抑制局放信号混合噪声的新方法，去噪效果好，应用价值高

参会注册

长按识别左侧二维码，登录报名网站（先注册网站会员，然后提交报名信息）

会议微信号

摘要

四川大学电气信息学院、国网重庆市电力公司电力科学研究院、国网四川省电力公司技能培训中心的研究人员周凯、黄永禄、谢敏、何珉、赵世林，在2019年第11期《电工技术学报》上撰文指出（论文标题为“短时奇异值分解用于局放信号混合噪声抑制”），电缆终端局部放电检测是诊断电缆终端绝缘状态的有效手段。

为了有效抑制局放信号中的多种噪声源并保留局放信号的细节，提出了一种基于短时奇异值分解的局放信号混合噪声抑制方法。该方法首先利用短时滑动数据窗截取含噪局放信号片段进行奇异值分解，然后利用最优奇异值阈值对周期性窄带干扰进行甄别重构，并进行混合噪声的抑制。对含有混合噪声的局放仿真信号和实验室及现场实测局放信号进行去噪，并将去噪结果与自适应奇异值分解、形态学小波综合滤波器去噪结果进行对比。

结果表明：所提去噪方法相比于自适应奇异值分解、形态学小波综合滤波器去噪能取得更好的去噪效果，去噪后波形相似度更高，误差更小，且当数据量较大时，该方法相比于自适应奇异值去噪能显著提高执行效率，具有较好的应用价值。

电缆终端是电缆线路的重要组成部分，集绝缘、电场应力控制、屏蔽等功能于一体，内部结构复杂，因而运行故障多发。其中局部放电（Partial Discharge,PD,简称“局放”）检测是电缆终端绝缘老化诊断的重要手段之一。

然而在电缆终端的局放检测过程中，由于现场电磁环境极其复杂，而实际的局放信号又极其微弱，因此实际检测得到的局放信号常常被湮没在强烈的噪声之中，从而降低局放检测系统的检测灵敏度，影响检测结果。因此，有效抑制局放中存在的噪声干扰是提高局放信号检出率的重要步骤之一。

以往的研究者在噪声抑制上做出了大量的贡献，如在白噪声干扰、周期性窄带干扰、尖峰干扰抑制等方面取得良好效果。其中，基于小波变换（Wavelet Transform,WT）的去噪方法在局放信号白噪声抑制领域得到了广泛的应用。

然而由于局放信号的多样性，在去噪过程中难以选择完全适合局放脉冲波形的小波基函数，并且小波变换也存在分解尺度及阈值选择不唯一等问题。为了解决小波变换存在的分解尺度不唯一问题，文献[5,12]提出利用经验模态分解（Empirical Mode Decomposition,EMD）实现了局放信号白噪声抑制，但EMD方法仍存在模态混叠、端点效应及阈值选择不唯一等问题。

为了有效地抑制周期性窄带干扰，大多数研究者首先利用某种选择策略进行周期性窄带干扰甄别，然后利用滤波器、谱抑制等方法进行干扰抑制，然而该方法的前提是要预先假设信号中含有周期性窄带干扰。

文献[11]提出了一种基于稀疏分解的噪声抑制方法，该方法虽然能实现白噪声和周期性窄带干扰的同时抑制，但需要建立准确的原子库且运算速度相对较慢。对于尖峰干扰，由于其分布与局放脉冲有着明显的不同，且在时域上具有一定的规律，因此可利用模式识别方法进行抑制。

除了上述去噪方法外，奇异值分解（Singular Value Decomposition,SVD）也是一种有效的噪声抑制方法，通过选择合适的有效奇异值数量可实现白噪声和周期性窄带干扰的抑制。然而，在实际应用中，有效奇异值数量通常难以选取（受人为因素影响），且对整个测试数据进行奇异值分解往往需要耗费大量的时间，不适合对处理速度要求较高的场合，因此该方法的应用也受到一定的限制。

针对上述局放信号噪声抑制方法存在的问题，本文在已有研究的基础上，首次提出利用短时奇异值分解（Short-Time Singular Value Decomposition,STSVD），在无需预先假设信号中含有周期性窄带干扰的条件下，实现局放信号的白噪声和周期性窄带干扰自动抑制。

该方法利用滑动短时数据窗截取含噪局放信号片段，并利用最优奇异值阈值确定含噪局放信号片段的有效奇异值数量，从而自动地实现含噪局放信号周期性窄带干扰的甄别和混合噪声的抑制。

采用本文去噪方法、自适应奇异值分解（Adaptive Singular Value Decomposition,ASVD）及形态学小波综合滤波器（Morphology-Wavelet Filter,MWF）对仿真和实测含噪局放信号进行去噪处理，结果表明本文去噪方法能够有效地对局放信号的多种噪声源进行抑制。

图6  局放检测平台原理

总结

本文提出了一种基于短时奇异值分解的局放信号混合噪声抑制方法，所得结论如下：

  • 1）结合短时滑动数据窗技术及最优奇异值阈值准则，STSVD无需预先假设信号中含有周期性窄带干扰即可实现局放信号的白噪声和周期性窄带干扰自动抑制。

  • 2）对仿真和实测同时含有白噪声和周期性窄带干扰混合噪声的局放信号进行去噪处理，由去噪结果可知，STSVD去噪效果优于相比较的ASVD和MWF。

  • 3）由仿真结果可知，STSVD参数选择具有较强的鲁棒性，在较宽的范围内仍能取得很好的去噪效果。

  • 4）不同于ASVD，STSVD通过短时数据窗截取信号片段，极大地减小了信号分析窗口长度，当数据量较大时能显著提高执行效率。

赞 (0)

相关推荐