一种变压器故障行波降噪的方法与流程

本发明属于电力设备检测领域，涉及一种变压器故障行波降噪的方法。

背景技术：

变压器故障大多是由于绕组匝间短路引起的，近年来，行波分析法已在变压器匝间故障定位中广泛应用，但是行波属高频信号，变压器复杂的电磁环境会对行波造成污染，噪声也会影响定位效果，因此必须对行波采取降噪处理，这样才能更好地对故障进行分析。

经验模态分解法(emd)自适应强，能将信号分解为一系列从低频到高频的固有模态函数(imf)，但是分解不稳定且会导致模态混叠问题，而总体平均经验模式分解(eemd)虽能有效解决混叠问题，但是白噪声不能完全被中和，互补集合经验模态分解(ceemd)是以emd和eemd为基础的改进算法，可以进一步消除模态混叠和降低计算量，虽然ceemd对高频信号的模态分析效果较好，但对低频噪声的处理却有待改进。

技术实现要素：

有鉴于此，本发明的目的在于提供一种变压器故障行波降噪的方法，由于变压器在运行中会产生机械振动和噪声，当应用行波法对变压器故障进行分析时，噪声会对行波信号产生污染，因此本发明提出应用基于自相关函数的ceemd-sg降噪法对行波进行降噪处理，减少噪声对诊断结果的影响。

为达到上述目的，本发明提供如下技术方案：

一种变压器故障行波降噪的方法，该方法包括以下步骤：

s1：利用基于自相关函数的互补集合经验模态分解ceemd信号对变压器故行波高频部分降噪；

s2：利用sg(savitzky-golay)滤波器对变压器故障行波低频部分降噪；

s3：进行信号重构。

进一步，所述步骤s1具体为：

首先在原始信号中加入n对正负辅助白噪声，得到imf集合：

其中，m1、m2为加入白噪声后的信号，s为原始信号，n为辅助白噪声；

再对每个信号进行emd分解，每个信号得到一组imf分量，最终imf分量：

其中cij为第i个信号的第j个imf分量；判定需要去除高频噪声的imf分量分界点用峰宽占有率：

其中，d为波峰宽度，n为采样点数；根据信号的变化规律设定λd；对每个imf分量的峰宽占有率λ'd进行计算，当λ'd小于λd则为含有噪声的imf分量，当λ'd大于或等于λd则为有效imf分量；

参数设置：用ceemd对信号进行分解时需要确定分解次数和添加白噪声的幅值这两个参数；

自相关函数的定义为：

rx(t1,t2)＝e[x(t1)x(t2)]

按公式分别计算随机噪声n(t)与一般信号x(t)的自相关函数；归一化自相关函数，将信号缩放到-1与1之间：

ρx(t1,t2)＝rx(t1,t2)/rx(0)

其中，rx(0)为同一时刻信号的自相关函数值；

对噪声中峰宽占有率小于λd的imf分量进行阈值去噪，设定阈值门限：

其中，a为分解层数，σ为噪声标准方差，l为信号长度，median为matlab中求中位数的运算命令。

进一步，所述分解次数为百次时，幅值取原信号标准差的0.01～0.5倍。

进一步，所述步骤s2具体为：

用matlab中的sg滤波器函数：

y＝sgolayfilt(x,n,f)

其中x代表输入信号，n代表多项式拟合的阶数，f为奇数代表卷积时框架大小。

本发明的有益效果在于：本发明提出的将基于自相关系数的互补集合经验模态分解(ceemd)与savitzky-golay滤波器相结合的降噪方法，其中ceemd算法适用于处理非线性和非平稳的信号，能够很好的将信号分解，并消除模态重叠，应用自相关系数求取相关度，根据设定的阈值来滤除高频噪声，可以减少计算量，去噪效果更好。sg滤波可以针对信号中的难以辨别的低频噪声进行有效处理，再将处理后的信号合成原信号，这样将两种滤波方法相结合，能够同时对高低频噪声进行处理。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1所示，为一种变压器故障行波降噪的方法，该方法包括以下步骤：

s1：利用基于自相关函数的互补集合经验模态分解ceemd信号对变压器故行波高频部分降噪；

s2：利用sg(savitzky-golay)滤波器对变压器故障行波低频部分降噪；

s3：进行信号重构。

(1)ceemd信号去噪基本原理

首先在原始信号中加入n对正负辅助白噪声，得到imf集合：

其中，m1、m2为加入白噪声后的信号，s为原始信号，n为辅助白噪声。

再对每个信号进行emd分解，每个信号得到一组imf分量，最终imf分量：

其中cij为第i个信号的第j个imf分量。一般来说阶数小的imf分量含有原始信号的高频部分和噪声较多，而阶数大的imf分量则含有大部分的低频信号。判定需要去除高频噪声的imf分量分界点用峰宽占有率：

其中，d为波峰宽度，n为采样点数。根据信号的变化规律设定λd。对每个imf分量的峰宽占有率λ'd进行计算，当λ'd小于λd则为含有噪声的imf分量，当λ'd大于或等于λd则为有效imf分量。

参数设置：用ceemd对信号进行分解时需要确定分解次数和添加白噪声的幅值这两个参数，一般当分解次数为数百次时，幅值取原信号标准差的0.01～0.5倍。

(2)基于自相关函数的ceemd信号降噪

自相关函数的定义为：

rx(t1,t2)＝e[x(t1)x(t2)]

按公式分别计算随机噪声n(t)与一般信号x(t)的自相关函数。工程上通常采用归一化自相关函数，将信号缩放到-1与1之间：

ρx(t1,t2)＝rx(t1,t2)/rx(0)

其中，rx(0)为同一时刻信号的自相关函数值。

对一般信号来说，自相关函数在零点处取得最大值，在其他点逐渐衰减，而对噪声函数而言，自相关函数在零点处取最大值，在其他点则是迅速衰减为零。基于此种差异，对噪声中峰宽占有率小于λd的imf分量进行阈值去噪，设定阈值门限：

其中，a为分解层数，σ为噪声标准方差，l为信号长度，median为matlab中求中位数的运算命令。

(3)sg滤波器

基本原理是在确定包含某一点的时间阈内，对这个点采用最小二乘法拟合滤波的方法，其可以在滤除噪声的同时确保信号的形状和宽度不变，处理后的信号会变得光滑，与传统滤波器相比，其计算量小、无需确定滤波器的截止频率且能提高信噪比。

用matlab中的sg滤波器函数：

y＝sgolayfilt(x,n,f)

其中x代表输入信号，n代表多项式拟合的阶数，f为奇数代表卷积时框架大小。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。