电力系统故障状态下微弱信号检测方法研究

电力系统故障状态下微弱信号检测方法研究

张伯强

广州志丰电力工程有限公司 ( 511300)

摘要：本文主要针对电力系统在运行过程中故障发生率高，危害最严重的单相短路接地中的微弱信号进行了研究分析。并主要对DUFFING混沌振子法从理论到仿真，系统的进行了阐述，进而使得系统对微弱信号的检测，以及噪声的抵抗能力都有非常高的可靠性，同时可以提高系统的工作效率和实用性。

关键词：电力系统故障；微弱信号；随机共振；混沌振子；差分振子

一、微弱信号检测方法综述

微弱信号检测（WeakSignalDetection）是利用近代电子学和信号处理方法从噪声中提取有用信号并随着工程应用而不断发展的一门新兴技术学科。其关键是研究如何抑制噪声，恢复、增强和提取强噪声中的有用信号，并尽可能降低检测门限，提高检测系统输出信号的信噪比，使其在各学科领域中获得广泛应用。微弱信号检测的理论和方法研究，已经形成了基于线性系统和平稳噪声条件的最佳检测理论和方法，提高了信息传输和提取的有效性、可靠性。微弱信号检测中“微弱信号”包含两方面的含义：一是指有用信号的幅度相对于噪声或干扰来说十分微弱；二是指有用信号幅度绝对值极小，如检测V,nV,pV量级的电压信号。从某种意义上来说,微弱信号检测是一种专门与噪声作斗争的技术。微弱信号检测技术是发展现代仪器高新技术、探索和发现新的自然规律的重要测量手段。

二、微弱信号检测特点

第一，在较低的信噪比中检测微弱信号。造成信噪比低的原因，一方面是由于特征信号本身十分微弱；另一方面是由于强噪声干扰使得信噪比降低。如在机械设备处在故障早期阶段时，故障对应的各类特征信号往往以某种方式与其它信源信号混合，使得特征信号相当微弱；同时设备在工作时，又有强噪声干扰。因此，特征信号多为低信噪比的微弱信号。

第二，要求检测具有一定的快速性和实时性。工程实际中所采集的数据长度或持续时间往往会受到限制，这种在较短数据长度下的微弱信号检测在诸如通讯、雷达、声纳、地震、工业测量、机械系统实时监控等领域有着广泛的需求。微弱特征信号检测方法日新月异，从传统的频谱分析、相关检测、取样积分和时域平均方法到新近发展起来的小波分析理论、神经网络、混沌振子、高阶统计量，随机共振等方法，在微弱特征信号检测中均有广泛的应用。

三、微弱信号的检测原理及方法介绍

1.相关检测

相关检测就是利用信号噪声随机性和周期性的特点，通过互相关或自相关的运算，来去除噪声。

2.多重自相关检测

对于包含高斯噪声的信号下，无需知道信号的先验知识就能有效检测出周期性弱信号并提高输出信号的信噪比。

3.小波分析

小波变换具有良好的多分辨率性质，可以将噪声信号和有用信号在不同尺度上进行分解，从而得到不同的特征和传递特性。在非高斯噪声的干扰下，采用多重自相关法有时难以检测出有用信号，相比之下，小波变换可以在低信噪比情况下提取微弱信号的有用波形信息。

4.取样积分与数字式平均

有用信号一般都是周期重复性信号，而无用的噪声信号一般都是无规则的。经过多次取样并求取平均值后，前者被保留下来，后者被削弱掉，从而达到检测目的。

5.自适应滤波

可以在信号和噪声随时变化的统计特性下，利用系数可调的滤波器加权输入信号和训练信号求得的误差信号，再修正滤波器的权系数，并逐渐减小误差值，实现最佳滤波。

6.人工神经网络

人工神经网络是一种非线性复杂网络系统，它是通过大量处理单元相互连接而成的，这些处理单元类似人类的神经元。将混有噪声的有用信号作为输入，通过对系统进行学习和训练，使得系统的输出趋向于0，得到一些优化参数；之后通过间断地向输入端加入有用信号，然后经系统滤波去除背景噪声，从而提高了系统信噪比。

7.随机共振法

随机共振法和常规抑制无用噪声，放大有用信号的方法不同，它是将部分低频噪声能量变为信号能量，利用噪声信号来增强有用信号，以实现对微弱信号的检测。

8.DUFFING混沌振子法

混沌系统具有对初值敏感性及对噪声免疫的特点。混沌的初值敏感性是指系统初始状态的微小变化将导致系统轨迹的极大差异．即输入信号幅值的微小变化可导致系统输出相图的较大变化。因此，可通过观察系统的相图变化实现微弱信号的检测。

（1）基本思想

选用Duffing方程作为混沌检测器。调整Duffing方程参数。使策动力幅值处于使系统状态变化的边缘。将待测信号作为Duffing方程周期策动力的扰动加入到系统中。当待测信号不含与周期策动力相同频率信号而只含有噪声及其他频率成分信号时，系统仍然处于混沌状态；而待测信号中含有与周期策动力相同频率信号时，即使幅值较小。也会使系统进入大周期状态，系统发生相变。计算机通过辨识系统状态，可清楚地检测出微弱信号是否存在。

（2）数学模型

选用Holmes型Duffing方程为检测器，形式为

x"(t)+kx'(t)-x(t)+x3(t)=fcosωt

式中k为阻尼比；-x(t)+x3(t)为非线性恢复力；fcosωt为周期策动力。

当k固定时，系统状态随f变化而变化。当f=0时，系统相平面上有鞍点（0,0)和焦点（1,0),(-1,0);当f≠0时，系统呈现复杂的动力学形态，随着f增大，相轨迹在焦点附近做周期振动；当f>f1时系统进入混沌状态，混沌状态对应的f范围较宽，f继续增大到另一个阀值f2时，系统进入大周期状态。

将混有噪声的待检测信号Sn(t)=acosωt+n(t)作为对周期策动力的扰动加人到系统中，如式（1)所示：

x"(t)+kx'(t)-x(t)+x3(t)=fcosωt＋acosωt+n(t)（1)

先将f设在阀值f2左邻域，此时系统处于混沌状态，当无待检测信号而仅有白噪声时，由于系统对白噪声具有较强的免疫力，系统仍将保持混沌状态；当待检测信号acosωt出现时，即使信号非常微弱，系统都将进人到大周期状态即周期状态，由混沌到周期的相变便是判断被检测信号出现的依据

3.数字仿真

选取k=0．5，ω=2πx100，待检测信号采样频率为1kHz，采用4阶龙格一库塔法求解方程(1)，步长为0．001，通过计算发现f=0．8Hz为混沌到周期的阈值。令f=0．8Hz，此时系统处于混沌状态，如(a)所示，当f=0．81Hz时系统进入大周期状态，见(b)。令f=0．8Hz，此时系统仍处于混沌状态，将混有噪声的待检测信号(信噪比约为-26dB)加入到方程中，方程的解进入周期状态，信号被检测出来。

结语

综上所述，为了确保电力系统能够安全稳定的运行，实时检测故障中的微弱信号；通过噪声干扰情况下微弱信号的不同变化进行研究，得到了一种微弱信号的DUFFING混沌检测模型；系统发生故障时会产生相应的微弱信号，运用DUFFING混沌振子法分析不同情况下微弱信号的时域波形和相平面轨迹变化规律，并建立数学检测模型，对其幅值进行混沌检测仿真；在强噪声存在于系统中时，该方法明显克服了噪声对信号稳定性的干扰，能精确有效检测微弱信号；系统在应对不同工作环境、仪器设备老化等情况时，提高了检测效率，保证系统的稳定运行。

参考文献：

[1]时美子．微弱信号检测与辨识机制研究I-D-I．阜新：辽宁工程大学，2011．

[2]陈冬，戴琼海。徐文立．引人混沌机制处理网络回传噪声问题[J]．清华大学学报自然科学版，2002，42(11)：1556--1559．

[3]赖志慧．基于DUFFING混沌振子和随机共振特性的微弱信号检测方法研究[D]．天津：天津大学。2014．

[4]L．科恩，白居宪译．时一频分析理论与应用[W]．西安：西安交通大学出版社，1998，68．70．

[5]王丽娜．基于小波变换的激光雷达弱信号处理方法的研究[D]．黑龙江：黑龙江大学，2009．