇，其中：111(〇为？1(〇的上下包 络线的平均曲线； 所述IMF分量满足的两个条件为:整个时间历程内，穿越零点次数与极值点数相等或至 多相差1;信号上任意一点，由局部极大值定义的上包络线和局部极小值点定义的下包络线 的均值为〇,即信号关于时间轴局部对称； S204:重复上述步骤筛选，直到第k次筛选时由式（1)得到的Plk(t)满足頂F分量的两个 条件:Pik(t)=Pi(i-k)(t)_Mik(t) (1) S205:通过式(2)求取门限值SD来判断每次筛选结果是否为頂F分量： 其中：r为传感器信号的术忏好、m，丨3206:令(：1(〇=?11{(〇，则(：1(〇即为第一个〇^分量，其包含了原信号計幻中周期最短 的頂F分量;将&(〇从x[t]中分离出来 作为新的值重复以上步骤S201至S205n次，获得信号x[t]的η个MF分量： Rn(t) = Rn-l(t)-Cn(t)； S208:iRn(t)为单调函数从信号x[t]不能再分解出其他分量时，整个分解过程结束;得 到：4. 根据权利要求3所述的一种基于同步的同质传感器突变参数识别方法，其特征在于， 所述步骤F对传感器异常信号的主导IMF分量采用HHT变换得到瞬时频率图和瞬时幅值图的 过程为： S301:将通过EMD分解后获得的所有頂F分量进行希尔伯特变换;给定C(t)的Hilbert形 式为：其中，λ为积分变量； S302:构造一个解析信号Z(t): Z(t) = C(t)+iH(t) = A(t)e10(t);S303:幅值函数：....... S304:幅角函数S305:瞬时频率：5. 根据权利要求1-4中任一项所述的一种基于同步的同质传感器突变参数识别方法， 其特征在于，所述步骤G中依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息传 感器突变参数进行检测和识别的过程为： S306:对传感器中突变参数进行分类:骤降、骤升、谐波、脉冲； S307:依据HHT图中针对不同的传感器异常信号的突变点、幅值变化以及瞬时频率走势 等特性信息不同，分类识别出传感器何时经历了何种突变。6. -种基于同步的同质传感器突变参数识别装置，其特征在于，包括： 模块A:中央处理器以T为采样周期，同质传感器定时对系统被测信号进行采样和量化， 并得到相同采样频率下的采样数据； 模块B:将采样数据按周期进行截取，获得m个周期序列为:￥1(〇八2(〇，-^〇，每个 周期样本中包含了 N个数据点，8吖1=[父1(1)，父1(2)，-71(?]，其中1 = 1，2，~，111; 模块C:构造按周期同步构建的周期数据序列:将每个周期数据中各个时刻点数据视为 同步后的同一对象的多次测量结果，即各个周期对应时刻点数据为一个样本，多个周期的 数据中相对应时刻的每个点值即构成一个数据序列，从而可视为单一传感器多次测量的一 维数据序列，即构造了按周期同步构建的周期数据序列，···￥、(〇,每组一维 数据序列中包括了m个数据点，即Υ' 1= [XK1)，X2⑵，"_Xm(N)]; 模块D:对数据样本V t进行基于极大似然估计的预处理； 模块E:对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶頂F分量； 模块F:对传感器异常信号的主导頂F分量采用HHT变换得到瞬时频率图和瞬时幅值图； 模块G:依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息对传感器突变参 数进行检测和识别。7. 根据权利要求6所述的一种基于同步的同质传感器突变参数识别装置，其特征在于， 所述模块D中，对数据样本V t进行基于极大似然估计的优化组合预处理的方式为： S101:假设在给定的时刻，待测环境特征为X，传感器的值为Y，则该传感器的测量模型 为:Y = f(X)+V其中，V是符合高斯分布的噪声项;所谓数据融合就是由N个传感器得到测量 值Yi、Y2、…、Yn，并按某种估计准则从这些测量值中得到特征参数X的最优估计； S102:寻找合适的准则函数，即当X被估计为X(Y)时所产生的损失最小；取损失函数为 均匀损失：S103:在损失函数L的基础上，定义相应估计风险的函数R:其中，p(x)、p(x|y)表示概率分布； S104:取风险最小为估计准则，BP(1) 可以得到符合式(1)的最优估计(最大后验估计)为S105:在具有N个传感器的系统中，相应的信息融合可以看作是在观测值…、Yn 下，值X具有最大后验的估计为S106:为了求出最大后验估计，对所有可能参数X均采用p(x) = l，通过公式推导可以得 到：此时最大后验估计即简化为极大似然估计，相应的融合计算公式为：?-1 当传感器为一维时，且不考虑坐标变换，则式(3)与(4)可简化为：8.根据权利要求7所述的一种基于同步的同质传感器突变参数识别装置，其特征在于， 所述模块E中对基于组合预处理的含有突变传感器信号采用EMD分解得到各阶頂F分量的过 程为： S201:对信号x[t]所有局部极大值点和所有局部极小值点用三次样条函数进行插值， 并拟合上下包络线;x[t]为经过组合预处理的含有突变特性的传感器信号； 3202:求取上下包络线的平均值曲线施(〇，丨=1、2、3'"111，则采样信号1[幻与施(〇之差 即为Pi (t): Pi (t) = X [ t ] _Mi (t); S203:如果Pi(t)同时满足下述IMF的两个条件，则其为第一个IMF分量，否则将其作为原 始信号重复S201到S202,得到？11(〇:?11(〇=? 1(〇^11(〇，其中：111(〇为？1(〇的上下包 络线的平均曲线； 所述IMF分量满足的两个条件为:整个时间历程内，穿越零点次数与极值点数相等或至 多相差1;信号上任意一点，由局部极大值定义的上包络线和局部极小值点定义的下包络线 的均值为〇,即信号关于时间轴局部对称； S204:重复上述步骤筛选，直到第k次筛选时由式（1)得到的Plk(t)满足頂F分量的两个 条件:Pik(t)=Pi(i-k)(t)_Mik(t) (1) S205:除信号外，在实际计算时可以通过式(2)求取门限值SD来判断每次筛选结果是否 为IMF分量：其中：r为传感器信号的米样点数，门限值SD通常取0.2到0.3; 3206:令(：1(〇=?11{(〇，则(：1(〇即为第一个〇^分量，其包含了原信号計幻中周期最短 的頂F分量;将&(〇从x[t]中分离出来 作为新的值重复以上步骤S201至S205n次，获得信号x[t]的η个MF分量： Rn(t) = Rn-l(t)-Cn(t)； S208:iRn(t)为单调函数从信号x[t]不能再分解出其他分量时，整个分解过程结束;得 到9. 根据权利要求8所述的一种基于同步的同质传感器突变参数识别装置，其特征在于， 所述模块F对传感器异常信号的主导MF分量采用HHT变换得到瞬时频率图和瞬时幅值图的 过程为： S301:将通过EMD分解后获得的所有頂F分量进行希尔伯特变换;给定C(t)的Hilbert形 式为：其中，λ为积分变量； S302:构造一个解析信号Z(t): Z(t) = C(t)+iH(t) = A(t)e10(t); S303:幅值函数S304:幅角函数：v ^ v / / S305:瞬时频率10. 根据权利要求6-9中任一项所述的一种基于同步的同质传感器突变参数识别装置， 其特征在于，所述模块G中依据HHT变换图中的突变点、幅值变化、瞬时频率走势特征信息传 感器突变参数进行检测和识别的过程为： S306:对传感器中突变参数进行分类:骤降、骤升、谐波、脉冲； S30:依据HHT图中针对不同的传感器异常信号的突变点、幅值变化以及瞬时频率走势 等特性信息不同，分类识别出传感器何时经历了何种突变。
【文档编号】G01R35/00GK105954695SQ201610248401
【公开日】2016年9月21日
【申请日】2016年4月20日
【发明人】黄明山, 陈新春, 梅华, 王颖, 张灏, 李辉, 都正周, 歹志阳, 陈淘
【申请人】国家电网公司, 国网宁夏电力公司银川供电公司, 河南许继仪表有限公司, 许继集团有限公司