基于HHT的船舶综合电力系统故障时间定位新方法

2017-10-14毋恒先施伟锋卓金宝

船电技术 2017年8期

毋恒先，施伟锋，卓金宝，张威

毋恒先，施伟锋，卓金宝，张威

（上海海事大学，上海 201306）

针对强噪声环境下船舶综合电力系统故障时间定位精度不高的问题，提出一种基于Hilbert-Huang变换（HHT）和自适应软阈值法的船舶综合电力系统故障时间定位新方法。首先，电能信号经EMD分解为若干固有模态函数（IMF），对第一个IMF分量进行Hilbert变换得到其瞬时幅值向量。然后，在分析故障波形变化规律的基础上，定义并计算故障信号的瞬时幅值差分向量。最后，设计一种自适应软阈值处理方法，将瞬时幅值差分向量变换为故障时间特征向量，经加权均值后，实现故障时间定位。仿真试验结果表明，该方法能够精确定位不同强度噪声下的故障起止时间，在1 kHz采样频率下精度为0.88 ms，适用于实际船舶综合电力系统故障的时间定位。

船舶综合电力系统故障时间定位 Hilbert-Huang变换瞬时幅值差分向量自适应软阈值

0 引言

如今，船舶综合电力系统发展迅猛，具[1]有系统化，综合化，集成化和模块化的强大优势[1]，从船舶电力推进到船舶全电气化，都对电能质量提出更高的要求[2]，系统在发生故障时，需要迅速准确地检测出故障起止时间。然而，由于船舶的运行环境中充斥着各种噪声，对船舶综合电力系统故障时间的定位精度达不到理想的要求。因此，强噪声背景下对船舶综合电力系统的故障时间精确定位成为人们研究的热点。

目前，针对船舶电力系统故障时间定位的文献较少，借鉴大电网故障时间定位的一些方法，如傅立叶变换[3]、小波变换[4]、Hilbert-Huang变换[5]等。傅立叶变换（FT）具有完备、正交的优点，并且能够快速计算，故广泛应用于电能质量分析中，但是它不能将信号的时频两域有机的联系起来，时域波形无法体现频域信息。小波变换具有多分辨率，可准确检测出信号的突变点，并判断出故障时刻，但其计算繁重，实时性差，还依赖对小波基的准确选取。Hilbert-Huang变换是近几年研究较多的一种特征提取方法，它由于具有分辨能力强、自适应分解、物理意义清晰、形式简洁且能够处理非线性非平稳信号等优点，获得了较快的发展。这种基于时频分析的方法操作简单、效果良好、实用性强的特点，应用前景广阔。传统的基于HHT的故障时间定位方法的研究对象大多为无噪声情况下简单正弦信号，未考虑强噪声对时间定位的影响，并且定位精度无法满足实际需求。

本文提出了一种基于HHT和自适应软阈值法的船舶综合电力系统故障时间定位方法。船舶综合电力系统中故障电流信号经HHT变换后得到瞬时幅值，再通过一阶差分和自适应软阈值的处理，提取故障时间特征向量，取加权均值后，实现故障起止时间的精确定位。最后，通过仿真实验验证了此方法的鲁棒性和精确性。

1 Hilbert-Huang变换的基本原理

1.1 基本概念和定义

HHT包含两方面：一为经验模态分解(EMD)；二为Hilbert谱分析。它处理信号的基本过程是：首先利用EMD方法将给定信号分解为若干的IMF分量；然后对每个IMF进行Hilbert变换，得到相应的Hilbert谱；最后，叠加所有IMF的Hilbert谱就得到原始信号的Hilbert谱。IMF需要满足如下两个条件：

1) 在整个数据段内，其极值点的个数和过零点的个数必须相等或相差一个。

2) 在任一时刻，由局部极大值点和极小值点形成的上下包络线平均值为0。

1.2 EMD对信号的分解步骤

1）确定出实信号()的所有局部极大值点和局部极小值点，用三次样条曲线将所有局部极大值点连接起来构成原始波形的上包络线U()，同样在用三次样条曲线将所有局部极小值点连接起来构成原始波形的下包络线V()。

3）求取原始信号与上下包络线的平均值之差，若该差值是一个IMF，即为原始信号的第一个IMF分量，若不满足IMF条件，则上述过程应重复多次以最终获得IMF分量。

（2）

4）检验1()是否满足IMF分量的过零点条件和均值条件，其中均值条件采用阈值判断，阈值取值通常为0.2~0.3。若不满足，将()替换为1()，重复前三步，直到1()满足IMF分量的条件，则将1()看成是第一个IMF分量：

5）从原始信号1()中减去1()，得到残差分量1()：

（4）

6）将1()作为原始数据，重复以上指定的所有步骤，得到第二个IMF分量2()，重复次，得到个IMF分量，有

当最终的残差分量r()为一个常数或为一个单调函数时停止迭代。至此，将信号()分解为个IMF和参与分量r()之和。

其中，c为第个IMF分量；r为分解完成后的残余分量。

1.3 Hilbert变换

正变换

反变换

（8）

得到解析信号()

（10）

瞬时频率按式（11）计算

上面的EMD分解与相应的Hilbert变换的方法统称为HHT。

2 基于HHT的故障时间定位方法

根据HHT变换的基本原理和各阶段波形变换的分析，提出基于HHT的船舶综合电力系统故障时间定位新方法，方法流程图如图1所示。

图1 故障时间定位整体算法流程图

故障时间定位算法的步骤如下：

1）采集船舶综合电力系统故障信号()。

2）对故障信号()进行EMD分解，得到若干个IMF分量，记第一个IMF分量为IMF1，文献[6]中验证了IMF1的故障特征最为明显。

3）将IMF1进行Hilbert变换，以得到其瞬时幅值A。

4）故障时间的定位关键在于找出信号的突变点的位置，所以对瞬时幅值A信号进行一阶差分运算，放大信号的突变信息。定义差分运算[7]为：

式中：A()为瞬时幅值向量，为采样序列点，，为采样序列总长度。

5）借鉴文献[8]小波分析中软阈值的方法，对上面求得的一阶差分结果ΔA()采用软阈值进行处理，即

式（13）中，为设置的阈值，为取阈值后的突出点序列。

6）观察和分析软阈值处理后波形的变换规律，故障信号的横坐标与纵坐标有比例关系，则取纵向幅值所占总幅值的比值为权值，从而求得横坐标的加权平均值，即

（15）

（16）

求得的加权平均值即为故障时间定位值。

3 实验验证

基于文献[9]中船舶综合电力系统模型仿真平台获得实验数据，其中汽轮发电机组功率30 MVA，柴油发电机组5 MVA，基本负荷17.5 MVA，主推进器26 MVA，系统中共设置4个节点，以节点1发生单相接地故障时测得A相电流的数据为例。采样频率1000 Hz，采样点的个数为2031个，设置故障的起止时间分别为30 s和30.1 s，对应的起止点为1002点和1116点。为获得此方法在噪声环境中的时间定位效果，在原始信号中添加40 dB和30 dB的高斯白噪声。

图2是添加30 dB高斯白噪声的采样信号，采样时间由29 s到31 s，纵坐标是节点1 A相电流的幅值，波形在30 s左右发生剧烈的上下波动，之后又恢复平稳。将此信号经EMD分解，分解为8个IMF分量和1个残余分量，对IMF1进行Hilbert变换得到其瞬时幅值，如图3所示，采样点取0到2000，在1000点左右有明显的冲击和波动，但不能够判断出具体的时刻点。

图2 添加30 dB白噪声的采样信号

图3 添加30 dB白噪声IMF1的瞬时幅值

为准确检测出故障起止时刻，以使结果清晰化，具体化。采用一阶差分和自适应软阈值的方法处理IMF1的瞬时幅值数据，仿真结果如图4所示，经放大样本个数只显示950点到1150点之间，可以清晰的看到故障起止时刻（即横坐标）为1000点和1116点，这和实际的故障起止时刻分别相差2个点和0个点。同样分析添加40 dB的高斯白噪声后，检测故障起止时刻也能达到同样的精确度。但是这种人为判断波形的首末位置存在一定的随机性和偶然性，为使数据更加稳定精确，分析研究波形变化规律，幅值高的点对横坐标所占比重就大，故设置求前后几个数的加权平均数分别为起始和停止时间。

3.1评价指标

分别对A相接地短路，AB两相短路，AB两相接地短路和ABC三相短路四种短路故障情况进行仿真，每种故障下测取100组A相电流数据，起止时刻的误差分别记为Q和Z，以每个样本实际测量值点与真实值点的差作为每个样本的误差值，再求取100组样本误差的平均值，即为Q和Z。

图4 经一阶差分和软阈值处理后的波形

基于HHT的船舶综合电力系统故障时间定位新方法的实验统计结果如表1所示（表1包含了船舶综合电力系统中存在的常见故障类型）。定义时间定位正确率为：100组故障数据中，瞬时幅值经一阶差分和自适应软阈值处理后的定位值（记为d）与实际值（记为s）之差的绝对值小于5个采样点的数据个数（记为n）与100的比值。起始的定位正确率记为Q，终止的定位正确率记为Z。

3.2实验数据分析

由表1可以看出，在无噪声的仿真环境下，以单相接地短路为例，Q均是100%，平均误差点为0.24个，即误差平均时间为0.21 ms；在40 dB噪声环境下，Q为100%，平均误差点为0.66个，即误差平均时间为0.58 ms；在30 dB噪声环境下，Q也为100%，平均误差点为0.74个，即误差平均时间为0.65 ms，表明信号随着噪声变大，故障时间识别难度有所增加，测得的正确率一样时，可以通过平均误差值区分，误差值越大，说明测量误差越大，时间定位越困难。同样以单相接地短路为例，将一阶差分和自适应软阈值法与传统平均值法比较，在无噪声情况下，检测正确率均为100%，但是加40 dB的白噪声后，新方法起始时间的正确率为100%，而传统方法的正确率只有51%；在30 dB的噪声下，新方法起始时间的正确率为100%，而传统方法的正确率只有56%。综上所述，噪声对与HHT的故障检测方法有一定的影响，基于Hilbert-Huang变换运用一阶差分和自适应软阈值处理的方法，其结果的故障时间定位的准确率达到百分之九十左右，并且在40 dB，30 dB下均能有效的定位故障起止时间，这说明这种方法在故障时间定位方面精度高，抗干扰能力强，定位效果突出。

表1中用不同的符号表示故障类型，其中，(3)为三相短路，(2)为两相短路，(1)单相接地短路，(1,1)为两相短路接地。

表1 实验统计结果对比

图5显示的是100组样本数据经自适应软阈值处理后起始时刻的平均值误差曲线图，误差在±4个采样点以内，也即在±3.5 ms以内。图6中数据集中在1个采样点以内，也即在±0.88 ms以内，相比图5提高了2.67 ms。

图5 平均值误差曲线图

图6 加权平均值误差曲线图

4 结论

基于Hilbert-Huang变换的一阶求导和自适应软阈值处理的方法以船舶综合电力系统某一节点发生单相接地故障为例，分别在40 dB和30 dB的高斯白噪声环境下，先对故障信号进行EMD分解，分解为若干个IMF分量，求取IMF1分量的瞬时幅值，再经一阶求导和自适应软阈值的处理后就能准确的定位信号故障的起止时间。通过大量的仿真和数据分析，得出结论，该方法计算简单有效，精确度高，还具有一定的抗干扰能力，非常适用于船舶电力系统电能质量故障检测。

[1] 马伟明. 舰船动力发展的方向—综合电力系统[J]. 海军工程大学学报, 2002, (06): 1-5, 9.

[2] 黄靖, 张晓锋, 叶志浩. 基于多智能体的船舶综合电力系统故障恢复方法[J]. 中国电机工程学报, 2011, (13): 71-78.

[3] 程凯. 基于小波变换和傅立叶变换的电能质量分析方法[J]. 电子技术与软件工程, 2016, (14): 230.

[4] 王安, 粟时平, 邓奇峰, 向莎莎. 基于小波变换的暂态电能质量扰动检测与定位研究[J]. 电气技术, 2012, (04): 21-25.

[5] 胡晓曦, 刘含露, 熊婷婷, 胡京莹. 基于希尔伯特-黄变换的复杂电能质量信号检测技术[J]. 电气技术, 2012, (05): 6-10.

[6] 万本强, 吴中伟, 石莹. 基于HHT的煤矿电网扰动起止时刻检测方法[J]. 工矿自动化, 2012,(6): 62-67.

[7] 张扬, 刘志刚. EEMD在电能质量扰动检测中的应用[J]. 电力自动化设备, 2011, 31(12): 86-91.

[8] 姚建红, 张海鸥, 张守宇, 刘明, 孟磊. 改进小波阈值算法在电能质量去噪中的应用[J]. 自动化与仪器仪表, 2016, (02): 57-58, 61.

[9] 卓金宝, 施伟锋, 张威. 船舶电力推进中燃气轮机发电机组建模与仿真[J]. 计算机仿真, 2016, (12): 143-147.

A New Method of Fault Time Location for Ship Integrated Power System Based on HHT

Wu Hengxian, Shi Weifeng, Zhuo Jinbao, Zhang Wei

(Shanghai Maritime University, Shanghai 201306, China)