基于CEEMD和模糊熵的MOA阻性电流提取方法

本发明属于图像处理，更具体地说，涉及一种基于ceemd和模糊熵的moa阻性电流提取方法。

背景技术：

1、金属氧化物避雷器(moa)作为电力系统中的重要设备，广泛应用于防护雷电过电压和操作过电压，以确保系统的安全运行。然而，moa在线运行过程中会受到多种因素的影响，包括雷电过电压、操作过电压、温湿度、化学污染和污秽等外部环境因素。随着时间的推移，moa可能会发生老化劣化现象，常见表现为压敏电压降低、泄漏电流增加以及伏安特性曲线的变化。在严重情况下，还可能出现热失控现象，严重影响moa的性能以及整个系统的安全性。为了预防moa老化对系统的影响，人们开始研究并提出了在线监测技术，以解决moa老化监测的问题。通过在线监测技术，可以实时、准确地监测moa的工作状态和性能指标，及时发现问题并采取相应措施。与传统的预防性试验相比，在线监测技术不仅可以提高工作效率，还可以减少对moa的破坏，并降低维护成本。

2、moa阻性电流提取方法有多种，比如《moa谐波阻性电流补偿算法的研究》(《高压电器》(2013))中的阻性电流谐波补偿法，但是该方法只能提取基波电压的阻性电流，而《在线监测氧化锌避雷器的容性电流补偿法》(《高电压技术》(2000))提出的容性电流补偿法通过分解出容性电流来提取阻性泄漏电流，此法虽然考虑了电压谐波，但是结果有明显的误差

3、因此亟需发明一种新的moa阻性电流提取方法。

技术实现思路

1、本发明的目的是解决现有技术存在的问题，因此本发明提供了本发明提供了一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition，ceemd)和模糊熵的金属氧化物避雷器(metal oxide arrester，moa)阻性电流处理方法。该方法结合ceemd的电流信号分解精度高和模糊熵稳定性强的特点，可有效消除高频噪声、白噪声、随机脉冲等干扰对moa阻性电流的影响，进而准确提取moa中的故障电流信号，并对其进行准确的识别和分类，从而实现对moa的状态监测和故障诊断。

2、实现本发明目的的技术方案是提供一种雷暴预测方法，包括以下步骤：

3、s1.moa信号收集；

4、s2.数据预处理；

5、s3.ceemd分解；

6、s4.模糊熵计算；

7、s5.特征分类和识别。

8、进一步的，s1具体包括如下步骤：利用传感器收集moa的电流信号。

9、进一步的，s2具体包括如下步骤：将s1收集的moa的电流信号进行预处理，去除噪声和干扰电流信号。

10、进一步的，s3具体包括如下步骤：利用ceemd对s2预处理后的moa电流信号进行分解，得到若干个固有模态函数分量；ceemd电流信号分解的运算流程如下：

11、s31.将聚合次数m和白噪声幅值k分别进行初始化处理，令i＝1；

12、s32.将第i次添加白噪音ni(t)后的电流信号作emd分解处理，将一对幅值相等、符号相反的白噪声添加到原始电流信号x(t)中，得到加入正噪声的pi(t)序列，以及加入负噪声的ni(t)序列；

13、

14、第i次加入白噪音后的电流信号pi(t)和ni（t)分别做emd分解处理，获得q个imf分量：

15、

16、其中，和为第i次分解得到的第j个imf分量；q为imf分量的个数，和第i次emd分解得到的余量；j＝1，2，…，q；

17、s33.若i＜m，令i＝i+1，循环运行步骤s32，每次实验时添加不同幅值的白噪声；

18、s34.求出m次emd分解得到的所有对应imf分量和以及余项和的总体平均值：

19、

20、其中，cj(t)为ceemd分解获得的第j个imf分量；r(t)为最终残余分量；因此，原始电流信号可以表示为：

21、

22、进一步的，s4具体包括如下步骤：对s3分解得到的每个imf分量进行模糊熵计算，得到相应的模糊熵特征；模糊熵运算流程如下：

23、假设长度为n的初始电流信号序列是{u(i)：i＝1，2，…，n}

24、s41.给定模式维数m，利用原电流信号序列构造m维向量，得到：

25、

26、

27、其中，u0i为电流信号序列从第i点开始的连续m个u的均值；

28、s42.定义向量和其它向量两者之间的距离为两向量对应元素中差值最大的一个，记作：

29、

30、s43.采用混沌伪随机序列复杂度预测的模糊隶属函数μ(x，n，r)来定义和的相似度：

31、

32、其中，模糊隶属函数为指数函数，n和r分别为相似容限边界的梯度和宽度；

33、s44.定义函数

34、s45.令m＝m+1，重复步骤s41至s44得到φm+1(n，m，n，r)；

35、s46.得到理想的模糊熵为：

36、

37、考虑到实际应用中n一般取有限值，故可表示为：

38、h(n，m，n，r)＝lnφm-lnφm   (10)。

39、进一步的，s5具体包括如下步骤：根据s4计算得到的模糊熵值提取出每个imf的特征；根据每个imf的特征对moa的电流信号进行分类和识别。

40、根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明的基于ceemd和模糊熵的moa阻性电流提取方法中的步骤。

41、根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的基于ceemd和模糊熵的moa阻性电流提取方法中的步骤。

42、相比于现有技术，本发明至少具有如下有益效果：

43、优化imf选取：模糊熵可以用来评估每个imf的复杂性，通过选择模糊熵较大的imf，可以更好地保留信号的重要信息。

44、降低伪模态函数的影响：模糊熵可以用来评估imf的非线性特性，通过排除模糊熵较小的imf，可以减少伪模态函数对分解结果的影响。

45、提高信号分解的准确性：通过结合ceemd与模糊熵，可以更好地抑制噪声、降低伪周期现象，并提高信号分解的准确性。

技术特征：

1.一种基于ceemd和模糊熵的moa阻性电流提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，s1具体包括如下步骤：利用传感器收集moa的电流信号。

3.根据权利要求1所述的方法，其特征在于，s2具体包括如下步骤：将s1收集的moa的电流信号进行预处理，去除噪声和干扰电流信号。

4.根据权利要求1所述的方法，其特征在于，s3具体包括如下步骤：利用ceemd对s2预处理后的moa电流信号进行分解，得到若干个固有模态函数分量；ceemd电流信号分解的运算流程如下：

5.根据权利要求1所述的方法，其特征在于，s4具体包括如下步骤：对s3分解得到的每个imf分量进行模糊熵计算，得到相应的模糊熵特征；模糊熵运算流程如下：

6.根据权利要求1所述的方法，其特征在于，s5具体包括如下步骤：根据s4计算得到的模糊熵值提取出每个imf的特征；根据每个imf的特征对moa的电流信号进行分类和识别。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～6中任一项所述的基于ceemd和模糊熵的moa阻性电流提取方法中的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的基于ceemd和模糊熵的moa阻性电流提取方法中的步骤。

技术总结
本发明公开了一种基于CEEMD和模糊熵的MOA阻性电流提取方法，包括如下步骤：MOA信号收集；数据预处理；CEEMD分解；模糊熵计算；特征分类和识别。本发明可有效消除高频噪声、白噪声、随机脉冲等干扰对MOA阻性电流的影响，进而准确提取MOA中的故障电流信号，并对其进行准确的识别和分类，从而实现对MOA的状态监测和故障诊断。

技术研发人员：马子龙,蒋如斌,马达,华亮,张鸿波,汪凌
受保护的技术使用者：南通大学
技术研发日：
技术公布日：2024/4/17