[发明专利]基于经验模态分解的局部放电数据去噪方法和系统

说明书

本发明公开了一种基于经验模态分解的局部放电数据去噪方法，其包括步骤：(1)获取电力设备的局部放电信号(2)根据经验模态分解上述信号自相关函数和阈值，对其进行去噪，得到去噪后有效局部放电信号固有模态函数分量(3)对去噪后固有模态函数分量进行重构，得到去噪局部放电数据。本发明还公开了一种去噪系统，包括：局部放电数据平台，其存储有电力设备局部放电信号；处理模块，其从局部放电数据平台获取电力设备局部放电信号，并进行处理步骤：(1)根据经验模态分解局部放电信号自相关函数和阈值，对局部放电信号去噪，得到去噪后有效局部放电信号的固有模态函数分量(2)对去噪后固有模态函数分量进行重构，得到去噪局部放电数据。

技术领域

本发明涉及一种去噪方法和系统，尤其涉及一种局部放电数据去噪方法和系统。

背景技术

在局部放电试验中，采集的局部放电数据不可避免存在大量的白噪声，噪声主要来源于仪器操作或环境影响。这些低质量的数据会影响后续的数据处理，影响后续识别诊断的准确率等。因此常常需要对采集的大量局部放电数据进行去噪筛选，从而提升数据集质量。

目前，常用的去噪算法有两种，分别是小波变换算法和经验模态分解。其中，小波变换算法具有良好的自适应性，它首先选用恰当的正交小波滤波器对利用傅立叶变换后的波谱作自适应性划分，然后提取具有紧支撑傅立叶谱的模态信号分量。但需要说明的是，由于小波变换算法受小波基选择的影响，因此其具有较大的局限性。

相应地，经验模态分解目前广泛应用于非线性、非平稳信号的分解，其基本原理是使用具有单一尺度分量的固有模态函数组成具有多时间尺度分量的信号，其整个过程完全是自适应性的。经验模态分解法不再受傅立叶变换思想的局限，在很多领域都有应用，比如地震分析、机械振动等领域。传统的经验模态分解去噪融合了时空去噪和阈值去噪两者的优点。其中关键的问题是如何确定可以准确分别有用信号和噪声信号的固有模态函数分解点K值的大小，K值不能过大也不可过小，若K值过大会则不能完全滤除噪声信号，而若K值过小则会丢失部分有效信号。

基于此，为了避免上述问题，实现对局部放电信号的良好降噪，期望获得一种能够准确有效的分辨局部放电数据中的有用信号和噪声信号的局部放电数据去噪方法和系统，其是对局部放电去噪手段的重要补充。

发明内容

本发明的目的之一在于提供一种基于经验模态分解的局部放电数据去噪方法，针对局部放电试验采集的数据中来源于仪器操作或环境的噪声，该去噪方法能够准确有效的分辨局部放电数据中的有用信号和噪声信号，并去除噪声信号，其是对局部放电去噪手段的重要补充，具有很大的生产意义和实用价值。

根据上述发明目的，本发明提出一种基于经验模态分解的局部放电数据去噪方法，其包括：

(1)获取电力设备的局部放电信号；

(2)根据经验模态分解局部放电信号的自相关函数和阈值，对局部放电信号进行去噪，得到去噪后的有效局部放电信号的固有模态函数分量；

(3)对去噪后的固有模态函数分量进行重构，以得到去噪的局部放电数据。

在本发明所述的技术方案中，本案发明人考虑到现有经验模态分解的问题，针对经验模态分解算法的缺陷进行改进，使用局部放电图谱自相关函数特性的差异性分辨局部放电数据中的有用信号和噪声信号，基于经验模态分解和阈值降噪的方法，对局部放电信号进行去噪，实现了对局部放电信号的良好降噪，可以有效提升数据的质量，为最终的图谱识别打下了良好的基础。

在本发明所述的基于经验模态分解的局部放电数据去噪方法中，携带有噪声或受周边环境干扰的局部放电信号可以采用经验模态分解按照信号频率由高至低进行滤波分解。需要说明的是，首先分解出的几个低阶固有模态函数分量，主要是由噪声信号组成的固有模态函数，之后被分解出的几个高阶固有模态函数分量主要是由有用信号主导。