多元经验模态分解的发电机组多通道电信号滤波

赵志刚

摘要：发电机组多需要满足严苛运行环境的需求，受大量不确定因素的影响，系统三相电流信号具有非线性以及非平稳特性。为实现各种扰动影响下的发电机组运行状态監测，将基于多元经验模态分解（Multivariate Empirical Mode Decomposition，MEMD）的方法用于风电系统电信号去噪。相对于传统单通道模态分解去噪算法，该方法能同时实现多通道信号的多尺度分解并保证相同模态数，有效地解决模态混叠问题。同时，将动态均方差（Consecutive Mean Square Error，CMSE）算法用于信号重构，只需计算各模态能量值，实现简单。仿真验证结果表明，基于MEMD的多通道滤波算法能够有效地实现多工况运行下的三相电流鲁棒滤波。

关键词：发电机组；风力发电；多元经验模态分解；动态均方差；滤波去噪

中图分类号：TP277；TP274文献标志码：A文章编号：1008-1739（2018）12-68-4

Multichannel Electrical Signal Filtering of Generators Based on Multivariate Empirical Mode Decomposition

ZHAO Zhigang

（The Radio and Television Group of Chongqing袁Chongqing 400039袁China）

0引言

受复杂运行工况和复杂运行环境的影响，电力电子器件故障成为了严重影响发电机组系统运行稳定与安全的重要因素。通常而言，发电机组运行具有强非线性，易受到外界环境和能源来源的随机波动影响，输出表现出非线性以及非平稳特性。为实现发电机组运行状态监测与视情维护，电力系统鲁棒滤波成为众多学者的研究热点，其中，基于经验模态分解（Empirical Mode Decomposition，EMD）的完全数据驱动的自适应分解方法受到广泛关注。

基于EMD的信号去噪方法被广泛用于电力系统的状态监测与故障诊断研究。为了消除电信号中由焊点、电机运行等因素产生的高频噪声，Vivek[1]等利用该算法处理并分析非线性及非平稳电信号，避免潜在的电路烧毁、电气绝缘劣化和设备损坏等影响。Javier等[2]利用EMD将永磁同步电机定子电流进行分解，结合二次频分布进行特征提取，以实现电机在稳态与变速运行状态下的短路故障检测。包广清等[3]利用EMD对采样信号进行时频自适应预处理，然后利用集合柔性形态学进行特征提取实现风电并网电压故障检测。

传统的EMD分解算法主要是针对单一通道信号进行分析，其分解过程具有完全自适应性，但无法保证分解后的多通道信号具有相同的固有模态函数个数。为了实现多通道信号分解后的同尺度分析，Rehman等[4]提出了基于多维空间投影思想的多元经验模态分解算法MEMD，克服了EMD只能针对单通道信号分析的不足，解决了不同信道增加的高斯白噪声产生的模态混叠问题[5]。目前，MEMD已被广泛应用于图像处理[6，7]、生物信号处理[8]、气象预测[9-12]和振动分析[13-15]等。其中，刘栋材等[16]针对加速度传感器测得的多通道信号中存在耦合的问题，提出了基于MEMD与全息谱技术相结合的信号分析方法，实现对振动模态特性的分析。王金甲等[17]针对脑机接口系统中的多通道非平稳脑电信号和脑磁信号，提出了MEMD与功率特征结合的信号特征提取算法。但相对于EMD单通道信号分解在电信号中的广泛应用，MEMD在电信号，尤其是在电力系统信号中的分析与研究还比较少。

本文针对MEMD在多维电信号滤波去噪中的应用进行了研究，以风力发电系统作为典型的大型发电机组的应用对象。考虑到其风电机组三相电流具有非线性与非平稳特性，因此专门提出基于多元经验模态分解的多维电信号多尺度分解的滤波方法，并针对其电信号主要特征多由低频部分组成的特征，针对性地提出将动态均方差用于自适应选择合适的IMF集合以进行信号重构。

1多通道滤波实现

1.1多元经验模态分解

在使用EMD分解多维信号时，极大极小值通常无法直接得到，因此Rehman等[4]提出的MEMD算法通过在N维空间沿不同方向获取投影向量序列，获得每个方向上信号包络的局域均值。每个通道信号被MEMD分解后IMF个数相等，实现每个通道对应的各层IMF频率尺度对齐。

MEMD实现的基本步骤如下：

（1）利用Hammersly序列在（-1）维球面设置均匀采样点集，建立维空间方向向量；

（4）判断提取出的固有模态函数（ ）= （ ）- （ ）是否满足IMF判断条件，若满足则将（ ）- （ ）的差值作为步骤2的输入，通过步骤2～4的迭代分解下一个本征模态，若不满足，则直接将（ ）作为步骤2的输入。

经过反复的迭代过程，维信号可分解为

对于多通道滤波实现，将MEMD用于多维信号分解得到相同成数且各层频率尺度对齐的IMF集合，然后分别计算不同通道的IMF能量值并确定信号重构索引即可。

2基于MEMD和CMSE算法的电信号滤波

选取风力发电系统作为典型对象，其主要部件包括：叶片、齿轮箱、轴承、轮毂、塔架、偏航系统、变桨装置、变流器、发电机和控制系统等，其简略工作模型如图1所示。

三相变流器作为机侧和网侧的能量交换中间环节，对于风电变流器的高效安全运行意义重大。导致变流器不能正常运行的原因有很多，电力电子器件的短路和开路故障是最为常见的2种。其中，短路引起的电流过载常由硬件保护实现，开路故障虽不会立即导致过载，但长时间运行会导致系统谐波增加并进一步导致同一桥臂电力电子器件损毁。

但风电机组运行过程中受随机风速波动、开关动作以及电力系统非线性等因素影响，三相电流输出受谐波及各色噪声影响，导致基于三相电流的直接电流检测法、电流平均值法等开路故障检测方法出现较高的误报以及漏报率。因此，提出基于MEMD和CMSE算法的风电系统多通道电信号鲁棒滤波算法具有现实意义。

基于MEMD和CMSE算法的电信号滤波的流程如图2所示。其中主要的传感器主要用于图1中输出到电网Grid的三回电路之上。有别于传统的基于EMD分解的单通道信号分析方法，基于MEMD分解后的不同通道信号各层IMF，具有对应层频率尺度对齐的特性。因此通过选取各通道重构索引最大以提高滤波性能是可行的。

3仿真验证

为验证本文提出的基于MEMD和CMSE的多通道电信号滤波的有效性，利用图1所述直驱风力发电机组运行数据，分析其对非线性和非平稳电信号滤波的有效性。

假设图1中风力发电系统A相上桥臂受开路故障影响，其三相电流MEMD分解后的多维IMFs如图3所示。其中，三相电流分解后的每一相分解后的本征模态函数，每一层对应的IMF能量如图4所示。图3中“*”“o”“x”分别表示ABC相电流分解后IMF从高频到低频对应的能量值。结合图3中每个模态的能量值分布，利用CMSE算法在线选取重构索引为6。重构后的ABC三相电流如图4所示。

类似的，假设风机输入风速发生阶跃变化，即在0.02 s处由14 m/s减少到12 m/s，则机侧三相电流滤波输出如图5所示。

综合可见，滤波重构后的电流表现较测量值更为平滑且具有更小的噪声，能够更为准确地反映实际电流的变化态势。

4結束语

针对多工况运行下的风力发电系统电信号具有非线性与非平稳性特点，提出了基于MEMD和CMSE算法的多通道电信号滤波方法。该方法利用MEMD多维同时分解的特性使得分解后各层IMF频率尺度对齐，为多维信号之间的耦合关系的直接分析提供了可能，同时提高了自适应分解过程中消除模态混叠问题的能力。在得到各通道信号分解的本征模态函数集合后，计算得到不同通道的IMF能量分布，利用CMSE规则自适应地确定重构索引集合并选取集合中最大索引值进行信号重构。仿真结果表明，本文所提方法对具有非线性和非平稳特性的电信号滤波具有较强的鲁棒性，为进一步监测和分析风电机组运行状态提供了基础。

参考文献

[1] Agarwal V， Tsoukalas L H. Denoising Electrical Signal via Empirical Mode Decomposition[C]// Bulk Power System Dynamics & Control-vii Revitalizing Operational Reliability， Irep Symposium. IEEE， 2007：1-6.

[2] Rosero J A， Romeral L， Ortega J A， et al. Short-Circuit Detection by Means of Empirical Mode Decomposition and Wigner Ville Distribution for PMSM Running Under Dynamic Condition[J]. IEEE Transactions on Industrial Electronics， 2009， 56（11）：4534-4547.

[3]包广清，宋泽，吴国栋，等.基于经验模态分解和形态学的风电并网电压故障检测[J].农业工程学报， 2016， 32（11）： 219-225.

[4] Rehman N， Mandic D P. Multivariate Empirical Mode Decomposition[J]. Proceedings Mathematical Physical & Engineering Sciences， 2010， 466（2117）：1291-1302.

[5] Zhang Y， Xu P， Li P， et al. Noise-assisted multivariate empirical mode decomposition for Multichannel EMG Signals[J]. Biomedical Engineering Online， 2017， 16（1）：107.

[6] Sharma J B， Sharma K K， Sahula V. Hybrid Image Fusion Scheme using Self-fractional Fourier functions AD Multivariate empirical Mode Decomposition[J]. Signal Processing， 2014，100（7）：146-159.

[7]任文艺，张淳民，贾辰凌，等.基于经验模态分解的干涉成像光谱偏振仪数据处理研究[C]//2013年（第五届）西部光子学学术会议论文集， 2013：1.

[8] Molla M K I， Tanaka T， Rutkowski T M. Multivariate EMD based Approach to EOG Artifacts Separation from EEG[C]// IEEE International Conference on Acoustics， Speech and Signal Processing， IEEE， 2012：653-656.

[9] Wu Z， Feng J， Qiao F， et al. Fast Multidimensional Ensemble Empirical Mode Decomposition for the Analysis of Big Spatio-temporal Datasets[J]. Philosophical Transactions， 2016，374（2065）：20150197.

[10]贺祥. PM （2.5）浓度变化驱动机制研究[D].南京：南京师范大学， 2017.

[11]刘申，褚晓东，张文.基于气象测量场的爬坡时段区域风功率预测[J].电力系统自动化， 2015， 39（16）：29-36.

[12]张淑清，李威，张立国，等.基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断[J].中国机械工程， 2016， 27（24）：3362-3367.

[13] Lu Y， Yuan R， Song G. Multivariate Empirical Mode Decomposition and Its Aapplication to Fault Diagnosis of Rolling Bearing[J]. Mechanical Systems & Signal Processing， 2016，81：219-234.

[14]段若晨，王豐华，周荔丹，等.利用窄带噪声辅助多元经验模态分解算法检测换流变压器用有载分接开关机械状态[J].电工技术学报， 2017， 32（10）：182-189.

[15]付文龙.水电机组振动信号分析与智能故障诊断方法研究[D].武汉：华中科技大学， 2016.

[16]刘栋材，郭杰，申远.基于MEMD与全息谱技术的加速度传感器信息融合[J].中国科学技术大学学报， 2016（8）： 702-708.

[17]王金甲，刘源.基于多通道经验模式分解的脑机接口特征提取[J].生物医学工程学杂志， 2015（2）：57.