一种自适应的在线监测数据趋势提取方法

摘要

本发明涉及一种自适应的在线监测数据趋势提取方法，该方法结合了组合形态滤波器和经验模态分解两种方法，首先动态构造自适应的形态滤波器结构元素，使用所述形态滤波器结构元素进行滤波，进而进行经验模态分解，然后根据所处理数据的特点构造趋势项，最后根据所述趋势项进行趋势预警。该方法运算性能高，自适应性强，使用效果好。

说明书

技术领域

本发明涉及在线监测数据变化趋势的实时提取技术领域，特别是一种输变电 设备在线监测数据自适应的快速在线趋势提取方法。

背景技术

近年来，状态检修在国家电网公司得到广泛推广，作为状态检修的重要技术 手段的在线监测也得到飞速发展。在线监测数据实时、丰富、数量庞大，在设备 例行试验周期延长的情况下，是掌握设备状态的重要途径。但在线监测装置容易 受到环境温湿度、负荷、倒闸操作等因素干扰，导致数据频繁波动，采用单次采 集数据进行状态告警的方法经常发生误报，影响了在线监测的应用效果。

在线监测数据中蕴含了大量的工况信息，如能深入分析，对于工程应用很有 价值。为此，出现了数学形态学、经验模态分解(Empirical Mode Decomposition， 简称EMD)、小波分析等方法，提取出反映设备中、长期状态的趋势，并使用趋 势进行状态预警。

经验模态分解是由美国NASA的Norden E Huang等人在1998年提出的一种 新的信号分析方法。EMD分解是把复杂的信号分解成若干个本征模函数 （Intrinsic Mode Function简称IMF）及一个余项的线性和。IMF反映了时间序 列信号的内部特征，余项反映了趋势。但是，EMD分解的筛分过程运算量很大， 当数据量大幅增长时，运算的时间代价成几何级数增长，运算性能急剧下降，无 法满足对大量数据的在线提取趋势的需要。另外，EMD分解存在“过筛分”的 现象，筛分出来的IMF分量往往过多，一些分量并无明确的物理含义。

王静等(2009)直接使用数学形态学滤波器对在线数据进行滤波处理，滤波后 的数据作为趋势。结构元素及其窗宽的选取对这种方法的效果至关重要，在线监 测的波形形态多种多样，难以知道当下选择何种形状的结构元素更适合。窗宽的 确定也难以解决，窗宽一般要比数据中最大脉冲噪声宽度大才会得到比较平滑的 滤波效果，但这无法先验地知道。因此，数学形态学滤波的方法无法自适应地满 足在线监测数据趋势提取的需要。

发明内容

本发明的目的在于提供一种自适应的在线监测数据趋势提取方法，该方法运 算性能高，自适应性强，使用效果好。

为实现上述目的，本发明的技术方案是：一种自适应的在线监测数据趋势提 取方法，该方法首先动态构造自适应的形态滤波器结构元素，使用所述形态滤波 器结构元素进行滤波，进而进行经验模态分解，然后根据所处理数据的特点构造 趋势项，最后根据所述趋势项进行趋势预警。

进一步的，该方法包括以下步骤：

（1）动态计算原始序列的标准差，以所述标准差作为半径构造半圆形结构 元素，作为形态滤波器结构元素；

（2）采用所述半圆形结构元素对原始序列进行滤波处理，去除高频、脉冲 等噪声，得到初步的趋势序列数据；

（3）对初步的趋势序列数据按经验模态分解方法进行分解，得到一组IMF 分量和一个余量；

（4）根据所处理数据的特点，选择余量或者若干个IMF分量的叠加作为趋 势项r(t)；

（5）对于趋势项r(t)，计算趋势项r(t)在对应的序列时间长度内的趋势发展 速度，如果趋势发展速度超过设置的阀值，则发出趋势预警，趋势发展速度V 定义如下式：

$V=\frac{(r\left(t_n\right)-r\left(t_0\right))·T}{t_n-t_0}$

其中，t₀是序列的起始时间，t_n是序列的截止时间，r(t₀)是t₀时刻趋势项的 值，r(t_n)是t_n时刻趋势项的值，T是基准周期。

进一步的，在步骤（4）中，趋势项选择的原则如下：对于时间长度为1年 及以上的序列，选取所有IMF分量中周期大于90天的分量叠加起来作为趋势项 r(t)；对于时间长度为3个月以上1年以下的序列，选取所有IMF分量中周期大 于30天的分量叠加起来作为趋势项r(t)；对于时间长度为1个月以上3个月以下 的序列，选取所有IMF分量中周期大于1天的分量叠加起来作为趋势项r(t)。

相较于现有技术，本发明的有益效果是：运算性能高，不存在“过筛分”的 现象，筛分出来的IMF分量的物理含义比较明确。该方法采用组合形态滤波器 对原始序列进行滤波，去除了噪声成分，这加快了后续的EMD筛分过程，同时 减少了无明确物理意义的IMF分量，从而大大提高了运算性能。此外，本发明 方法的趋势项能够客观反映序列趋势本质，且具有很强的自适应性。本方法滤波 使用的结构元素是根据原始序列动态计算的，无需人工先验地选定，从而能够动 态适应各类序列滤波的需要。

附图说明

图1是本发明方法的工作流程图。

图2是本发明实施例中某变电站110kVI段母线避雷器A相阻性电流数据及 其趋势图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明提供一种自适应的在线监测数据趋势提取方法，该方法结合了组合形 态滤波器和经验模态分解两种方法，首先动态构造自适应的形态滤波器结构元 素，使用所述形态滤波器结构元素进行滤波，进而进行经验模态分解，然后根据 所处理数据的特点构造趋势项，最后根据所述趋势项进行趋势预警。该方法具体 包括以下步骤：

（1）动态计算原始序列的标准差，以所述标准差作为半径构造半圆形结构 元素，作为形态滤波器结构元素。

（2）采用所述半圆形结构元素对原始序列进行滤波处理，去除高频、脉冲 等噪声，得到初步的趋势序列数据。

（3）对初步的趋势序列数据按经验模态分解方法进行分解，得到一组IMF 分量和一个余量。

（4）根据所处理数据的特点，选择余量或者若干个IMF分量的叠加作为趋 势项r(t)。趋势项选择的原则如下：①对于时间长度为1年及以上的序列，考虑 到在线监测数据受季节性因素的影响是周期最长的影响因素，因而其趋势部分的 周期应大于90天，选取所有IMF分量中周期大于90天的分量叠加起来作为趋 势项r(t)；②对于时间长度为3个月以上1年以下的序列，选取所有IMF分量 中周期大于30天的分量叠加起来作为趋势项r(t)；③对于时间长度为1个月以 上3个月以下的序列，考虑到受环境温湿度和负荷的影响，选取所有IMF分量 中周期大于1天的分量叠加起来作为趋势项r(t)。

（5）对于趋势项r(t)，计算趋势项r(t)在对应的序列时间长度内的趋势发展 速度，如果趋势发展速度超过设置的阀值，则发出趋势预警，趋势发展速度V 定义如下式：

$V=\frac{(r\left(t_n\right)-r\left(t_0\right))·T}{t_n-t_0}$

其中，t₀是序列的起始时间，t_n是序列的截止时间，r(t₀)是t₀时刻趋势项的 值，r(t_n)是t_n时刻趋势项的值，T是基准周期，如30、90、360天，对应的是月、 季、年的发展速度。

本发明方法运算性能高，不存在“过筛分”的现象，筛分出来的IMF分量 的物理含义比较明确。本方法采用组合形态滤波器对原始序列进行滤波，去除了 噪声成分，这加快了后续的EMD筛分过程，同时减少了无明确物理意义的IMF 分量，从而大大提高了运算性能。

下面比较采用EMD法和本方法的运算性能。实验随机抽取266个氧化锌避 雷器设备，分别对在线采集（每天144个数据）的全电流1个月和2个月的数据 进行处理，程序采用JAVA语言编写，在CPU2.93GHZ、内存2G的PC机上运 行，统计结果如表1。

表1EMD法和本方法的运算性能比较

提取方法 时间长(月)  平均运算时间(ms) 平均分量数(个) FMD 1 5803 7 本方法 1 243 5 EMD 2 44946 8 本方法 2 418 5.5

实验表明，对1个月数据的趋势提取，EMD法的平均运算时间是本方法的 23.8倍，2个月数据时达到了107倍。可见，本方法大幅提高了运算性能，特别 是随着数据量的增长，平均运算时间更是急剧减少，性能上能满足在线对大数据 量的趋势提取要求。

本发明方法的趋势项能够客观反映序列趋势本质，且具有很强的自适应性。 本方法滤波使用的结构元素是根据原始序列动态计算的，无需人工先验地选定， 从而能够动态适应各类序列滤波的需要。趋势项的确定决定了趋势提取的质量， 本方法提出了从IMF分量周期的角度选取哪些分量作为趋势项的原则，从而解 决了以往方法依靠经验决定哪些分量作为趋势项的问题。这可以从以下的具体实 例说明：2009年3月，某变电站110kVI段母线避雷器A相的阻性电流的趋势发 展速度V达到27.5μA/月（图2），超过了趋势预警范围。连续跟踪，V值4月份 为32.9μA/月，5月份为39μA/月，6月份为47.3μA/月，有明显的加速发展趋势。 采用带电测试测其阻性电流，变化趋势基本与MM-EMD提取的趋势相吻合。后 对该避雷器进行高压试验，直流电压试验75%U1mA下由2003年交接试验的7uA 增长至38uA；经解体检查，该避雷器绝缘桶受潮。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功 能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。