基于EEMD的水电机组信号分解和频谱分析

冯源，葛新峰，潘天航，郑源

(1.云南电网公司电力研究院，昆明 650217；2.河海大学能源与电气学院，南京 210098)

基于EEMD的水电机组信号分解和频谱分析

冯源1，葛新峰2，潘天航2，郑源2

(1.云南电网公司电力研究院，昆明 650217；2.河海大学能源与电气学院，南京 210098)

采用集合经验模态分解EEMD方法对水电机组多个信号进行分析，结果表明，EEMD分解能够将水电机组信号分解成不同频域内IMF分量分解，各IMF分量与现场振源有一定的关联，具有直观的物理意义，同时对不同工况的信号进行对比分析。

水电机组；EEMD分解；EMD分解；IMF分量

0 前言

1998年，Norden E.Huang[1]提出了一种新的信号处理方法即经验模态分解 (Empirical Mode Decomposition，简称EMD)方法，本质上该方法是对一个信号进行平稳化处理，将信号中不同尺度的波动或趋势逐级分解开来，得到了一系列具有不同特征尺度的数据系列，每个序列称为一个固有模态函数IMF(Intrinsic Mode Function)分量[2]，同时每个模态函数应该具有一定的物理含义，每个IMF为单分量的幅值或频率调制信号。每个IMF应该满足以下两个条件：首先，在整个数据段内，极值点的个数和过零点的个数必须相等或最多相差一个；其次，信号上任意一点，由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值均为零，即信号关于时间轴为局部对称[3]。但是EMD分解有一定的缺点即容易产生模态混叠，模式混叠是指一个IMF中包含差异极大的特征时间尺度，或者相近的特征时间尺度分布在不同的IMF中，导致相邻的2个IMF波形混叠，即信号的平稳化处理效果比较差。

EEMD即集合经验模态分解方法 (ensemble empirical mode decomposition，EEMD)其分解的基本思想比较简单，就是依据所添加白噪声信号能够均匀填充整个时频空间的特性，使信号的不同频率尺度能被自动投影到由白噪声所建立的均匀空间的相应频率尺度上，最后通过多次重复取整体平均的方式消除所添加的白噪声成分，来促使待分解信号中的本征模态函数的自然分离，以去除模态混叠，是EMD一种改进。

在集合经验模态分解过程中有两个参数需要确定：即整体重复的执行次数M和随机白噪声的强度参数α。Wang和Huang建议，白噪声的强度参数α取待分解信号标准差的0.2倍[4]。但这不是适合所有情况也需要根据情况而定，一般地，当信号的主要成分为高频时，α的取值应比较小；当信号的主要成分为低频时，α的取值应比较大一些，α的取值越小则误差越小，然而过小会降低消减端点效应和模态混叠的效果。因此，为了充分发挥EEMD分解的效力，所添加的白噪声强度不应过小，但是增加白噪声也会产生一定的误差，通过增加M值 (整体重复执行次数)会将减少添加白噪声所引起的误差，一般M取几百会得到较好的结果[5]。

1 实例分解

以国内某水电站实验采集信号为例，该机组额定功率为300 MW，采样频率为500 Hz，转动频率2.2 Hz。采用EEMD分析方法对上导摆度+ x、水导摆度+x、上机架水平+x、蜗壳差压四个测点的信号进行两种工况 (210 MW、240MW)进行模态分解。其中白噪声的强度参数α和重复的执行次数M分布取0.2，100。

如图1-4为上导摆度+x和上机架水平+x不同工况各IMF(a1-a6)时频图。从各IMF分量的时域图可以，分解后的IMF分量比较平稳，特别是低频的IMF分量信号非常平滑。而水电机组主要为低频信号，说明EEMD信号分解比较适合于水电机组现场数据的分解。对各IMF分量进行FFT频谱分析为各图中 (b1-b6)。图中 (a7)和(b7)为原始信号的时域图和FFT频谱图。

表1、2为四个测点在210 MW、240 MW的IMF时频统计分析信息。

表1 上导摆度+x和上导摆度+x各IMF频谱统计表

表2 上导摆度+x和上导摆度+x各IMF频谱统计表

图1 上导摆度+x各IMF频谱 (210MW)

图2 上导摆度+x各IMF频谱 (240MW)

2 数据分析

从图1～4中可以看出，EEMD可以较好的将水电机组的信号分解，将前六层IMF列出。IMF1～IMF6的依次从高频到低频，如图1～4中IMF5的信号主频为约位于2.2 Hz，很显然这一频率成分对应转动频率。如图3、4中IMF1、IMF2的信号主频为50 HZ及其倍频，50 HZ是我国公共电力网频率。这说明EEMD分解的经验模态分量具有实际的物理含义，与现场激频相对应。

如图3、4中IMF1、IMF2的信号含有明显50 HZ及其倍频，但是其幅值相对小，在原信号分析中根本看不出来，但是通过EEMD分解可以分解出来，这说明EEMD分解具有将现场激频信号放大的功能，当其幅值较大的时候容易引起磁拉力不平衡，造成机组振动。

通过对两种不同工况即：第一个运行工况时210 MW，第二个运行工况为240 MW，设计工况300 MW。对比这两个工况下的不同IMF1频谱分析得知，在240 MW工况下一些低频信号的幅度值明显下降，如表2中蜗壳水压中IMF6，这也和原信号的频率幅度下降时一致的。这和实际运行工况也是一致的，因为240 MW离设计工况比较近，在该工况下运行时，各状态参数的一般是要小一些。

3 结束语

文章采用改进后的经验模态分解EEMD对现场采集的信号进行了实例分析。通过分析得知：

1)分解后的IMF分量比较平稳，特别是低频的IMF分量信号非常平滑。而水电机组主要为低频信号，说明EEMD信号分解比较适合于水电机组现场数据的分解。

2)EEMD分解的经验模态分量IMF具有实际的物理含义，与现场激频相对应。

3)EEMD分解具有将现场激频信号放大的功能，克服了 FFT变化不容易发现的一些淹没频率。

图3 上机架水平+x各IMF频谱 (210MW)

图4 上机架水平+xIMF频谱 (240MW)

4)两种不同工况下各IMF频谱变化与实际运行工况也是一致的。

[1] Norden E.Huang，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society，1998，454(1971)：903～905.

[2] 胡小林.Hilbert-Huang变换的改进及其在机械故障特征提取中的应用 [D].重庆：重庆大学，2010.

[3] 范德功.基于希尔伯特-黄变换机械故障诊断的研究 [D] .河北：华北电力大学，2006.

[4] Wu，Z.，Huang，N.E.Ensemble empirical mode decomposi-tion：a noise-assisted data analysis method.Advances in adaptive data analysis，2009，1(01)：1-41.

[5] 张孝远.融合支持向量机的水电机组混合智能故障诊断研究 [D].华中科技大学，2012.

Research on Hydroelectric Generating Signals Decomposition and Spectrum Analysis Base on EEMD

FENG Yuan1，GE Xinfeng2，PAN Tianhang2，ZHENG Yuan2
(1.Yunnan Electric Power Research Institute，Kunming 650217；2.School of Energy and Electric，Hehai University，Nanjing 210098)

using EEMD method(ensemble empirical mode decomposition)to analysis multiple signals of hydroelectric generating，the results show that，EEMD decomposition can decompose hydroelectric generating signals to different frequency domain IMF component decomposition，each IMF component have a certain correlation the field source，with intuitive physical meaning，at the same time，the signals of different condition carries on the contrast analysis.

hydropower unit；EEMD decomposition；EMD decomposition；IMF component

TM73

B

1006-7345(2014)05-0077-04

2014-06-05

冯源 (1983)，男，硕士，工程师，云南电网公司电力研究院，研究方向为水电机组状态监测和故障诊断 (e-mail) fengyuan1678＠163.com。

云南电网公司科技项目 (K-YN2012-452)和江苏省博士后基金 (1102072c)