基于小波包分解的通信電源計量設備諧波故障診斷方法

劉沛然

（國能三河發電有限責任公司，河北 三河 065201）

0 引 言

隨著通信技術的飛速發展，通信電源設備在保障通信系統正常運行中起著至關重要的作用。然而，在實際應用中，由于各種因素影響，通信電源設備可能會出現各種故障，其中諧波問題是比較常見的一種。因此，對通信電源設備進行諧波故障診斷是必要的。傳統的諧波故障診斷方法在處理非平穩信號時存在局限性。相比之下，小波包分解能夠更好地處理非平穩信號。因此，文章提出一種基于小波包分解的通信電源計量設備諧波故障診斷方法。通過對該方法的詳細闡述、實驗驗證及結果分析，推動相關領域的發展和進步[1]。

1 基于小波包分解的通信電源計量設備諧波故障診斷方法的設計

1.1 基于小波包分解收集計量設備運行諧波信號

通信電源計量設備中的諧波是由于非線性負載的電流波形畸變產生的。當電流流經負載時，會產生與基波頻率不同的成分，這些成分被稱為諧波。諧波故障可能表現為誤動作、設備過熱、誤計量、保護裝置誤動作及設備損壞等。這些故障可能導致通信系統不穩定、數據丟失、設備損壞及安全問題，因此要診斷通信電源計量設備的諧波故障[2]。

為精準診斷通信電源測量裝置的諧波故障，需要采集其工作資料。然而由于諧波故障信息本身較為微弱，加上采集設備所處的環境因素和設備自身的震動等干擾，使得在采集過程中產生了大量的噪聲，嚴重影響通信電源計量設備諧波故障診斷的精準度[3]。因此，在收集計量設備運行諧波信號的過程中需要進行降噪處理[4]。

設定在通信電源計量設備中的運行信號為2 種諧波信號疊加形成，即

其中輔助函數為

經小波包分解后，其計算公式如下

式中：e1、e2分別為2 種諧波信號；η為計量設備性能參數；w為計量設備運行信號頻率；y為沖激函數；為幅值；e為信噪比。

小波包分解可以對通信電力計量裝置的工作信號進行頻率檢測，反映其工作狀態和噪聲的特性、分布情況，方便進行降噪處理。

重構得出的計量設備運行信號頻率，得到新的降噪后計量設備運行信號，其表達公式如下

式中：g為采樣率；k為噪聲標準差；m為樣本數量。

根據式（4）得到降噪后的計量設備運行信號，并獲得最佳的信號降噪效果，為后續的通信電源計量設備諧波故障診斷提供最優依據[5]。

1.2 提取諧波故障特征

當通信電源計量設備出現故障時，其頻域內的信號會產生突變，導致諧波信號的能量發生變化[6]。因此，文章采用小波包分解算法來提取諧波故障特征。對采集的信號進行小波包分解，將信號分解成不同頻帶的小波包，能夠提取信號中的高頻和低頻成分，更好地分析信號的特征[7]。歸一化處理得到的計量設備運行狀態信號，公式如下

式中：a''(t)為經過歸一化處理后的數據；a'(t)為在t時刻計量設備運行狀態信號的原始數據；a'max(t)為t時刻輸入信號的全部數據中的最大值；a'min(t)為t時刻輸入信號的全部數據中的最小值[8]。

通過小波包分解算法實現處理運行狀態信號的平穩化，把各種尺度的信息波形和方向劃分開來，由此獲得各種不同尺寸的運行故障特征信息序列。每個運行故障特征信號序列都被視為一個本征模態函數（Intrinsic Mode Function，IMF）分量。在計量設備的故障特征信息獲取處理過程中，必須確定裝置的故障歷史信號a''(t)的局部上確界點，并通過3 次樣條函數得到上包絡線與下包絡線的局部均值公式如下

式中：o1(t)為上包絡線數值；o2(t)為下包絡線數值。

設定未經歸一化處理的諧波信號為

若b(t)不滿足IMF 條件，則認定b(t)為新任a''(t)。

在實際診斷過程中，若迭代過于重復，則IMF分量的幅度逐漸穩定，會失去IMF 分量的研究意義。因此，文章將通信電源計量設備中的IMF 分量作為迭代停止條件，其表達公式如下

式中：d1為通信電源計量設備的運行諧波故障信號的第一個IMF 分量；r(t)為通信電源計量設備故障信號的余項；b''(t)為經歸一化處理后的諧波信號。

此時，通信電源計量設備處于故障狀態中的所有頻帶信號的總能量計算公式如下

標準化處理通信電源計量設備的運行狀態信號的總能量，提取出的特征向量的計算公式如下

式中：Y為頻帶信號能量。

通信電源計量設備在工作時，其輸出的能量中包含許多故障信息。文章詳細分析了通信電源計量設備工作過程中的各種工況信息后，采用小波包分解算法對其進行處理，有效提取出與諧波故障相關的特征。

1.3 識別診斷通信電源計量設備的諧波故障

基于提取的特征，利用分類器或算法對設備進行故障診斷，同時能夠根據特征值對設備進行故障分類。因此，文章選擇小波包分解算法，并結合神經網絡對其進行正確的故障識別與診斷。

神經網絡的構建分為正向運算和逆向運算2 個階段，通過對輸入單元、隱層單元及輸出單元中神經元數目的設計，診斷所獲得的數據。應用神經網絡進行通信電源計量設備故障診斷的步驟如下。首先，將需要診斷的通信電源計量設備數據（即學習樣本）分為訓練樣本、驗證樣本及試驗樣本，按3 ∶1 ∶1 的比例進行分類。其次，利用得到的訓練后樣本數據對網絡進行訓練，同時使用驗證樣本數據來評估網絡的輸出誤差。如果誤差在訓練過程中持續減小，則繼續訓練，直到其達到設定的誤差閾值。最后，完成神經網絡訓練后，利用數據樣本對神經網絡進行錯誤檢測，并統計輸出誤差。當最大值、最小值及均值不超過預先設定的誤差值時，該分類器就能被訓練出來；否則，重復檢驗過程。

神經網絡的認知與訓練過程是收集檢測數據的過程，其網絡參數需要根據檢測樣本決定。輸入層對應設備的故障特征向量，而輸出層對應診斷的故障類別。將待檢測的故障數據樣本送入神經網絡，再經過向前分析將信號反向傳遞，樣本信息會傳遞到輸出單元，最終得到故障診斷的分類結果。

2 實驗測試與分析

2.1 實驗準備

為驗證文章提出的基于小波包分解的通信電源計量設備諧波故障診斷方法的有效性，現根據實驗需求，搭建合適的實驗環境。實驗使用MATLAB 軟件作為仿真環境，對一臺通信電源計量設備進行模擬實驗，以50 Hz/ms的采樣頻率采集設備的工作狀態信號。同時，該通信電源計量設備的相關性能參數影響著實驗的精準度，各項參數如表1 所示。

表1 通信電源計量設備相關性能參數

根據電壓值的不同，記錄500 組樣本數據。其中，50%的數據被用作訓練樣本，用于訓練網絡。經過3層神經網絡分類后，每組數據樣本被提取出一組7 維的故障特征向量，從而獲得一個500×50%×7 的初始故障特征向量。

2.2 實驗結果與分析

基于實驗準備，現將本文方法與傳統方法帶入該測試環境，檢驗2 種方法的故障診斷效率，測試結果對比表2 所示。

表2 測試結果對比

由表2 可知，本文方法的診斷效率明顯高于傳統方法，能夠有效地提取通信電源計量設備中的諧波成分，并在故障發生時提供準確的診斷信息。

3 結 論

通過應用小波包分解算法，深入分析和診斷通信電源計量設備中的諧波故障。該方法有效揭示了設備運行中的異常諧波信號，為精確診斷故障提供了有力支持。實驗結果表明，該方法在檢測和定位諧波故障方面具有明顯的優勢，能夠提高故障診斷的準確性和效率。然而，小波包分解算法在實際應用中仍需考慮設備具體運行環境和條件，因此未來研究中可進一步優化算法，提高其在復雜環境中的健壯性。