多元經驗模態分解的發電機組多通道電信號濾波

趙志剛

摘要：發電機組多需要滿足嚴苛運行環境的需求，受大量不確定因素的影響，系統三相電流信號具有非線性以及非平穩特性。為實現各種擾動影響下的發電機組運行狀態監測，將基于多元經驗模態分解（Multivariate Empirical Mode Decomposition，MEMD）的方法用于風電系統電信號去噪。相對于傳統單通道模態分解去噪算法，該方法能同時實現多通道信號的多尺度分解并保證相同模態數，有效地解決模態混疊問題。同時，將動態均方差（Consecutive Mean Square Error，CMSE）算法用于信號重構，只需計算各模態能量值，實現簡單。仿真驗證結果表明，基于MEMD的多通道濾波算法能夠有效地實現多工況運行下的三相電流魯棒濾波。

關鍵詞：發電機組；風力發電；多元經驗模態分解；動態均方差；濾波去噪

中圖分類號：TP277；TP274文獻標志碼：A文章編號：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

受復雜運行工況和復雜運行環境的影響，電力電子器件故障成為了嚴重影響發電機組系統運行穩定與安全的重要因素。通常而言，發電機組運行具有強非線性，易受到外界環境和能源來源的隨機波動影響，輸出表現出非線性以及非平穩特性。為實現發電機組運行狀態監測與視情維護，電力系統魯棒濾波成為眾多學者的研究熱點，其中，基于經驗模態分解（Empirical Mode Decomposition，EMD）的完全數據驅動的自適應分解方法受到廣泛關注。

基于EMD的信號去噪方法被廣泛用于電力系統的狀態監測與故障診斷研究。為了消除電信號中由焊點、電機運行等因素產生的高頻噪聲，Vivek[1]等利用該算法處理并分析非線性及非平穩電信號，避免潛在的電路燒毀、電氣絕緣劣化和設備損壞等影響。Javier等[2]利用EMD將永磁同步電機定子電流進行分解，結合二次頻分布進行特征提取，以實現電機在穩態與變速運行狀態下的短路故障檢測。包廣清等[3]利用EMD對采樣信號進行時頻自適應預處理，然后利用集合柔性形態學進行特征提取實現風電并網電壓故障檢測。

傳統的EMD分解算法主要是針對單一通道信號進行分析，其分解過程具有完全自適應性，但無法保證分解后的多通道信號具有相同的固有模態函數個數。為了實現多通道信號分解后的同尺度分析，Rehman等[4]提出了基于多維空間投影思想的多元經驗模態分解算法MEMD，克服了EMD只能針對單通道信號分析的不足，解決了不同信道增加的高斯白噪聲產生的模態混疊問題[5]。目前，MEMD已被廣泛應用于圖像處理[6，7]、生物信號處理[8]、氣象預測[9-12]和振動分析[13-15]等。其中，劉棟材等[16]針對加速度傳感器測得的多通道信號中存在耦合的問題，提出了基于MEMD與全息譜技術相結合的信號分析方法，實現對振動模態特性的分析。王金甲等[17]針對腦機接口系統中的多通道非平穩腦電信號和腦磁信號，提出了MEMD與功率特征結合的信號特征提取算法。但相對于EMD單通道信號分解在電信號中的廣泛應用，MEMD在電信號，尤其是在電力系統信號中的分析與研究還比較少。

本文針對MEMD在多維電信號濾波去噪中的應用進行了研究，以風力發電系統作為典型的大型發電機組的應用對象。考慮到其風電機組三相電流具有非線性與非平穩特性，因此專門提出基于多元經驗模態分解的多維電信號多尺度分解的濾波方法，并針對其電信號主要特征多由低頻部分組成的特征，針對性地提出將動態均方差用于自適應選擇合適的IMF集合以進行信號重構。

1多通道濾波實現

1.1多元經驗模態分解

在使用EMD分解多維信號時，極大極小值通常無法直接得到，因此Rehman等[4]提出的MEMD算法通過在N維空間沿不同方向獲取投影向量序列，獲得每個方向上信號包絡的局域均值。每個通道信號被MEMD分解后IMF個數相等，實現每個通道對應的各層IMF頻率尺度對齊。

MEMD實現的基本步驟如下：

（1）利用Hammersly序列在（-1）維球面設置均勻采樣點集，建立維空間方向向量；

（4）判斷提取出的固有模態函數（ ）= （ ）- （ ）是否滿足IMF判斷條件，若滿足則將（ ）- （ ）的差值作為步驟2的輸入，通過步驟2～4的迭代分解下一個本征模態，若不滿足，則直接將（ ）作為步驟2的輸入。

經過反復的迭代過程，維信號可分解為

對于多通道濾波實現，將MEMD用于多維信號分解得到相同成數且各層頻率尺度對齊的IMF集合，然后分別計算不同通道的IMF能量值并確定信號重構索引即可。

2基于MEMD和CMSE算法的電信號濾波

選取風力發電系統作為典型對象，其主要部件包括：葉片、齒輪箱、軸承、輪轂、塔架、偏航系統、變槳裝置、變流器、發電機和控制系統等，其簡略工作模型如圖1所示。

三相變流器作為機側和網側的能量交換中間環節，對于風電變流器的高效安全運行意義重大。導致變流器不能正常運行的原因有很多，電力電子器件的短路和開路故障是最為常見的2種。其中，短路引起的電流過載常由硬件保護實現，開路故障雖不會立即導致過載，但長時間運行會導致系統諧波增加并進一步導致同一橋臂電力電子器件損毀。

但風電機組運行過程中受隨機風速波動、開關動作以及電力系統非線性等因素影響，三相電流輸出受諧波及各色噪聲影響，導致基于三相電流的直接電流檢測法、電流平均值法等開路故障檢測方法出現較高的誤報以及漏報率。因此，提出基于MEMD和CMSE算法的風電系統多通道電信號魯棒濾波算法具有現實意義。

基于MEMD和CMSE算法的電信號濾波的流程如圖2所示。其中主要的傳感器主要用于圖1中輸出到電網Grid的三回電路之上。有別于傳統的基于EMD分解的單通道信號分析方法，基于MEMD分解后的不同通道信號各層IMF，具有對應層頻率尺度對齊的特性。因此通過選取各通道重構索引最大以提高濾波性能是可行的。

3仿真驗證

為驗證本文提出的基于MEMD和CMSE的多通道電信號濾波的有效性，利用圖1所述直驅風力發電機組運行數據，分析其對非線性和非平穩電信號濾波的有效性。

假設圖1中風力發電系統A相上橋臂受開路故障影響，其三相電流MEMD分解后的多維IMFs如圖3所示。其中，三相電流分解后的每一相分解后的本征模態函數，每一層對應的IMF能量如圖4所示。圖3中“*”“o”“x”分別表示ABC相電流分解后IMF從高頻到低頻對應的能量值。結合圖3中每個模態的能量值分布，利用CMSE算法在線選取重構索引為6。重構后的ABC三相電流如圖4所示。

類似的，假設風機輸入風速發生階躍變化，即在0.02 s處由14 m/s減少到12 m/s，則機側三相電流濾波輸出如圖5所示。

綜合可見，濾波重構后的電流表現較測量值更為平滑且具有更小的噪聲，能夠更為準確地反映實際電流的變化態勢。

4結束語

針對多工況運行下的風力發電系統電信號具有非線性與非平穩性特點，提出了基于MEMD和CMSE算法的多通道電信號濾波方法。該方法利用MEMD多維同時分解的特性使得分解后各層IMF頻率尺度對齊，為多維信號之間的耦合關系的直接分析提供了可能，同時提高了自適應分解過程中消除模態混疊問題的能力。在得到各通道信號分解的本征模態函數集合后，計算得到不同通道的IMF能量分布，利用CMSE規則自適應地確定重構索引集合并選取集合中最大索引值進行信號重構。仿真結果表明，本文所提方法對具有非線性和非平穩特性的電信號濾波具有較強的魯棒性，為進一步監測和分析風電機組運行狀態提供了基礎。

參考文獻

[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]包廣清，宋澤，吳國棟，等.基于經驗模態分解和形態學的風電并網電壓故障檢測[J].農業工程學報， 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]任文藝，張淳民，賈辰凌，等.基于經驗模態分解的干涉成像光譜偏振儀數據處理研究[C]//2013年（第五屆）西部光子學學術會議論文集， 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]賀祥. PM （2.5）濃度變化驅動機制研究[D].南京：南京師范大學， 2017.

[11]劉申，褚曉東，張文.基于氣象測量場的爬坡時段區域風功率預測[J].電力系統自動化， 2015， 39（16）：29-36.

[12]張淑清，李威，張立國，等.基于多元經驗模態分解互近似熵及GG聚類的軸承故障診斷[J].中國機械工程， 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，王豐華，周荔丹，等.利用窄帶噪聲輔助多元經驗模態分解算法檢測換流變壓器用有載分接開關機械狀態[J].電工技術學報， 2017， 32（10）：182-189.

[15]付文龍.水電機組振動信號分析與智能故障診斷方法研究[D].武漢：華中科技大學， 2016.

[16]劉棟材，郭杰，申遠.基于MEMD與全息譜技術的加速度傳感器信息融合[J].中國科學技術大學學報， 2016（8）： 702-708.

[17]王金甲，劉源.基于多通道經驗模式分解的腦機接口特征提取[J].生物醫學工程學雜志， 2015（2）：57.