一种船舶电能扰动时间定位与类型识别的弧长差分序列方法

摘要

本发明提出一种船舶电能质量扰动时间定位与类型识别的弧长差分序列方法。该方法基于弧长差分序列对形态滤波器滤波后的电能信号进行处理，可以实现船舶电力系统中常见的5种单一扰动和3种复合扰动的时间定位和类型识别。该方法首先采用一种改进的交替混合形态滤波器，对船舶电能信号进行滤波处理，然后提出一种弧长差分序列的定义，并用于精确时间定位扰动时间，提取出扰动时频域特征‑幅值变化特征和波峰特征，最后将特征量和扰动时间输入到定义了扰动类型识别规则的类型识别器，实现扰动类型识别。本发明的方法可用于快速类型识别实际船舶电力系统中的扰动，适用于实时检测和类型识别。

说明书

技术领域：

本发明涉及船舶电能扰动时间定位与类型识别，特别涉及基于弧长差分序列的船舶电力系统中单一扰动和复合扰动的扰动时间定位和类型识别。

背景技术：

我国船舶工业发展迅速，随着船舶能源装置和动力装置技术的巨大革新，电力推进类型船舶成为船舶市场中的主流船型。在电力推进类型船舶的推广中，保证船舶电力系统安全、可靠和稳定地运行是其重要技术问题，而快速准确地时间定位和类型识别船舶电能中的扰动是解决这一技术问题的重要基础。因此，对船舶电能扰动时间定位与类型识别进行研究具有深刻的意义。

形态滤波器滤波方法是一种源于图像特征提取的基于集合论的时域非线性滤波方法，具有计算简单、实时性强的特点，是近年来受到关注的时域滤波方法。基于经典形态学原理的去噪方法研究围绕两个主要方面展开：选取自适应结构元素和设计新型算子函数。然而，这些研究虽然不同程度地提高了滤波效果，但是算法复杂性和计算量都大幅增加，泛化应用能力值得推敲。

船舶电能扰动时间定位与类型识别的常用方法是傅里叶分析、短时傅里叶分析、和小波分析，从频域角度对电能信号进行分析。但是，船舶电力系统的工作环境中充斥着大量且高强度的电磁噪声，尤其是军用舰船，频域中分布有大量噪声频率，采用频域方法分析电能信号，时间定位和类型识别扰动是一项艰巨的任务。在强噪声背景下，信号的时域波形信息不易产生畸变，如正弦电压波形受噪声污染，波形变得更加粗糙，淹没细节区域的信息，但是此时的波形仍将具有正弦波形的特征，通过滤波将会细致刻画细节区域的波形，所以充分利用信号的时域波形信息进行扰动时间定位与类型识别是解决船舶电力系统扰动时间定位与类型识别的一种较频域方法更加可行的方法。

鉴于以上分析，为了解决在受到强噪声污染情况下船舶电力系统电能扰动时间定位与类型识别问题，从时域分析的角度，提出一种基于改进交替混合滤波器和弧长差分序列的船舶电能扰动时间定位与类型识别方法。

发明内容：

本发明的目的是针对船舶强电磁噪声工作环境下，船舶电力系统中电能信号扰动的时间定位和识别问题，提出一种基于改进交替混合形态滤波器和弧长差分序列的船舶电能扰动时间定位和类型识别方法。该方法通过改进交替混合形态滤波器对船舶电能信号滤波，结合弧长差分序列的定义，精确定位扰动发生时间，提取滤波后信号的波形幅值特征和波峰个数特征，并输入到定义了类型判别规则的扰动类型识别器，实现最终的扰动类型识别。

设信号中某采样点为a点，a点之后的每四分之一信号周期(或二分之一信号周期、一个信号周期)的点依次记为b点、c点、d点等，并称a点为弧长序列的起始点，b点、c点、d点等为弧长序列按四分之一(或二分之一、一个)电周期选取的周期点，这些点两两间曲线的弧长可组成弧长序列为则(一阶)弧长差分序列可以定义如下式(1)：

将Δs中的非零项依次称为第一非零元素、第二非零元素、第三非零元素等。

为便于方法步骤说明，设正常电压信号的幅值为A，信号的频率为50Hz，每个电周期采样k个点，则四分之一电周期(0.005s)的采样点数为设X₀＝{x₁,x₂,…,x_n}为采样信号，且x₁为过零点。本发明方法的步骤如下：

步骤1)取信号的幅值A为基准值，对原始采样信号取标准化。按下式(2)对采样信号X₀进行标准化，得到标准化信号X₁：

步骤2)采用改进的交替混合形态滤波器对步骤1)中处理后的信号进行滤波，改进的交替混合形态滤波器如下式(3)所示：

almix(n)＝((f)OC(g)+(f)CO(g))(n)/²>

其中：

[(f)OC(g)](n)＝(fοg·g)(n)(4)

[(f)CO(g)](n)＝(f·gοg)(n)(5)

f为采样信号，g(m)为结构元素，D_f1＝{p,…,q}，p＝[N/1000]，q＝N-[N/1000]；D_g＝{0,1,2,…,M}，M为结构元素g(m)中元素的个数；N和M均为整数，N≥M；

步骤3)对扰动时间进行精确定位，分为三步：a.按二分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动时间区间；b.按四分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动区间中的精确时刻；c.综合扰动时间区间和扰动区间中的精确时刻，完成扰动时间精确定位，具体过程如下：

步骤3.1)按二分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动时间区间：

步骤3.1.1)首先，以过零点x₁为起始点，按四分之一电周期取周期点。计算两周期点间的弧长，得到弧长序列为X₃，最后再如式(1)所示计算得到弧长差分序列X₄；

步骤3.1.2)提取步骤弧长差分序列中的第一非零元素，查找弧长序列中与第一非零元素相关的弧，此弧所在的时间区间[t₁,t₁+0.005]就包含扰动发生时刻；

步骤3.2)按四分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动区间中的精确时刻：

步骤3.2.1)对步骤2)中滤波后信号的第一个四分之一周期内的点按照用户选定的采样频率进行二次采样；

步骤3.2.2)将第一个四分之一电周期内的采样点依次作为起始点，按二分之一电周期取周期点，计算得到弧长差分序列组；

步骤3.2.3)提取步骤3.2.2)中的弧长差分序列组中的第一非零元素，组成第一非零元素集合；

步骤3.2.4)对步骤3.2.3)中的第一非零元素集合中的元素取绝对值，并记为X₅，查找这些元素中的最大值，记此最大值在集合中的序号为j；

步骤3.3)综合扰动时间区间和扰动区间中的精确时刻，完成扰动时间精确定位，按下式(10)计算可得扰动时刻T，单位为秒：

步骤4)根据步骤3)中的扰动时间定位结果和步骤2)中的滤波后信号，提取扰动发生阶段的弧长差分序列X₄'和扰动发生阶段的滤波后信号X₂'，进行扰动类型识别，分为两步：a.对X₄'进行特征处理，可以识别暂升、暂降、暂态振荡和诊断扰动；b.对X₂'进行特征处理，可以识别中断、暂态振荡、暂升/暂降和谐波，记滤波后信号X₂'中有Z个采样点，具体的扰动类型识别步骤如下；

步骤4.1)对扰动发生阶段的弧长差分序列X₄'进行特征处理：

步骤4.1.1)对扰动发生阶段的弧长差分序列X₄'进行中值滤波，滤波的模板长度为且取为偶数，得到扰动发生后波形幅值特征量S；

步骤4.1.2)判断波形幅值特征量S是否大于0，若是，则转步骤4.3)；若否，则转步骤4.4)；

步骤4.1.3)判断S的第一个元素与最后一个元素是否大于0.1，即S_start-S_end＞0.1，若是，则判定扰动为暂态振荡扰动；若否，则判定为暂升扰动；

步骤4.1.4)判断S是否大于-0.9且小于-0.1，若是，则判定为暂降扰动；若否，则判定为中断；

步骤4.2)取对扰动发生阶段的滤波后信号X₂'进行特征处理：

步骤4.2.1)对扰动发生阶段的滤波后信号X₂'进行波峰个数检测，结果记为波动频率特征P；

步骤4.2.2)判断P是否等于零，若是，则判定为中断；否则转步骤4.7)；

步骤4.2.3)判断M≤P≤M+1是否成立，若是则判定为暂升或者暂降扰动，否则转步骤4.8)；

步骤4.2.4)判断P≥N是否成立，若是则判定为暂态振荡，否则判断为谐波扰动，最高次谐波为[P/[z/k]]次谐波。

有益效果：

本发明中的基于改进交替混合形态滤波器和弧长差分序列的船舶电能扰动时间定位和类型识别方法，其最大的特点有两个分别是：采用均值函数替换形态滤波器中的极值运算，使滤波后信号波形更加光滑，波形特征更加显著；提出一种弧长差分序列的定义，并基于此序列实现扰动特征的提取。该方法从时域波形分析的角度，为船舶电能扰动时间定位与扰动识别方法研究提供了一中新的研究思路，具有理论创新的特点。该方法可以实现船舶电能信号扰动的精确时间定位，有效识别5种单一类型扰动和3种复杂类型扰动。该方法可以用于实际船舶中电能扰动的快速定位与识别。

附图说明：

以下结合附图和具体实施方式来进一步说明本发明。

图1船舶电能扰动时间定位与类型识别流程图；

图2船舶电能扰动时间精确定位流程图；

图3船舶电能类型识别流程图；

图4电压暂升扰动时间定位与扰动特征提取结果；

图5电压暂降扰动时间定位与扰动特征提取结果；

图6电压中断扰动时间定位与扰动特征提取结果；

图7电压谐波扰动时间定位与扰动特征提取结果；

图8电压暂态振荡时间定位与扰动特征提取结果；

图9电压暂降加谐波复合扰动时间定位与扰动特征提取结果；

图10电压暂升加谐波复合扰动时间定位与扰动特征提取结果；

图11含相位跳变的电压暂降扰动时间定位与扰动特征提取结果；

具体实施方式：

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明的实施方式。

首先，设正常电压信号的幅值为A，信号的频率为50Hz，每个电周期采样k个点，则四分之一电周期(0.005s)的采样点数为设X₀＝{x₁,x₂,…,x_n}为采样信号，且x₁为过零点。

整体方法的基本流程如图1所示，对标准化的船舶电能信号进出滤波，然后将滤波后信号分别输入到扰动时间定位过程和扰动识别过程，再将时间定位结果和滤波后信号一起输入到类型识别过程，最终实现时间定位与类型识别，方法的具体实施步骤如下：

步骤1)取信号的幅值A为基准值，对原始采样信号取标准化。按下式(1)对采样信号X₀进行标准化，得到标准化信号X₁：

步骤2)采用改进的交替混合形态滤波器对步骤1)中处理后的信号进行滤波，改进的交替混合形态滤波器如下式(2)所示：

almix(n)＝((f)OC(g)+(f)CO(g))(n)/²(2)

其中：

[(f)OC(g)](n)＝(fοg·g)(n)(3)

[(f)CO(g)](n)＝(f·gοg)(n)(4)

f为采样信号，g(m)为结构元素，D_f1＝{p,…,q}，p＝[N/1000]，q＝N-[N/1000]；D_g＝{0,1,2,…,M}，M为结构元素g(m)中元素的个数；N和M均为整数，N≥M；

步骤3)对扰动时间进行精确定位，如图2所示，分为三步：a.按二分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动时间区间；b.按四分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动区间中的精确时刻；c.完成扰动时间精确定位，具体过程如下：

步骤3.1)按二分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动时间区间：

步骤3.1.1)首先，以过零点x₁为起始点，按四分之一电周期取周期点。计算两周期点间的弧长，得到弧长序列为X₃，最后再如式(1)所示计算得到弧长差分序列X₄；

步骤3.1.2)提取步骤弧长差分序列中的第一非零元素，查找弧长序列中与第一非零元素相关的弧，此弧所在的时间区间[t₁,t₁+0.005]就包含扰动发生时刻；

步骤3.2)按四分之一电周期计算步骤2)中的滤波信号的弧长差分序列，定位扰动区间中的精确时刻：

步骤3.2.1)对步骤2)中滤波后信号的第一个四分之一周期内的点按照用户选定的采样频率进行二次采样；

步骤3.2.2)将第一个四分之一电周期内的采样点依次作为起始点，按二分之一电周期取周期点，计算得到弧长差分序列组；

步骤3.2.3)提取步骤3.2.2)中的弧长差分序列组中的第一非零元素，组成第一非零元素集合；

步骤3.2.4)对步骤3.2.3)中的第一非零元素集合中的元素取绝对值，并记为X₅，查找这些元素中的最大值，记此最大值在集合中的序号为j；

步骤3.3)综合扰动时间区间和扰动区间中的精确时刻，完成扰动时间精确定位，按下式(9)计算可得扰动时刻T，单位为秒：

步骤4)根据步骤3)中的扰动时间定位结果和步骤2)中的滤波后信号，提取扰动发生阶段的弧长差分序列X₄'和扰动发生阶段的滤波后信号X₂'，进行扰动类型识别，如图3所示，分为两步：a.对X₄'进行特征处理，可以识别暂升、暂降、暂态振荡和诊断扰动；b.对X₂'进行特征处理，可以识别中断、暂态振荡、暂升/暂降和谐波，记滤波后信号X₂'中有Z个采样点，扰动类型识别步骤如下；

步骤4.1)对扰动发生阶段的弧长差分序列X₄'进行特征处理：

步骤4.1.1)对扰动发生阶段的弧长差分序列X₄'进行中值滤波，滤波的模板长度为且取为偶数，得到扰动发生后波形幅值特征量S；

步骤4.1.2)判断波形幅值特征量S是否大于0，若是，则转步骤4.3)；若否，则转步骤4.4)；

步骤4.1.3)判断S的第一个元素与最后一个元素是否大于0.1，即S_start-S_end＞0.1，若是，则判定扰动为暂态振荡扰动；若否，则判定为暂升扰动；

步骤4.1.4)判断S是否大于-0.9且小于-0.1，若是，则判定为暂降扰动；若否，则判定为中断；

步骤4.2)取对扰动发生阶段的滤波后信号X₂'进行特征处理：

步骤4.2.1)对扰动发生阶段的滤波后信号X₂'进行波峰个数检测，结果记为波动频率特征P；

步骤4.2.2)判断P是否等于零，若是，则判定为中断；否则转步骤4.7)；

步骤4.2.3)判断M≤P≤M+1是否成立，若是则判定为暂升或者暂降扰动，否则转步骤4.8)；

步骤4.2.4)判断P≥N是否成立，若是则判定为暂态振荡，否则判断为谐波扰动，最高次谐波为[P/[z/k]]次谐波。

本发明方法通过仿真试验加以验证和说明如下：构建微网中常见的扰动电压暂升、电压暂降、中断、谐波、暂态振荡等5种单一类型扰动，暂升加谐波、暂降加谐波和含有相位跳变的暂降等3种复合类型扰动，共八种类型扰动的信号模型，如表1所示。

表1电能扰动信号仿真模型及仿真中参数设置

其中u(t)定义如下式(10)：

在MATLAB中生成各类型扰动的仿真信号，并添加白噪声，使信噪比为40dB，每一个电周期采样200个点，采样频率为10kHz，采样20个电周期，共4001个采样点，统一设置在采样点820～2030之间产生扰动信号，即0.082s～0.203s期间。仿真过程中信号模型的不同参数按表1中参数一栏设置。

仿真过程中部分关键特征量的变化曲线如图4～图11所示，其中X₂为经过改进形态滤波器滤波后的信号，X₃为以在第一个四分之一电周期内查找到的第j个采样点为起始点，以二分之一电周期选取周期点，最终所形成的的弧长序列，X₄为根据弧长序列X₃计算得到的弧长差分序列，X₅为步骤3.6)中取绝对值后的第一非零元素集合，S为步骤4.1)中波形幅值征量。

采用本发明的方法对扰动信号进行处理，不考虑二次采样问题(即跳过步骤3.3)，定位结果与具体扰动特征如表2所示。

表28种类型时间定位与扰动特征表

由表2可知，扰动定位时间T与真实发生时间误差为0.1～0.2ms，随着采样频率的提高，误差将更小，足以满足工程中快速定位扰动的需要。同时，扰动类型的识别结果完全正确。在发生单一扰动和复合扰动时，波形幅值特征量S符号的正负表征波形幅值的增减，其数值大小表征波形幅值变化程度。波动频率特征P是对波峰个数的统计，对单一扰动或者负荷扰动都具有很强的识别能力，具有一定的抗干扰能力。

电压暂升扰动时，如图4所示。弧长序列X₃在扰动期间数值变大；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第22个元素，按式(4)计算扰动时刻为0.0822s，与实际扰动时刻误差为0.2ms；波形幅值征量S在扰动期间上升为0.5，根据扰动识别算法判别为暂升扰动。

电压暂降扰动时，如图5所示。弧长序列X₃在扰动期间数值减小；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第22个元素，按式(4)计算扰动时刻为0.0822s，与实际扰动时刻误差为0.2ms；波形幅值征量S在扰动期间下降为-0.3，根据扰动识别算法判别为暂降扰动。

电压中断扰动时，如图6所示。弧长序列X₃在扰动期间数值减小；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第21个元素，按式(4)计算扰动时刻为0.0821s，与实际扰动时刻的误差为0.1ms；波形幅值征量S在扰动期间下降为-0.9，根据扰动识别算法判别为中断扰动。

电压暂态振荡扰动时，如图7所示。弧长序列X₃在扰动期间数值变大；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第20个元素，按式(4)计算扰动时刻为0.082s，与实际扰动时刻相同；波形幅值征量S在扰动期间表现为先上升后下降，首末元素相差大于0.1，同时，波峰检测结果为P＝119，根据扰动识别算法判别为暂态振荡扰动。

电压谐波扰动时，如图8所示。弧长序列X₃在扰动期间数值变大；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第22个元素，按式(4)计算扰动时刻为0.0822s，与实际扰动时刻的误差为0.2ms；波形幅值征量S在扰动期间上升为0.5，同时，波峰检测结果为P＝42，根据扰动识别算法判别为谐波扰动。

电压暂降加谐波扰动时，如图9所示。弧长序列X₃在扰动期间数值先变大后减小；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第20个元素，按式(4)计算扰动时刻为0.082s，与实际扰动时刻相同；波形幅值征量S在扰动期间下降为-0.11，同时，波峰检测结果为P＝42，根据扰动识别算法判别为暂降加谐波扰动。

电压暂升加谐波扰动时，如图10所示。弧长序列X₃在扰动期间数值变大；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第20个元素，按式(4)计算扰动时刻为0.0820s，与实际扰动时刻相同；波形幅值征量S在扰动期间上升为0.9，同时，波峰检测结果为P＝42，根据扰动识别算法判别为暂升加谐波扰动。

含有相位跳变的暂降扰动时，如图11所示。弧长序列X₃在扰动期间数值减小；弧长差分序列在扰动发生和结束时刻数值非零，出现脉冲，在其他时刻为零；第一非零元素集合X₅中最大值为第22个元素，按式(4)计算扰动时刻为0.0822s，与实际扰动时刻的误差为0.2ms；波形幅值征量S在扰动期间下降为-0.5，同时，波峰检测结果为P＝7，根据扰动识别算法判别为含有相位跳变的暂降扰动。