基于自适应集合经验模态分解算法的局部放电信号降噪研究

孙 聪 鞠鹏飞 李大华 李 栋

基于自适应集合经验模态分解算法的局部放电信号降噪研究

孙 聪1,2鞠鹏飞1,3李大华1,2李 栋1,2

（1. 天津理工大学电气电子工程学院，天津 300384；2. 天津理工大学机械工程学院天津市先进机电系统设计与智能控制实验室，天津 300384；3. 天津理工大学机电工程国家级实验教学示范中心，天津 300384）

高压开关柜被广泛应用在电网体系中，保障其运行安全稳定尤为重要。本文针对目前在分析高压开关柜局部放电过程中存在窄带干扰及其他噪声干扰等问题，提出一种新的降噪算法——自适应集合经验模态分解（AEEMD），其核心思想为在原始信号中加入白噪声后只分解一阶模式，然后将噪声不断加到剩余信号中进行循环处理。该方法简化了去噪过程，并减少了模态混叠现象。试验结果表明，通过该方法所得到的信号波形与实测原始信号波形基本一致，同时与另外两种算法对比体现出其优越性。

局部放电；信号降噪；窄带干扰；算法对比

0 引言

高压开关柜是电网系统中非常重要的装置，它关乎着供电安全，在国家工业的正常运转和人们日常生活的正常推进中，扮演着十分重要的角色，因此保证其安全可靠运行是维系电力网络稳定的必然要求[1-3]。

评价开关设备状态的重要依据是局部放电测量的结果，开关柜的局部放电检测通常要结合暂态对地电压（transient earth voltages, TEV）检测法和超声波（acoustic emission, AE）检测法[4-6]，这两种检测方法为开关柜局部放电检测提供了有力的技术支持[7-9]。

本文提出一种自适应集合经验模态分解（adaptive ensemble empirical mode decomposition, AEEMD）算法对原始放电信号进行降噪处理[10-13]，并与常用的两种去噪算法进行对比[14-19]，验证本文所提方法的优越性。

1 高压开关柜局部放电的原因

在开关柜运行过程中，开关柜各部分的电场强度是不同的，当某一区域的电场强度达到击穿电场强度时，就会出现放电而不破坏绝缘系统的现象，称为局部放电（partial discharge, PD）现象[2]。

局部放电导致脉冲电流的释放和产生，并且脉冲电磁波会伴随着局部放电产生并向外辐射，在正负颗粒的影响下直接引起光的释放和产生。局部放电也可能导致开关柜周围的介质被分解，进而使其产生一些被分解物。同时，在局部放电过程中也会直接产生诸如臭氧等化学物质，当这些化学物质遇到水分子后就会被转变为对绝缘体具有腐蚀性的酸性物质，进一步减弱绝缘体的性能。引起局部放电的主要原因有以下几点：

1）绝缘子表面和内部存在一定的气隙，导致相应的强度放电现象。

2）绝缘体中某种导电材料边缘相对集中的电场环境，也会引起局部放电问题。

3）在电场强度相对密集的开关柜的高压端口，电介质暴露在空气中也可能引起局部放电问题。

2 TEV检测法和AE检测法

针对不同的检测物理量，开关柜局部放电检测方法可分为电检测法和非电检测法。

目前，在开关柜内局部放电检测中，电检测方法应用比较多的有脉冲电流检测法、超高频电压检测法及TEV检测法。在开关柜中广泛采用的非电检测法主要有两种，即温度检测法和AE检测法[3]。

2.1 TEV信号的发现及检测方法

瞬态对地电压是由Dr. John Reeves在1974年首次发现并命名的，而后大量实验表明，TEV信号的频率范围基本固定在3～100mHz之间，并且在3～30mHz之间的信号相对较强。

应用TEV法进行检测，首先要在机柜外表面安装TEV传感器，采集TEV信号并对其进行放大处理，然后对采集到的信号进行降噪处理，最后对信号进行对比分析来判断是否存在异常放电现象[4]。

2.2 AE检测法

利用超声波传感器将开关柜发生局部放电时产生的冲击波，由超声振动信号转化为数字信号的方法称为超声波检测法。该检测方法的优点是对局部放电信号的抗干扰能力较强，缺点是检测的效果容易受到复杂机械噪声的影响[5]。

由于超声波在固体中传播时衰减很快，为了更好地接收信号，检测时要将传感器安置在柜体的缝隙处，将超声波换能器安装在开关柜外壳上，用压电晶体作为声电换能器。

3 自适应集合经验模态分解算法

经验模态分解（empirical mode decomposition, EMD）算法作为改进算法的基础算法，其时频特性良好而且自适应性较强，但由于模态混叠严重，不利于信号去噪分析[8]。

利用集合经验模态分解（ensemble empirical mode decomposition, EEMD）算法对信号进行分解时只对信号的一阶模式进行分解，直到信号的剩余部分达到EEMD分解终止条件。去除第一阶模式后，将噪声加入残差信号，并在下一阶段对残差信号进行分解，该算法很大程度上消除了模态混叠现象，但该方法的复杂性和计算的多面性也随之提高[11]。为了解决这一问题，本文提出了新型降噪算法AEEMD，算法流程如图1所示。

AEEMD算法的具体步骤如下：

图1 AEEMD算法流程

6）构建新的信号用于下一次分解，即

从式（1）～式（10）可以看出，AEEMD算法巧妙地利用了白噪声谱均匀传输的特性。使信号能在白噪声背景下投影，并在整个时频空间上传播。

把原始信号分解为一系列按照频率顺序从高到低依次排列的IMF分量。通过分析相应的噪声性能评价指标来确定各个阶段的IMF分量是否存在噪声或者信号。去除噪声的分量，对其中剩余部分IMF分量进行重组，得到降噪信号[15]。

本文提出一种基于能量密度和平均周期的IMF相关系数法来选择重构的IMF分量。选择重构的IMF分量是降噪过程中的一个关键步骤，能量密度和平均周期的计算公式分别为

考虑到不同模态分量中高斯白噪声的能量密度与平均周期之积为常数，定义S为次IMF的能量密度和平均周期的乘积，则有

式中，S为次IMF的能量密度和平均周期的乘积。

AEEMD算法的裕度不依赖每次添加噪声后的独立分解，而是依赖最后一次分解的裕度。结合能量密度和平均周期IMF的相关系数法，自适应地选择降噪重构的本征模态分量。通过分析相应的噪声性能评价指标来确定各个阶段的IMF分量是否存在噪声或者信号，去除噪声的分量，对其中剩余部分IMF分量进行重组，依此循环最终得到降噪信号，从而实现局部放电信号的自适应分解。

4 实验结果及分析

脉冲信号由双指数振荡衰减模型进行理论分析，双指数振荡衰减模型计算公式为

表1 局部放电仿真模型参数

噪声信号的AEEMD根据获取的7个因子来完成，RS8是信号余量，模态函数的AEEMD如图2所示。

图2 模态函数的AEEMD

从图2可以看出，PD信号基本存在于IMF1和IMF2模式中，白噪声信号主要集中在IMF3模式中。IMF4～IMF6模式包含不同频率窄带周期性干扰信号，IMF7为分解的错误部分。

此外，IMF的过渡是渐进自然的，不同尺度的频率分量明显分离。此外，本文所提AEEMD方法可以将PD信号从干扰信号中分离出来，减少模态混叠现象。为了进行去噪后的波形特性评估，对信噪比（signal-to-noise ratio, SNR）、波形相关系数（normalized correlation coefficient, NCC）和方均根误差（root-mean-square error, RMSE）估计为[16]

表2 三种去噪算法的评价指标值

通过比较表2的前两组数据可以得出，小波去噪法的RMSE值比基于EMD的阈值去噪法的RMSE值低（RMSE值越小越好），但SNR值和NCC值都比其低（SNR、NCC值越大越好），表明这两种方法的去噪程度都不够精细[17-19]，而AEEMD去噪的三个指标都优于前两种方法，说明所提方法的去噪效果较好，也进一步说明了该方法更适合在局部放电去噪中应用。

为了验证降噪效果，按照图3所示的局部放电试验接线进行放电信号的采集。全向天线带宽为0.2～2GHz，示波器的采样率为5GS/s，以每个工频周期采样的放电信号为样本。

图3 开关柜局部放电试验接线

图4和图5为局部放电试验中高压电源和针板模型的实物，通过调节高压电源的电压进而控制局部放电信号幅值。试验中使开关柜发生局部放电的最低电压为7kV，经过多次实验最终将电压幅值确定为10kV，其余幅值区间的信号变化并不明显。

图4 高压电源接线

图5 实验室针板模型实物

通过对采集到的PD信号进行去噪，并对三种降低信号的方法进行比较和分析，验证了所要求的降低信号方法在设计中的有效性，如图6所示。

图6（a）为实验室采集到的原始信号波形。从图6（b）可以看出，小波去噪法基本上完成了局部放电信号的去噪处理，但原始信号频谱的一小部分丢失了，去噪后仍然存在一些噪声毛刺。通过图6（c）和图6（d）可以看出，基于EMD的阈值去噪法和AEEMD去噪法都比较成功地进行了局部放电信号的去噪，并且很大程度上抑制了信号降噪后噪声毛刺的产生，其中图6（d）处理效果优于图6（c）。

完成PD信号测量后对三种方法进行去噪频谱分析，得到的结果如图7所示。

图7 PD信号去噪后的频谱分析

从图7可以看出，AEEMD去噪后的频率分布曲线优于基于EMD的阈值去噪后的频率分布曲线，与原始信号的频率分布曲线更接近，这是因为每次经过AEEMD方法得到的边缘不依赖于每次噪声相加后的独立分解边缘，但它依赖于最后一次分解的边缘，从而减小了重构误差，使信号恢复更加真实。

5 结论

通过分析局部放电问题的产生和局部放电信号的检测及对窄带干扰等问题的处理得出了以下结论：

1）新型的降噪算法成功抑制了窄带干扰信号，并很大程度上保持了原始信号的频谱波形，而且该方法不存在选择基函数和分解层数的问题。

2）在去噪过程中，降噪算法对局部放电信号进行了完全去噪，并保持了每个分量的阈值去噪特征。

[1] 陈路易. 高压开关柜故障检测与预警系统研究[D].淮南: 安徽理工大学, 2019.

[2] 刘财明. 气体绝缘开关设备局部放电带电检测综合应用[J]. 电气技术, 2020, 21(10): 117-122.

[3] 徐兆丹. 10kV开关柜局部放电检测技术分析[J]. 电工技术, 2020(24): 102-104.

[4] 程曦. 基于TEV和超声波法的高压开关柜局部放电综合检测方法及诊断技术[D]. 北京: 华北电力大学, 2017.

[5] 孟祥海, 王文华, 彭飞. 超声波测试技术在高压开关柜局部放电检测定位中的应用[J]. 电气应用, 2019, 38(3): 108-112.

[6] 孙进, 梅凡, 陈月, 等. 声电联合检测法在开关柜局部放电事故分析中的应用[J]. 电工技术, 2020(24): 94-95.

[7] 陈磊, 唐建, 王智睿. 开关柜局部放电超高频在线监测天线的研究[J]. 电气技术, 2019, 20(5): 24-28, 32.

[8] KEDADOUCHE M, THOMAS M, TAHAN A. A com- parative study between empirical wavelet transforms and empirical mode decomposition methods: appli- cation to bearing defect diagnosis[J]. Mechanical Systems and Signal Processing, 2016, 81: 88-107.

[9] ROOSTAEE S, THOMAS M S, MEHFUZ S. Experi- mental studies on impedance based fault location for long transmission lines[J]. Protection and Control of Modern Power Systems, 2017, 2(1): 1-9.

[10] ZHU Bangzhu, MA Shujiao, XIE Rui, et al. Hilbert spectra and empirical mode decomposition: a multiscale event analysis method to detect the impact of economic crises on the European carbon market[J]. Computational Economics, 2018, 52(1): 105-121.

[11] 王永强, 李长元, 胡芳芳, 等. 基于改进EMD的GIS局部放电特高频信号降噪方法研究[J]. 电测与仪表, 2017, 54(9): 1-5, 29.

[12] 胡威. 局部放电超声信号检测与小波包变换在信号去噪中的应用[D]. 昆明: 昆明理工大学, 2016.

[13] 王异凡, 朱冠霖, 王兆强, 等. 基于改进小波阈值的GIS局部放电在线监测白噪声干扰抑制研究[J]. 高压电器, 2019, 55(3): 37-43, 50.

[14] 张彪, 焦良葆, 史塨毓, 等. 基于小波去噪的开关柜局部放电声检测方法[J]. 南京工程学院学报(自然科学版), 2018, 16(4): 55-60.

[15] 丁一, 张磐, 戚艳, 等. 基于EEMD-CCA组合去噪的新型配电开关柜局部放电抗干扰检测[J]. 电子器件, 2020, 43(6): 1335-1340.

[16] 高佳程, 田蕴卿, 朱永利, 等. 基于完全集合经验模态分解和排列熵的局部放电信号的小波包去噪方法[J]. 电力系统及其自动化学报, 2018, 30(3): 1-7.

[17] 秦金飞, 朱琦, 周玮, 等. 基于经验小波与小波变换的GIS局部放电信号去噪方法研究[J]. 高压电器, 2019, 55(7): 70-77, 86.

[18] 钱帅伟, 彭彦军, 周泽民, 等. 以提升小波包系数熵为特征值的隐马尔科夫电缆局部放电识别[J]. 电气技术, 2020, 21(10): 93-102.

[19] 马星河, 张登奎. 基于改进经验小波变换的高压电缆局部放电噪声抑制研究[J]. 电工技术学报, 2021, 36(增刊1): 353-361.

Research on noise reduction of local discharge signal based on adaptive ensemble empirical mode decomposition algorithm

SUN Cong1,2JU Pengfei1,3LI Dahua1,2LI Dong1,2

(1. School of Electrical and Electronic Engineering, Tianjin University of Technology, Tianjin 300384;2. Tianjin Advanced Mechatronic System Design and Intelligent Control Laboratory, School of Mechanical Engineering, Tianjin University of Technology, Tianjin 300384;3. National Experimental Teaching Demonstration Center of Mechanical and Electrical Engineering, Tianjin University of Technology, Tianjin 300384)

High voltage switchgear is widely used in power system, so it is very important to ensure its safe and stable operation. Aiming at the problems of narrow-band interference and other noise interference in the analysis of partial discharge of high-voltage switchgear, a new noise reduction algorithm called adaptive ensemble empirical mode decomposition (AEEMD) is proposed in this paper. The core idea of the proposed algorithm is to decompose only the first-order mode after adding white noise to the original signal, and then add noise to the remaining signal for cyclic processing. The denoising process is simplified and modal aliasing is reduced. Experimental results show that the signal waveform obtained by this method is basically consistent with the measured original signal waveform, and it is superior to the other two algorithms.

partial discharge; signal denoising; narrowband interference; algorithm contrast

2021-09-09

2021-10-10

孙 聪（1996—），男，硕士研究生，研究方向为高压开关柜局部放电检测系统的研究。