基于EMD模态分解的断路器线圈短路检测信号去噪方法研究

陆昕彭彦军孙春树滕本科蒋卫董海亮

摘要：小波变换是去噪领域最常用的一种去噪方法，但是由于使用过程中小波基选取困难的问题，使小波变换缺乏自适应性。本文介绍一种基于经验模态分解的去噪新方法，用于对高压断路器在线监测信号的降噪处理，并与小波变换的去噪结果进行对比分析。仿真结果及数据表明：与小波变换相比，经验模态分解去噪的信噪比平均提高率为35%，平滑度的平均提高率为85%，噪声抑制比的平均提高率97%，这一结果验证了经验模态分解去噪的有效性与可靠性。

关键词：断路器；经验模态分解；降噪

0引言

随着电力系统快速发展，人们对供电质量的要求也越来越高，因此保证电力设备的安全运行越来越重要。高压电力设备是电力系统的基本组成元件，也是保证电力系统运行可靠性的基础。高压断路器在电网中起到控制和保护的作用，是电力系统中最重要的的控制和保护设备，即根据电网运行的需要用它来安全、可靠的投入或切除相应的线路或电气设备[1]。

高压断路器状态监测是个综合检测技术、数字信号处理、模式识别的跨学科的热点问题，其核心功能是对断路器动作过程信息采集并录波，再提取关键特征参量，并与标准指标或历史指标比对，得出对断路器的状态诊断[2]。断路器在开断过程中，伴随着强烈的振动、声响以及电磁干扰，采集信号中也混杂着各种各样的噪声干扰，如何在分布式现场监测装置中实现在强噪声背景下的特征参量提取，对于提高断路器在线监测的实用性是至关重要的[3-5]。因此消噪是对断路器在线监测信号进行处理前的一种必要的预处理手段。

本文主要介绍一种基于经验模态分解(EmpiricalModeDecoposition,EMD)的信号去噪新方法，并将其应用于高压断路器在线监测信号的去噪中，与小波变换的去噪结果进行对比分析。仿真结果显示：断路器跳闸的振动信号，小波变换去噪的信噪比、平滑度、噪声抑制比分别为29.2556dB、0.0444、1.8196，经验模态分解去噪的信噪比、平滑度、噪声抑制比分别为36.4360dB、0.0239、3.5817，三个参数的提高率分别为：25%、86%、97%；断路器跳闸的行程信号，小波变换去噪的信噪比、平滑度、噪声抑制比分别为16.4366dB、0.0019、1.2803，经验模态分解去噪的信噪比、平滑度、噪声抑制比分别为23.8324dB、0.0003、2.5475，三个参数的提高率分别为：45%、84%、98%。

1经验模态分解（EMD）

美国国家宇航局NordenE.Huang等人于1998年创造性地提出了经验模态分解方法(EmpiricalModeDecoposition,EMD)，它是一种新型的自适应信号时频处理方法，特别适用于非线性、非平稳信号的分析处理[6]。

EMD分解主要思想是将原信号分解为许多的窄带分量，每一个分量被称为本征模态函数（IntrinicModeFunction,IMF），即原信号的分解结果是由若干个本征信号函数（IMF）和一个残余信号组成：

(1)

通过分解得到该组IMF可方便地对信号不同成分进行操作，同时还可从信号本身尺度特征出发，对分解的某些IMF分量进行组合，构成高通、低通、带通滤波器以消除噪声或进行特定的分析[7,8]。

2基于EMD的去噪算法

EMD方法在各领域已有较广应用[9-11]，常见如电磁信号降噪中的应用[12,13]，振动信号处理中的应用[14,15]，这些都说明了经验模态分解的有效性。但利用EMD方法对断路器在线监测信号进行处理的相关报道比较少，所以利用EMD方法的断路器监测信号去噪对高压断路器的故障诊断具有较大研究意义和实用价值。

李娟利用小波变换方法从背景噪声中提取断路器行程与振动信号的特征指纹，通过实验数据验证了该方法的有效性，但是小波基选取对去噪效果有很大的影响，因此基于小波去噪的方法缺乏自适应性。孙银山，张文涛等人利用小波分析与时域求极值点相结合的方法获取高压断路器电流信号的特征信号，利用小波分析的软阈值对整个断路器动作信号进行了去噪，但是文中小波基的选取均是基于大量实验的统计值，影响了整个算法的自适应性。

基于多分辨的EMD在吸取了小波变换优势的同时，克服了小波变换使用中的选择小波基难的问题，从而可以更方便的来对非平稳信号进行滤波和去噪。

基于EMD的去噪思想是[8,17]：信号经EMD分解后得到有限个频率从高到低的IMF，其中阶数小的IMF对应于信号的高频成分,一般包含的是信号尖锐部分或噪声；阶数大的IMF对应于信号的低频成分，一般认为低频成分中噪声影响很小。基于EMD去噪的主要思想就在于，对大多数被噪声污染的信号，其主要能量集中在低频段，越往高频段，其含有的能量就越少。因此，一定存在某个IMFk分量，使得对于该分量之后的IMFk+1中信号为主导模态，而其前述k个IMF中噪声为主导模态。所以EMD滤波去噪的主要目的就是寻找到这个IMFk。

本文采用Boudraa提出的基于连续均方误差准则的EMD去噪方法，均方误差计算公式如下：

（2）

该去噪方法首要的是找到公式（2）对应的噪声能量分布突变的第k个IMF分量，即找到IMF能量的全局最小值位置为噪声与信号分别起主导作用的分界点。然后对k之前噪声起主导作用的IMF分量进行小波阈值的去噪处理，k之后信号起主导作用的IMF分量保持不变，最后利用所有IMF分量进行信号的重构。

（3）

其中，分界点K定义为：

（4）

基于连续均方误差准则的EMD去噪方法步骤如下：

1）含噪信号的EMD分解，得到N个IMF模态分量；

2）分别计算连续两个IMF分量的均方误差CMSE(imfk,imfk+1)；

3）根据均方误差的能量分布特点，判断确定噪声与信号分别起主导作用的分界点k；

4）对噪声起主导模态的前k个IMF分量进行小波软阈值处理，得到去噪后的IMF分量；

5）重构信号，得到最终EMD去噪信号。

3实验分析

下文采用EMD去噪新方法对断路器工程监测信号进行去噪仿真，图1和图2分别为某类型高压断路器跳闸操作的振动信号和行程信号。

断路器分合闸操作过程中的振动信号是一个包含着丰富的工作状态信息和故障特征信息的载体，通过对振动信号进行特征分析，可以提取出高压断路器的状态特征，识别振动事件，找出故障源[18-20]。

断路器跳闸的时间行程特性曲线是表征高压断路器的机械特性的重要载体，波形中蕴含多种信息，包括分合闸时间、同期性、速度、弹跳以及行程信号等。

由此可知，对振动信号的有效降噪会直接影响断路器故障诊断的正确率和故障识别率。下面仿真分别采用db6小波基的小波阈值去噪方法和基于经验模态分解（EMD）的去噪方法进行去噪，得到的去噪波形分别见图3~图6所示。

图1断路器跳闸的振动信号

Fig1Vibrationsignalofcircuitbreakertrip

对比图3与图4、图5与图6，可明显看到，EMD去噪方法最大程度的抑制了白噪声，同时也没有对信号的振幅能量造成损失，完整了保留了信号的波形特征，这对于后续的特征提取及故障诊断有着非常重要的意义。

表1给出振动信号去噪参数显示，小波变换去噪的信噪比、平滑度、噪声抑制比分别为29.2556dB、0.0444、1.8196，经验模态分解去噪的信噪比、平滑度、噪声抑制比分别为36.4360dB、0.0239、3.5817，三个参数的提高率分别为：25%、86%、97%；表2给出行程信号的去噪参数显示，小波变换去噪的信噪比、平滑度、噪声抑制比分别为16.4366dB、0.0019、1.2803，经验模态分解去噪的信噪比、平滑度、噪声抑制比分别为23.8324dB、0.0003、2.5475，三个参数的提高率分别为：45%、84%、98%。

图2断路器跳闸的行程信号

Fig2Tripsignalofcircuitbreakertrip

图3小波变换的去噪波形

Fig3Denoisingwaveformofwavelettransform

图4基于EMD的去噪波形

Fig4DenoisingwaveformbasedonEMD

表1断路器振动信号的去噪评价参数

表2断路器行程信号的去噪评价参数

图5小波变换的去噪波形

Fig5Denoisingwaveformofwavelettransform

图6基于EMD的去噪波形

Fig6DenoisingwaveformbasedonEMD

4、结论

本文介绍了一种基于经验模态分解（EMD）的去噪新方法，利用该方法实现对断路器故障诊断信号进行去噪处理，并与最为常用的小波变换的去噪方法做了比较，根据仿真结果及实验数据分析可知，相比较小波变换，基于EMD分解的去噪方法信噪比平均提高率为35%，平滑度提高率为85%，噪声抑制比平均提高率97%。

参考文献

[1]卞皓玮.高压断路器在线监测与故障诊断系统研究[D].扬州大学,2012.

[2]李娟,焦邵华.基于DSP的高压断路器在线监测装置[J].电力自动化设备,2004,24(8)：44-46.

[3]李娟.高压断路器在线监测信号的小波处理方法[J].北京信息科技大学学报,2007,22(1)：19-22.

[4]董越.SF6高压断路器在线监测及振动信号的分析[D].上海交通大学,2008.

[5]李斌,李爽,鲁旭臣.高压断路器机械特性振动信号特征提取和故障诊断方法研究[J].高压电器,2015(10)：138-144.

[6]HuangNE.TheEmpiricalModeDecompositionandtheHilbertSpectrumforNonlinearandNon-StationaryTimeSeriesAnalysis[J].Proceedings:Mathematical,PhysicalandEngineeringSciences,1998,454(1971):903-995.

[7]穆峰,蒋沁宇.改进EMD滤波算法在信号去噪中的应用[J].智慧工厂,2015(3)：90-93.

[8]王婷.EMD算法研究及其在信号去噪中的应用[D].哈尔滨工程大学,2010.

[9]ZengK,HeM.Asimpleboundaryprocesstechniqueforempiricalmodedecomposition[C].GeoscienceandRemoteSensingSymposium,2004.IGARSS'04.Proceedings.2004IEEEInternational.IEEE,2004:4258-4261.

[10]ChatlaniN,SoraghanJJ.SpeechEnhancementusingAdaptiveEmpiricalModeDecomposition[C].DigitalSignalProcessing,200916thInternationalConferenceon.IEEE,2009:1-6.

[11]DauwelsJ,RutkowskiTM,VialatteF,etal.Onthesynchronyofempiricalmodedecompositionswithapplicationtoelectroencephalography[C].Acoustics,SpeechandSignalProcessing,2008.ICASSP2008.IEEEInternationalConferenceon.IEEE,2008:473-476.

[12]徐婷,常凯,王会武等.EMD算法在低温超导瞬变电磁噪声抑制中的应用[J].低温物理学报,2014,36(5)：401-404.

[13]戴吾蛟,丁晓利,朱建军等.基于经验模式分解的滤波去噪法及其在GPS多路径效应中的应用[J].测绘学报,2006,35(4)：321-327.

[14]李夕兵,张义平,左宇军等.岩石爆破振动信号的EMD滤波与消噪[J].中南大学学报(自然科学版),2006,37(1)：150-154.

[15]胡爱军,唐贵基,安连锁.基于数学形态学的旋转机械振动信号降噪方法[J].机械工程学报,2006,42(4)：127-130.

[16]孙银山,张文涛,张一茗等.高压断路器分合闸线圈电流信号特征提取与故障判别方法研究[J].高压电器,2015(9)：134-139.

[17]马宏伟,张大伟,曹现刚等.基于EMD的振动信号去噪方法研究[J].振动与冲击,2016,35(22)：38-40.

[18]李斌,李爽,鲁旭臣.高压断路器机械性振动信号特征提取和故障诊断方法研究[J].高压电器,2015,51（10）：138-144.

[19]曾庆军,林燕侠,赵洋.断路器机械特性在线监测与振动信号特征提取[J].华中科技大学学报：自然科学版,2009(S1)：118-121.

[20]关永刚,黄瑜珑,钱家骊.基于振动信号的高压断路器机械故障诊断[J].高电压技术,2000,26(3)：66-68.

[21]付超.高压断路器机械振动信号分析及故障诊断技术的研究[D].河北工业大学,2016.