基于小波包分解的通信电源计量设备谐波故障诊断方法

刘沛然

（国能三河发电有限责任公司，河北 三河 065201）

0 引 言

随着通信技术的飞速发展，通信电源设备在保障通信系统正常运行中起着至关重要的作用。然而，在实际应用中，由于各种因素影响，通信电源设备可能会出现各种故障，其中谐波问题是比较常见的一种。因此，对通信电源设备进行谐波故障诊断是必要的。传统的谐波故障诊断方法在处理非平稳信号时存在局限性。相比之下，小波包分解能够更好地处理非平稳信号。因此，文章提出一种基于小波包分解的通信电源计量设备谐波故障诊断方法。通过对该方法的详细阐述、实验验证及结果分析，推动相关领域的发展和进步[1]。

1 基于小波包分解的通信电源计量设备谐波故障诊断方法的设计

1.1 基于小波包分解收集计量设备运行谐波信号

通信电源计量设备中的谐波是由于非线性负载的电流波形畸变产生的。当电流流经负载时，会产生与基波频率不同的成分，这些成分被称为谐波。谐波故障可能表现为误动作、设备过热、误计量、保护装置误动作及设备损坏等。这些故障可能导致通信系统不稳定、数据丢失、设备损坏及安全问题，因此要诊断通信电源计量设备的谐波故障[2]。

为精准诊断通信电源测量装置的谐波故障，需要采集其工作资料。然而由于谐波故障信息本身较为微弱，加上采集设备所处的环境因素和设备自身的震动等干扰，使得在采集过程中产生了大量的噪声，严重影响通信电源计量设备谐波故障诊断的精准度[3]。因此，在收集计量设备运行谐波信号的过程中需要进行降噪处理[4]。

设定在通信电源计量设备中的运行信号为2 种谐波信号叠加形成，即

其中辅助函数为

经小波包分解后，其计算公式如下

式中：e1、e2分别为2 种谐波信号；η为计量设备性能参数；w为计量设备运行信号频率；y为冲激函数；为幅值；e为信噪比。

小波包分解可以对通信电力计量装置的工作信号进行频率检测，反映其工作状态和噪声的特性、分布情况，方便进行降噪处理。

重构得出的计量设备运行信号频率，得到新的降噪后计量设备运行信号，其表达公式如下

式中：g为采样率；k为噪声标准差；m为样本数量。

根据式（4）得到降噪后的计量设备运行信号，并获得最佳的信号降噪效果，为后续的通信电源计量设备谐波故障诊断提供最优依据[5]。

1.2 提取谐波故障特征

当通信电源计量设备出现故障时，其频域内的信号会产生突变，导致谐波信号的能量发生变化[6]。因此，文章采用小波包分解算法来提取谐波故障特征。对采集的信号进行小波包分解，将信号分解成不同频带的小波包，能够提取信号中的高频和低频成分，更好地分析信号的特征[7]。归一化处理得到的计量设备运行状态信号，公式如下

式中：a''(t)为经过归一化处理后的数据；a'(t)为在t时刻计量设备运行状态信号的原始数据；a'max(t)为t时刻输入信号的全部数据中的最大值；a'min(t)为t时刻输入信号的全部数据中的最小值[8]。

通过小波包分解算法实现处理运行状态信号的平稳化，把各种尺度的信息波形和方向划分开来，由此获得各种不同尺寸的运行故障特征信息序列。每个运行故障特征信号序列都被视为一个本征模态函数（Intrinsic Mode Function，IMF）分量。在计量设备的故障特征信息获取处理过程中，必须确定装置的故障历史信号a''(t)的局部上确界点，并通过3 次样条函数得到上包络线与下包络线的局部均值公式如下

式中：o1(t)为上包络线数值；o2(t)为下包络线数值。

设定未经归一化处理的谐波信号为

若b(t)不满足IMF 条件，则认定b(t)为新任a''(t)。

在实际诊断过程中，若迭代过于重复，则IMF分量的幅度逐渐稳定，会失去IMF 分量的研究意义。因此，文章将通信电源计量设备中的IMF 分量作为迭代停止条件，其表达公式如下

式中：d1为通信电源计量设备的运行谐波故障信号的第一个IMF 分量；r(t)为通信电源计量设备故障信号的余项；b''(t)为经归一化处理后的谐波信号。

此时，通信电源计量设备处于故障状态中的所有频带信号的总能量计算公式如下

标准化处理通信电源计量设备的运行状态信号的总能量，提取出的特征向量的计算公式如下

式中：Y为频带信号能量。

通信电源计量设备在工作时，其输出的能量中包含许多故障信息。文章详细分析了通信电源计量设备工作过程中的各种工况信息后，采用小波包分解算法对其进行处理，有效提取出与谐波故障相关的特征。

1.3 识别诊断通信电源计量设备的谐波故障

基于提取的特征，利用分类器或算法对设备进行故障诊断，同时能够根据特征值对设备进行故障分类。因此，文章选择小波包分解算法，并结合神经网络对其进行正确的故障识别与诊断。

神经网络的构建分为正向运算和逆向运算2 个阶段，通过对输入单元、隐层单元及输出单元中神经元数目的设计，诊断所获得的数据。应用神经网络进行通信电源计量设备故障诊断的步骤如下。首先，将需要诊断的通信电源计量设备数据（即学习样本）分为训练样本、验证样本及试验样本，按3 ∶1 ∶1 的比例进行分类。其次，利用得到的训练后样本数据对网络进行训练，同时使用验证样本数据来评估网络的输出误差。如果误差在训练过程中持续减小，则继续训练，直到其达到设定的误差阈值。最后，完成神经网络训练后，利用数据样本对神经网络进行错误检测，并统计输出误差。当最大值、最小值及均值不超过预先设定的误差值时，该分类器就能被训练出来；否则，重复检验过程。

神经网络的认知与训练过程是收集检测数据的过程，其网络参数需要根据检测样本决定。输入层对应设备的故障特征向量，而输出层对应诊断的故障类别。将待检测的故障数据样本送入神经网络，再经过向前分析将信号反向传递，样本信息会传递到输出单元，最终得到故障诊断的分类结果。

2 实验测试与分析

2.1 实验准备

为验证文章提出的基于小波包分解的通信电源计量设备谐波故障诊断方法的有效性，现根据实验需求，搭建合适的实验环境。实验使用MATLAB 软件作为仿真环境，对一台通信电源计量设备进行模拟实验，以50 Hz/ms的采样频率采集设备的工作状态信号。同时，该通信电源计量设备的相关性能参数影响着实验的精准度，各项参数如表1 所示。

表1 通信电源计量设备相关性能参数

根据电压值的不同，记录500 组样本数据。其中，50%的数据被用作训练样本，用于训练网络。经过3层神经网络分类后，每组数据样本被提取出一组7 维的故障特征向量，从而获得一个500×50%×7 的初始故障特征向量。

2.2 实验结果与分析

基于实验准备，现将本文方法与传统方法带入该测试环境，检验2 种方法的故障诊断效率，测试结果对比表2 所示。

表2 测试结果对比

由表2 可知，本文方法的诊断效率明显高于传统方法，能够有效地提取通信电源计量设备中的谐波成分，并在故障发生时提供准确的诊断信息。

3 结 论

通过应用小波包分解算法，深入分析和诊断通信电源计量设备中的谐波故障。该方法有效揭示了设备运行中的异常谐波信号，为精确诊断故障提供了有力支持。实验结果表明，该方法在检测和定位谐波故障方面具有明显的优势，能够提高故障诊断的准确性和效率。然而，小波包分解算法在实际应用中仍需考虑设备具体运行环境和条件，因此未来研究中可进一步优化算法，提高其在复杂环境中的健壮性。