基于希尔伯特黄变换和支持向量机的故障识别方法

1.本发明涉及电弧故障识别技术领域，尤其涉及基于希尔伯特黄变换和支持向量机的故障识别方法。


背景技术：

2.根据电弧发生的位置，可将故障电弧分为串联故障电弧、并联故障电弧。并联故障电弧主要由过载和短路引起，电流有效值较大，低压配电线路中的断路器、熔断器以及剩余电流动作保护器等传统保护装置能够对并联电弧提供有效保护。然而，发生串联故障电弧时，电路仍然连通，各种负载易燃能够运行，电弧电流由于受线路负载的限制，一般小于线路正常工作电流，电弧电流达不到断路器或熔断器等传统保护装置的动作电流值，无法被准确识别和有效保护。另外，串联故障电弧电流受负载特性影响大，有时电路正常运行与故障电弧发生时的电流波形非常相似，大大增加了区分正常电流与故障电弧电流的难度。目前，对串联故障电弧检测的方法可大致归为3类，分别为基于电弧数学模型的检测方法、基于电弧物理特征的检测方法和基于电弧电流/电压波形的检测方法。其中，利用电弧数学模型进行故障电弧检测的研究进展缓慢，更多地停留在理论和仿真阶段；利用电弧物理特征进行故障检测，受传感器检测范围和灵敏度限制，并且检测装置成本较高；当利用电弧电流或电压波形进行检测时，一个关键环节在于故障特征的提取。电弧故障发生时，电流电压通常突变，电流电压为非平稳信号，因此时频域分析方法是分析此类信号的有效手段。目前常用的分析方法有短时傅里叶变换和小波变换，但他们还是以傅里叶变换为最终理论依据，表现出傅里叶变换的缺点和局限性，无法同时从频域和时域上得到高精度的信息。短时傅里叶变换不适合同时分析变化速率与延伸范围不同的暂态信号，而小波变换虽然时、频分辨率可以改变，适合暂态信号的局部分析，但其基函数和分解尺度的不确定性影响对信号的准确分析。


技术实现要素：

3.为了克服现有技术的不足，本发明提供了基于希尔伯特黄变换和支持向量机的故障识别方法，实现了精确识别电弧故障。
4.为了实现上述发明目的，本发明采用以下技术方案：
5.s101、获取用户用电状态数据；
6.s102、将用户用电状态数据进行小波包处理，得到无高频干扰噪声的电流信号；
7.s103、通过陷波器将无高频噪声干扰信号的电流信号进行滤波处理，得到经过去噪滤波后的电流信号；
8.s104、采用经验模态分解对去噪滤波后的电流信号进行分解，得到固有模态函数；
9.s105、从固有模态函数中提取电流信号特征；
10.s106、将提取的电流信号特征通过分类器进行故障识别；
11.步骤s101至步骤s106，将用户用电状态数据进行小波包处理，得到无高频干扰噪
声的电流信号，并进行滤波处理；对去噪滤波后的电流信号进行分解，得到一系列固有模态函数；从固有模态函数中提取电流信号特征，将电流信号特征通过分类器进行故障识别。
12.进一步的，将用户用电状态数据进行小波包处理，小波包分解处理包括以下步骤：
13.通过小波包函数选择出相应的分解层次n，并进行n层小波包分解；
14.根据已经给定的标准熵，计算最佳小波包分解树；
15.选择适当的阈值对不同尺度的高频系数进行量化处理；
16.根据第n层的小波包分解低频系数和量化处理系数进行小波包重构。
17.进一步的，通过陷波器将无高频噪声干扰信号的电流信号进行滤波处理，滤波处理包括以下步骤：
18.将模拟低通原型陷波器通过s平面变换成数字带阻陷波器的z平面；
19.通过50hz工频谱陷波器将50hz的基波成分从电流波形去除。
20.进一步的，采用经验模态分解对去噪滤波后的电流信号进行分解，经验模态分解处理包括以下步骤：
21.a、用三次样条函数将电流信号s(t)所有的极大值点拟合成原数据序列上的包络线，将所有的极小值点拟合成原数据；
22.b、将原数据序列s(t)减去上下包络线的均值m1(t)得到一个去掉低频的新数据h1(t)；
23.c、将去掉低频的新数据h1(t)重复进行步骤a和步骤b，直至去掉低频的新数据h1(t)符合imf的定义要求，所得到的均值趋于零为止；
24.d、得到符合imf定义要求的数据序列h
1k
(t)；将c1(t)从s(t)中分离出来，即得到一个去掉高频分量的差值信号；得到固有模态函数。
25.进一步的，从固有模态函数中提取电流特征，提取电流特征包括以下步骤：
26.对每个imf分量进行希尔伯特变换，得到每个imf分量的瞬时频率和瞬时幅值；通过边际谱提取出电流信号特征。
27.进一步的，将提取的电流信号特征通过分类器进行故障识别，识别故障包括以下步骤：根据给定输入数据和学习目标确定目标函数；将有约束的目标函数转换为无约束的目标函数；识别故障的判别函数f(z)为：
28.进一步的，将有约束的目标函数转换为无约束的目标函数具体包括以超平面的法向量和超平面的截距为变量，通过拉格朗日函数将有约束的目标函数转换为无约束的目标函数。
29.本发明的有益效果：基于希尔伯特黄变换和支持向量机的故障识别方法，通过小波包阈值去噪的滤波方法去除高频噪声，并且保留了故障电弧信号的基本特征，有利于故障电弧数据的处理与分析；具有较高的检测与识别故障电弧准确率，有助于减少因故障电弧导致的电气火灾隐患的发生，提高了用电安全性。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
31.图1是本发明基于希尔伯特黄变换和支持向量机的故障识别方法的步骤示意图。
具体实施方式
32.下面结合附图对本公开实施例进行详细描述。
33.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
34.实施例一：
35.s101、获取用户用电状态数据；
36.获取用户用电状态数据，用电用户状态数据从安装的智能电表获取。
37.s102、将用户用电状态数据进行小波包处理，得到无高频干扰噪声的电流信号；
38.通过小波包去噪去除信号中包含的高频干扰信号，得到去除高频干扰噪声的电流信号；将用户用电状态数据进行小波包分解处理，得到无高频干扰噪声的电流信号，小波包分解处理包括以下步骤：
39.通过小波包函数选择出相应的分解层次n，并进行n层小波包分解；
40.根据已经给定的标准熵，计算最佳小波包分解树；
41.选择适当的阈值对不同尺度的高频系数进行量化处理，阈值选择规则公式如下所示：
[0042][0043]
其中，n为对噪声信号进行小波包分解得到的小波包系数个数，σ为噪声信号均方差。
[0044]
根据第n层的小波包分解低频系数和量化处理系数进行小波包重构。
[0045]
需要说明的是，选择出适当的阈值对不同尺度的高频系数进行量化处理，通过反复实验来确定阈值的大小，得到最优的结果。
[0046]
利用小波包去噪去除信号中包含的高频干扰信号，不仅去除高频噪声干扰信号，而且不破坏故障电弧信号的基本特征，得到无高频干扰噪声的电流信号。
[0047]
s103、通过陷波器将无高频噪声干扰信号的电流信号进行滤波处理，得到经过去噪滤波后的电流信号；
[0048]
通过陷波器对无高频噪声干扰噪声的电流信号进行滤波处理；
[0049]
需要说明的是，在发生串联型故障电弧时，负载仍然正常工作，因此认为基波是负载正常工作而出现的分量，与故障电弧无关，因此通过50hz工频谱陷波器将50hz的基波成分从电流波形中去除。
[0050]
滤波处理包括以下步骤：将模拟低通原型陷波器通过s平面变换成数字带阻陷波
器的z平面；通过50hz工频谱陷波器将50hz的基波成分从电流波形去除，得到经过去噪滤波后的电流信号。
[0051]
从模拟低通原型陷波器通过s平面变换成数字带阻陷波器的z平面，模拟低通原型滤波器到模拟带阻滤波器的变换关系为：
[0052][0053]
其中，s为模拟低通原型拉普拉斯变量s＝σ jω，p为模拟带阻滤波器原型拉普拉斯变量ω0为模拟带阻滤波器的几何中心频率。
[0054]
通过双线性变化：
[0055][0056]
其中，p为模拟带阻滤波器原型拉普拉斯变量，z为z平面中的复变量，fs为采样频率。
[0057]
可以得到
[0058][0059]
其中，s为模拟低通原型拉普拉斯变量，z为z平面中的复变量。(e和d无实际意义，仅为方便表示以下式子，整体表示为d和e)
[0060]
根据以下式子代入进行滤波处理，得到经过去噪滤波后的电流信号：
[0061][0062][0063]
其中，ωc是模拟低通滤波器通带截止频率，当采用归一化原型的低通滤波器作为变换原型时，ωc＝1，ω1为带阻数字滤波器通带的第一截止频率，ω2为带阻数字滤波器通带的第二截止频率。
[0064]
s104、采用经验模态分解对去噪滤波后的电流信号进行分解，得到固有模态函数；
[0065]
对去噪滤波后的电流信号进行经验模态分解处理，得到固有模态函数，经验模态分解处理包括以下步骤：
[0066]
a、用三次样条函数将去噪滤波后的电流信号所有的极大值点拟合成原数据序列上的包络线，将所有的极小值点拟合成原数据；
[0067]
b、将原数据序列减去上下包络线的均值得到一个去掉低频的新数据；
[0068]
c、将去掉低频的新数据重复进行步骤a和步骤b，直至去掉低频的新数据符合imf的定义要求，所得到的均值趋于零为止；
[0069]
d、得到符合imf定义要求的数据序列；将imf分量从原数据序列中分离出来，即得到一个去掉高频分量的差值信号；得到固有模态函数；
[0070]
计算上下包络线的均值m1(t)，把原数据序列s(t)减去上下包络线的均值得到一个去掉低频的新数据h1(t)：
[0071]
s(t)-m1(t)＝h1(t)
[0072]
其中，s(t)为原数据序列，m1(t)为上下包络线的均值，h1(t)为去掉低频的新数据。
[0073]
需要说明的是，因为h1(t)一般仍不是一个imf分量序列，为此需要对它重复进行上述处理过程，重复进行上述处理过程k次，直到h1(t)符合imf的定义要求，所得到的均值趋于零为止，这样就得到了第一个imf分量c1(t)，它代表信号s(t)中最高频率的分量：
[0074]h1(k-1)
(t)-m
1k
(t)＝h
1k
(t)
[0075]
c1(t)＝h
1k
(t)
[0076]
其中，m1(t)为上下包络线的均值，h1(t)为去掉低频的新数据，m
1k
(t)为第k次处理过程中的上下包络线均值，h
1k
(t)为符合imf定义要求的数据序列。
[0077]
将c1(t)从s(t)中分离出来，即得到一个去掉高频分量的差值信号，即有：
[0078]
r1(t)＝s(t)-c1(t)
[0079]
将r1(t)作为原始数据，重复步骤，得到第二个imf分量c2(t)，重复n次。得到n个imf分量，这样就有：
[0080][0081]
当cn(t)或rn(t)满足给定的终止条件(通常使rn(t)成为一个单调函数)时，循环结束，有上面两个式子可以得到：
[0082][0083]
其中，rn(t)为残余函数，代表信号的平均趋势，各个imf分量c1(t)，c2(t)，
……
，cn(t)分别包含了信号不同时间特征尺度大小的成分，每一个频率段所包含的频率成分都是不同的，且随信号本身的变化而变化。
[0084]
s105、从固有模态函数中提取电流信号特征；
[0085]
从固有模态函数中提取电流特征，提取电流特征包括以下步骤：
[0086]
对每个imf分量进行希尔伯特变换，得到每个imf分量的瞬时频率和瞬时幅值；通过边际谱提取出电流信号特征。
[0087]
例如，对每个imf分量c1(t)，c2(t)，
……
，cn(t)进行希尔伯特变换：
[0088][0089]
其中，di为第i个imf分量希尔伯特变换后得到的信号，τ为积分变量。
[0090]
根据和可以求得信号相位函数θi(t)和瞬时幅值ai(t)；
[0091]
对相位函数求导可得信号瞬时频率
[0092]
进而求得希尔伯特时频谱h(ω,t)，
[0093][0094]
其中h(ω,t)为希尔伯特时频谱，re表示复数的实部，ωi为信号瞬时频率，aj为imf分量希尔伯特变换后得到的信号，i代表虚数，j代表第j个imf分量；
[0095]
求解边际谱h(ω)，
[0096][0097]
其中，h(ω)为边际谱，h(ω,t)为希尔伯特时频谱，fs为采样频率，
[0098]
需要说明的是，对固有模态函数进行希尔伯特变换得到时频谱，抛开高频噪声和低频成分等与故障发生无关的成分，通过将发生变化的时频曲线对应的imf分量提取并相加成一个信号，用以表征故障电弧信号。
[0099]
s106、将提取的电流信号特征通过分类器进行故障识别；
[0100]
将提取的电流特征作为输入向量，通过分类器进行分类，从而对用户用电状态进行区分，识别得到是否产生电弧，识别故障包括以下步骤：根据给定输入数据和学习目标确定目标函数；将有约束的目标函数转换为无约束的目标函数；识别故障的判别函数f(z)为：
[0101]
其中，z为样本点到超平面的距离，f(z)为分类器分类结果，ai为拉格朗日乘子，yj为支持向量对应的类型标签，xi为特征信息组成的特征向量。
[0102]
需要说明的是，将有约束的目标函数转换为无约束的目标函数具体包括以超平面的法向量和超平面的截距为变量，通过拉格朗日函数将有约束的目标函数转换为无约束的目标函数。
[0103]
给定输入数据和学习目标：x＝{x1,x2,
……
，xn}，y＝{y1,y2,
……
，yn}，n为用电电器数，超平面表达式为h:ω
t
x b＝0，几何间隔为
[0104]
其中，x为输入数据，y为学习目标，ω为超平面的法向量，b为超平面的截距；
[0105]
因此目标函数为：
[0106][0107]
其中，yi为各个电器故障与否的类型标签，ω
t
为超平面的法向量的转置，xi为特征信息组成的特征向量，b为超平面的截距，ω为超平面的法向量。
[0108]
等价为：
[0109][0110]
其中，ω为超平面的法向量。
[0111]
优化支持向量机目标函数，以超平面的法向量和超平面的截距为变量，引入拉格朗日乘子αi，利用拉格朗日函数将有约束的目标函数转换为无约束的目标函数：
[0112][0113]
其中αi≥0，m表示样本总数，ω为超平面的法向量，b为超平面的截距，ai为拉格朗日乘子，yi为各个电器故障与否的类型标签，xi为特征信息组成的特征向量，ω
t
为超平面的法向量的转置。
[0114]
令和可得
[0115][0116][0117]
代入目标函数，得上述最优化问题得对偶形式的目标函数l(ω,b,α)：
[0118][0119]
对每一个解α
i*
对应于一个样本进行求解，进而求得最优分类超平面的法向量ω
i*
：
[0120][0121]
其中，ωi为求得的最优分类超平面的法向量，ai为拉格朗日乘子，yi为各个电器故障与否的类型标签，xi为特征信息组成的特征向量，xj为不为零的解，称为支持向量，yj为支持向量对应的类型标签；当α＞0时，有yi(ω
t
xi b)-1＝0，求得参数b
*
＝y
i-ω
*
xi。
[0122]
则最终的判别函数f(z)为：
[0123][0124]
其中，z为样本点到超平面的距离，即通过f(z)得到分类器分类结果，ai为拉格朗日乘子，yj为支持向量对应的类型标签，xi为特征信息组成的特征向量。
[0125]
例如，将提取出的电流特征作为输入向量，通过分类器进行分类，从而对用电状态进行区分，识别得到是否产生电弧；支持向量机训练样本数据来源于故障电弧模拟和仿真技术对于正常数据，将多次收集的信号以9：1分为训练集和测试集；当测试数据为正常数据时，目标输出为1，当测试数据为故障数据时，目标输出为-1；分类器选取c-svc分类方法；如表1所示，以4个家庭进行示例，将获取到的用户数据进行特征提取，然后将其作为svm分类器的输入，并输出识别结果。本发明共检测出1653个事件，选取1400个样本进行训练，其余样本用于测试，对所监测的4个家庭中各自的4个用电器进行故障识别，识别结果的正确率如表1所示：
[0126][0127]
表一
[0128]
综上，本发明一种基于希尔伯特黄变换和支持向量机的故障电弧识别方法，将希尔伯特黄变换特征提取方法与支持向量机分类识别方法融合。希尔伯特黄变换能够分析非线性非平稳信号，不受heisenberg测不准原理制约，适合突变信号，具有完全的自适应性；另外，svm的最终决策函数只由少数的支持向量的数目，而不是样本空间的维数，且基本上不涉及概率测度及大数定律等，大大简化了通常的分类和回归等问题；通过验证，本发明方法的故障电弧识别效果具有较高的准确率。
[0129]
在本发明的描述中，需要说明的是，术语“第一”和“第二”仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0130]
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。