鐘俊 劉楨羽 趙曉坤 唐妮妮 畢瀟文

DOI：10.19850/j.cnki.2096-4706.2024.01.016

收稿日期：2023-10-19

摘? 要：鑒于局部放電信號(hào)受各種噪聲的干擾，文章提出一種基于變分模態(tài)分解和稀疏分解的局部放電信號(hào)去噪算法。以稀疏表示算法為核心，基于局部放電信號(hào)的特性構(gòu)建其過(guò)完備字典，再采用匹配追蹤算法在過(guò)完備字典中搜索出原信號(hào)的最佳匹配原子集合重構(gòu)信號(hào)；為解決過(guò)完備字典維度過(guò)高而導(dǎo)致的搜索次數(shù)太多的問(wèn)題，引進(jìn)變分模態(tài)分解算法和峭度值篩選進(jìn)行預(yù)處理和預(yù)重構(gòu)；優(yōu)化后的方法可以限制稀疏分解算法的搜索范圍和字典參數(shù)，以減小計(jì)算復(fù)雜度。仿真驗(yàn)證以及對(duì)工程環(huán)境中實(shí)測(cè)信號(hào)的去噪結(jié)果表明：該方法具有更好的降噪效果，即使在極低信噪比的情況下，依舊能提取出有效的局部放電信號(hào)。

關(guān)鍵詞：局部放電信號(hào)；變分模態(tài)分解；峭度；稀疏表示；機(jī)器學(xué)習(xí)；匹配追蹤算法；自適應(yīng)

中圖分類(lèi)號(hào)：TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2024）01-0077-07

Partial Discharge Signal Denoising Algorithm Based on Variational Modal Decomposition and Sparse Representation

ZHONG Jun1， LIU Zhenyu1， ZHAO Xiaokun2， TANG Nini2， BI Xiaowen1

（1.College of Electrical Engineering， Sichuan University， Chengdu? 610065， China;

2.State Grid Chengdu Power Supply Company， Chengdu? 500642， China）

Abstract： Considering the interference of various noises on partial discharge signals， this paper proposes a partial discharge signal denoising algorithm based on variational modal decomposition and sparse decomposition. Based on the characteristics of partial discharge signals， the sparse representation algorithm is used as the core to construct an overcomplete dictionary， and then the matching and tracking algorithm is used to search for the best matching atomic set of the original signal in the overcomplete dictionary to reconstruct the signal; to solve the problem of excessive search times caused by excessive dimensionality in an overcomplete dictionary， the variational modal decomposition algorithm and kurtosis value screening are introduced for preprocessing and pre reconstruction; the optimized method can limit the search range and dictionary parameters of the sparse decomposition algorithm to reduce computational complexity. Simulation verification and denoising results on measured signals in engineering environments show that this method has better denoising effects， and can still extract effective partial discharge signals even in extremely low signal-to-noise ratios.

Keywords： partial discharge signal; variational modal decomposition; kurtosis; sparse representation; Machine Learning; matching and tracking algorithm; self-adaption

0? 引? 言

局部放電（Partial Discharge， PD）是電氣設(shè)備狀態(tài)在線監(jiān)測(cè)的重要組成部分，它能夠準(zhǔn)確反映電氣設(shè)備絕緣老化的嚴(yán)重程度[1]。電氣工程師可以通過(guò)局部放電信號(hào)評(píng)估高壓設(shè)備的安全性和穩(wěn)定性。然而，由于高壓放電環(huán)境的復(fù)雜性，局部放電信號(hào)不可避免地會(huì)受到各種類(lèi)型噪聲的污染，其中白高斯噪聲和窄帶噪聲對(duì)局部放電信號(hào)影響最為顯著[2]。目前，學(xué)者們主要的研究方向在：去除局部放電信號(hào)中的噪聲和干擾，明確其脈沖的邊界，并準(zhǔn)確提取局部放電信號(hào)的形態(tài)。

在局部放電信號(hào)的研究中，目前已經(jīng)有多種方法可以減少白噪聲和窄帶噪聲。主要包括FFT閾值濾波法、自適應(yīng)數(shù)字濾波法、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）、小波分析法，以及近幾年新興的奇異值分解方法（Singular Value Decomposition， SVD）。FFT閾值濾波法和自適應(yīng)的數(shù)字濾波法是經(jīng)典的信號(hào)降噪算法，這兩種算法只能一定程度上去除噪聲，且效果及其不穩(wěn)定[3]。EMD相較于FFT閾值濾波法和自適應(yīng)的數(shù)字濾波法具有更好的降噪效果，但模態(tài)混疊和邊界效應(yīng)是一直都是EMD中需要解決的問(wèn)題。EEMD（Ensemble Empirical Mode Decomposition）在傳統(tǒng)EMD算法上加入了一個(gè)噪聲輔助的技術(shù)。準(zhǔn)確地說(shuō)，EEMD是通過(guò)為數(shù)據(jù)添加一個(gè)小的白噪聲集合來(lái)強(qiáng)化局部特性，從而達(dá)到更加穩(wěn)定和準(zhǔn)確地實(shí)現(xiàn)模態(tài)分解，能夠幫助避免模態(tài)混疊[4]。但是，去噪效果不穩(wěn)定這個(gè)問(wèn)題依舊存在。小波變換也是一種經(jīng)典的改進(jìn)型局部放電信號(hào)噪聲減少方法。近年來(lái)，有研究采用自適應(yīng)閾值小波進(jìn)行噪聲降低，取得了不錯(cuò)的效果[5]。只是小波的降噪效果取決于其母小波。此外，如何對(duì)于各種不同且復(fù)雜母小波建立統(tǒng)一閾值也一直是一個(gè)研究難題[6]。奇異值分解方法也可用于噪聲降低。自適應(yīng)奇異值分解（Adaptive Singular Value Decomposition， ASVD）[7]和稀疏奇異值分解（Sparse Singular Value Decomposition， SSVD）[8]是兩種典型的改進(jìn)SVD方法。SVD和改進(jìn)SVD方法的目標(biāo)都是通過(guò)提取有用信號(hào)和噪聲的不同奇異值來(lái)消除噪聲[9]。

稀疏表示理論是一種在機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、模式識(shí)別等領(lǐng)域廣泛被使用的高級(jí)人工智能算法[10]。信號(hào)稀疏表示的核心思想是從一個(gè)超完備的字典中選取最為簡(jiǎn)約的基函數(shù)組合來(lái)描述原始信號(hào)。在工程信號(hào)中，稀疏分解算法的應(yīng)用比較少見(jiàn)，曾經(jīng)在OFDM系統(tǒng)中有過(guò)一些應(yīng)用[11]。在局部放電信號(hào)中，稀疏分解算法的應(yīng)用更加少見(jiàn)。Thome和Silva使用小波族構(gòu)建了局部放電信號(hào)的過(guò)完備字典[12]，但這種基于小波族構(gòu)建的過(guò)完備字典的過(guò)程并沒(méi)有展現(xiàn)出PD信號(hào)的特性。

本文通過(guò)原始無(wú)噪聲PD信號(hào)的結(jié)構(gòu)特征創(chuàng)建了脈沖匹配原子，將這些脈沖匹配原子離散化組成PD信號(hào)的過(guò)完備字典。這些脈沖匹配原子與原始局部放電信號(hào)具有高度相關(guān)性，并且與噪聲無(wú)相關(guān)性，接著就可以使用匹配追蹤法（Matching Pursuit， MP）算法在這個(gè)過(guò)完備字典中搜索原始無(wú)噪PD信號(hào)的最佳匹配原子，并使用選定的最佳匹配原子來(lái)重構(gòu)PD信號(hào)。通過(guò)這樣的方法，噪聲就變成了殘差被丟棄掉，而原始無(wú)噪的PD信號(hào)被重構(gòu)了出來(lái)。然而，在成功構(gòu)建PD信號(hào)的過(guò)完備字典后發(fā)現(xiàn)，這個(gè)過(guò)完備字典是高維的；那么在應(yīng)用MP算法進(jìn)行搜索的時(shí)候，計(jì)算量是非常大的。也就是說(shuō)如果直接對(duì)PD信號(hào)應(yīng)用稀疏分解和重構(gòu)算法，那么算法的效率就會(huì)很低。為了解決這個(gè)問(wèn)題，就需要減少搜索次數(shù)，提高計(jì)算效率。實(shí)驗(yàn)顯示，局部放電信號(hào)通常是由一些瞬時(shí)放電脈沖組成。這些短放電脈沖，只占整個(gè)時(shí)域非常小的部分，而不加任何限制的稀疏分解算法是對(duì)整個(gè)時(shí)域進(jìn)行搜索。如果能夠找到局部放電信號(hào)脈沖的起始點(diǎn)和結(jié)束點(diǎn)、時(shí)頻特性，對(duì)信號(hào)的參數(shù)進(jìn)行限制，同時(shí)只在這些脈沖存在的時(shí)域范圍內(nèi)進(jìn)行搜索，計(jì)算復(fù)雜性將大大降低。

為了優(yōu)化算法，本文使用變分模態(tài)分解（Variational Mode Decomposition， VMD）算法來(lái)縮減搜索范圍并提高算法效率。VMD是一種有效的信號(hào)去噪方法，已被證明可以在不影響原始無(wú)噪聲局部放電信號(hào)波形結(jié)構(gòu)的情況下去除大部分噪聲[13]。同時(shí)，與EMD和EEMD相比，VMD具有更好的預(yù)處理降噪效果[14]。同時(shí)，由于VMD算法是給予噪聲和信號(hào)的中心頻率進(jìn)行模態(tài)分解，使用峭度重構(gòu)后的信號(hào)時(shí)頻特性也可以顯現(xiàn)出來(lái)。在此之后，稀疏分解算法就可以對(duì)搜索的范圍進(jìn)行自適應(yīng)的限制，進(jìn)一步對(duì)信號(hào)進(jìn)行降噪，得到干凈無(wú)噪的局部放電信號(hào)。

本文在確定了算法思路后，對(duì)本文提出的方法進(jìn)行了仿真模擬，其結(jié)果表明本文提出的方法具有明顯的降噪效果。本文還展示了其他3種方法（硬閾值小波、EEMD和SSVD）的降噪效果。對(duì)比結(jié)果表明，與傳統(tǒng)的降噪技術(shù)相比，本文提出的算法能夠更好地提取局部放電信號(hào)。

1? 稀疏表示

Mallat和Zhang在1993年首次提出了信號(hào)的稀疏表示[15]。他們基于小波技術(shù)提出的稀疏表示算法和匹配追蹤法，其原理如下：

首先，假設(shè)原始信號(hào)S的長(zhǎng)度為N。然后，需要構(gòu)建一個(gè)過(guò)完備的字典集合。定義一個(gè)集D = {gγ，γ = 1，2，3，…，γ}，γ＞N，然后將集合D中的所有元素?cái)U(kuò)展到希爾伯特空間H = RN。這樣，集合D就可以作為原始信號(hào)的過(guò)完備字典，其中所有元素gγ都是字典的匹配原子。接著，在集合D上應(yīng)用MP算法對(duì)信號(hào)S進(jìn)行稀疏分解算法：

MP算法的主要作用是在字典中尋找最佳匹配原子 ，滿(mǎn)足以下條件：

（1）

其中， 表示原始信號(hào)S和最佳匹配原子? 的內(nèi)積； 表示與原始信號(hào)S方向最接近的原子； 表示在希爾伯特空間中與信號(hào)S最匹配的原子。

接著，原始信號(hào)就可以分解為兩部分，再不停對(duì)殘差進(jìn)行分解：

（2）

（3）

其中， 表示原始信號(hào)S在最佳匹配原子? 上的投影；而R2S是在原始信號(hào)S初步分解后的殘差。

接著，對(duì)殘差R進(jìn)行相同的分解處理，直到達(dá)到停止條件。

信號(hào)稀疏表示中有兩種方法來(lái)設(shè)置停止條件。第一種方法是直接設(shè)置迭代次數(shù)。當(dāng)達(dá)到預(yù)定的分解次數(shù)時(shí)，迭代過(guò)程將自動(dòng)結(jié)束。第二種方法是使用殘差的二范數(shù)? 作為迭代終止條件。著當(dāng)殘差的二范數(shù)小于某個(gè)預(yù)先設(shè)定的閾值δ時(shí)，算法將停止迭代。

迭代停止后，原始信號(hào)可以用來(lái)自過(guò)完備字典的K個(gè)最佳匹配原子進(jìn)行表示：

（4）

2? VMD算法

2.1? VMD算法

Dragomiretskiy等人在EMD算法的啟發(fā)下提出了VMD算法。EMD通過(guò)對(duì)信號(hào)進(jìn)行包絡(luò)和迭代將其分解為固有模式；而VMD則構(gòu)建了一個(gè)變分問(wèn)題模型，通過(guò)求解該模型將信號(hào)同時(shí)分解為多個(gè)有限帶寬的模式，其中每個(gè)模式成分都有其相應(yīng)的中心頻率[16]。

VMD的數(shù)學(xué)思想是將VMD將一個(gè)實(shí)值輸入信號(hào)分解為K個(gè)有限帶寬的模式μk，所有模式μk的和等于原始輸入信號(hào)，并且應(yīng)該盡量被最小化。該約束優(yōu)化變分問(wèn)題表達(dá)式如下：

（5）

其中，x（t）表示原始輸入信號(hào)；μk（t），ωk表示BLIMF以及它們的中心頻率；δ（t）表示費(fèi)米-狄拉克（Fermi-Dirac）分布函數(shù)； 表示通過(guò)對(duì)每個(gè)模式μk（t）進(jìn)行Hilbert變來(lái)估計(jì)BLIMF的帶寬。

通過(guò)引入增廣Lagrange函數(shù)?和二次懲罰因子α，這個(gè)約束問(wèn)題可以被轉(zhuǎn)化為：

（6）

最后，連續(xù)初始化{μk}，{ωk}，λ，找到增廣Lagrange函數(shù)?的鞍點(diǎn)，當(dāng)?shù)Ｖ购?，通過(guò)逆傅里葉變換可以得到滿(mǎn)足式（5）的K個(gè)模態(tài)函數(shù)。

2.2? 峭度

峭度是一個(gè)無(wú)量綱的因子，用來(lái)評(píng)估信號(hào)偏離正態(tài)分布的程度[17]。峭度的計(jì)算式如下：

（7）

其中，x（t）表示瞬時(shí)幅度； 表示平均幅度；p（t）表示概率密度函數(shù)；σ表示標(biāo)準(zhǔn)差。

3? 基于過(guò)完備字典的PD信號(hào)去噪

3.1? PD信號(hào)的過(guò)完備字典的構(gòu)建

研究表明，原始無(wú)噪的PD信號(hào)包含4個(gè)典型模型[18]：

1）單指數(shù)衰減模型：

（8）

2）雙指數(shù)衰減模型：

（9）

3）單指數(shù)振蕩衰減模型：

（10）

4）單指數(shù)振蕩衰減模型：

（11）

其中，τ表示衰減常數(shù)；fc表示震蕩常數(shù)。

根據(jù)式（8）至式（11），可以發(fā)現(xiàn)PD信號(hào)具有三個(gè)基本參數(shù)：尺度、頻率和相位。因此，可以相應(yīng)的構(gòu)建三個(gè)PD信號(hào)基本因子：s（尺度因子）、ω（頻率因子）和φ（相位因子）。此外，由于PD信號(hào)由四種類(lèi)型的波形組成，還需要一個(gè)波形因子η來(lái)描述這些波形之間的關(guān)系。然后，就可以以下匹配原子集合ργ：

（12）

其中，A表示用于歸一化的頻譜參數(shù)；k表示衰減校正系數(shù)，用于修正當(dāng)尺度因子s過(guò)大時(shí)，局部放電信號(hào)的匹配原子與正弦信號(hào)難以匹配的情況，并有效地消除窄帶周期性干擾對(duì)PD信號(hào)的影響。

假設(shè)信號(hào)的采樣長(zhǎng)度為N，將匹配原子集合離散化，其中，將基本因子（s，ω，φ，η）離散化為 ，就可以得到基于PD信號(hào)構(gòu)建的過(guò)完備字典：

（13）

式中：n ∈ [0，N]；ns ∈ [1，N]；nω ∈ [0，N-1]；nφ ∈ [0，1]；nη ∈ [0，1]；ns，nω，nφ，nη ∈ Z。

到這里PD信號(hào)的過(guò)完備字典就被成功構(gòu)建，該字典并且擁有超過(guò)? 個(gè)原子，滿(mǎn)足了冗余性的要求。然而，在這個(gè)三維過(guò)完備字典中存在太多的原子。隨著采樣次數(shù)N的增加，搜索量將會(huì)呈現(xiàn)立方級(jí)增長(zhǎng)。

3.2? 基于VMD和峭度的算法優(yōu)化

為了減少搜索次數(shù)，減少計(jì)算數(shù)量并提高效率，過(guò)完備字典的搜索范圍應(yīng)該得到限制。從PD原始無(wú)噪聲信號(hào)的特性可以看到，PD信號(hào)并沒(méi)有分布在整個(gè)時(shí)域中，只在很短的時(shí)間段內(nèi)有少量脈沖信號(hào)存在，因此算法只需要在這些時(shí)間段內(nèi)使用即可。通過(guò)這樣的限制，計(jì)算數(shù)量可以大幅減少，從而顯著提高算法的效率。

然而，在工程環(huán)境中，原始PD信號(hào)總是被噪聲所掩蓋。參雜了高斯白噪聲和窄帶噪聲的含噪PD信號(hào)是很難直接被區(qū)分出來(lái)，更無(wú)法直接確定其放電范圍。

這個(gè)問(wèn)題本文通過(guò)VMD算法來(lái)進(jìn)行解決。VMD算法可以將信號(hào)分解成一系列帶有中心頻率的有限帶寬模態(tài)，同時(shí)對(duì)噪聲具有魯棒性。由于噪聲和原始無(wú)噪PD信號(hào)的中心頻率具有很大差異，因此在PD信號(hào)上使用VMD分解并通過(guò)峭度選擇模態(tài)進(jìn)行重構(gòu)，并不會(huì)改變PD信號(hào)特性，又可以有效去除噪聲。經(jīng)由VMD算法去噪后的PD信號(hào)，就可以確定其起始和終止放電點(diǎn)Non和Noff，以及中心頻率fc和帶寬B，并將因子范圍限定如下：

（14）

其中，f表示采樣頻率。

在此之后，就可以用稀疏分解算法去除殘余的噪聲，其流程圖如圖1所示。

4? 仿真驗(yàn)證與分析

信號(hào)的仿真模型是通過(guò)上一章提到的四種模型混合組成。參數(shù)如下：?jiǎn)沃笖?shù)振蕩衰減模型和雙指數(shù)振蕩衰減模型的振幅A = 0.8 mV，3 mV；衰減系數(shù)τ = 0.02 μs，0.03 μs；振蕩頻率fc = 50 MHz；采樣頻率為1 MHz。圖2中展示了模擬的無(wú)噪聲PD信號(hào)。

然后，在模擬的PD信號(hào)中加入-10 dB高斯白噪聲和窄帶噪聲，使PD模擬信號(hào)更接近工程環(huán)境中的實(shí)際信號(hào)。工程環(huán)境中的窄帶噪聲主要包括載波通信干擾和廣播通信（中頻段0.5～1.6 MHz，短頻段2.3～

25 MHz，F(xiàn)M 88～108 MHz頻段）。通過(guò)組合不同振幅的正弦信號(hào)，就可以一定程度上模擬窄帶噪聲。本文將模擬窄帶干擾的頻率設(shè)定為9 MHz、14 MHz和96 MHz。將噪聲疊加在原始PD信號(hào)，可得到仿真含噪PD信號(hào)如圖3所示。

從圖3中可以看出，原始PD信號(hào)（粗線）已經(jīng)被完全淹沒(méi)在噪聲之中。

然后，將VMD算法應(yīng)用于被污染的PD信號(hào)。經(jīng)由VMD分解后的PD信號(hào)的不同的模態(tài)，計(jì)算其每個(gè)模態(tài)的峭度值，選擇前2～3個(gè)最大峭度值對(duì)信號(hào)進(jìn)行重構(gòu)，其仿真過(guò)程如圖4所示。

從圖4可以看出經(jīng)過(guò)VMD分解和峭度重構(gòu)后的PD信號(hào)，大部分噪聲已經(jīng)被消除，可以找到其中心頻率、帶寬以及起始和終止放電點(diǎn)。盡管這些參數(shù)可能不夠精確，但足以將稀疏分解算法限制在短時(shí)間內(nèi)，而不是整個(gè)時(shí)域。這種情況下，就可以應(yīng)用稀疏分解算法來(lái)去除PD信號(hào)中的剩余噪聲。

基于過(guò)完備字典和MP算法的稀疏分解過(guò)程如圖5所示。

信號(hào)稀疏分解算法基于在過(guò)于完整的字典中找到最佳匹配原子來(lái)重構(gòu)信號(hào)。從圖5可以看到整個(gè)算法的過(guò)程，最佳匹配原子在MP貪婪算法的搜索下被笠選出來(lái)重構(gòu)信號(hào)，而噪聲則被當(dāng)作殘差去除，最后，幾乎不含噪聲的PD信號(hào)被提取出來(lái)。

在這種仿真條件下，如果直接使用MP算法而不進(jìn)行優(yōu)化，則需要4×2 0003次搜索才能獲得最佳匹配原子集合。然而，在算法的作用域自適應(yīng)性地受到限制后，只需要1×104～2×104次搜索就能獲得相同的結(jié)果，大大提高了算法的效率。

5? 評(píng)估與分析

5.1? 算法去噪評(píng)價(jià)

為了比較本文提出的算法的去噪效果相比于傳統(tǒng)PD信號(hào)去躁算法的效果，本文采用了以下4個(gè)評(píng)估規(guī)則[18]：信噪比（Signal Noise Ratio， SNR）、歸一化相關(guān)系數(shù)（Normalized correlation coefficient， NCC）、降噪率（Noise reduction ratio， NRR）、上升趨勢(shì)參數(shù)（RVTP）和下降趨勢(shì)參數(shù)（FVTP）的平均-VTF。SNR越大，NRR就越大，NCC和VTF越接近1，算法對(duì)降噪的影響就越大。

5.2? 仿真比較

將本文提出的方法（方法A）與其他三種常用的局部放電去噪方法——EEMD（方法B）、SSVD（方法C）和自適應(yīng)閾值小波（方法D）——對(duì)不同輸入信噪比的局部放電信號(hào)進(jìn)行作用，比較其降噪效果。例如，當(dāng)輸入SNR為3.79 dB時(shí)，可以獲得如圖6所示的去噪后的結(jié)果。

降低輸入SNR，模擬在噪聲更大的環(huán)境下各種方法的去噪效果，如表1所示。

以上結(jié)果表明，只有當(dāng)SNR＞1時(shí)，也就是原始PD信號(hào)比噪聲更明顯時(shí)，EEMD和SSVD算法才能在PD信號(hào)有較好的降噪效果，能提取出原始PD信號(hào)。這個(gè)結(jié)果也可以在其他研究文章中觀察到類(lèi)似的結(jié)果[4]。自適應(yīng)閾值小波方法優(yōu)于EEMD和SSVD，可以在信噪比較小的情況下使用。然而，當(dāng)SNR＜-20時(shí)，即原始PD信號(hào)完全被噪聲淹沒(méi)，這三種傳統(tǒng)的PD信號(hào)降噪方法基本上沒(méi)有降噪效果，甚至可能使原始PD信號(hào)失真。

而本文提出的方法既可以有效地消除噪聲，提取原始PD信號(hào)，也可以在低信噪比的條件下依舊保證比較好的去噪效果。

6? 實(shí)測(cè)信號(hào)驗(yàn)證與對(duì)比

在500 kV高壓并聯(lián)電抗器，傳感器為超高頻傳感器，采樣頻率為400 MHz的工程環(huán)境下檢測(cè)到的PD信號(hào)如下以及運(yùn)用本文的算法提取后的結(jié)果如圖7所示。

從上面的結(jié)果可以看出，該方法確實(shí)精確且自適應(yīng)地捕捉PD信號(hào)的起點(diǎn)和終點(diǎn)，并且對(duì)整個(gè)信號(hào)周期上的噪聲進(jìn)行了去除，并提取出了局部放電脈動(dòng)。

當(dāng)將其他傳統(tǒng)PD信號(hào)去噪算法應(yīng)用于此工程PD信號(hào)去噪時(shí)，可以得到如圖8所示的結(jié)果。

由以上結(jié)果可以發(fā)現(xiàn)：SSVD算法不能很好地去除噪聲，去噪信號(hào)的時(shí)域中仍然存在一些輕微的噪聲；EEMD算法不能定位工程PD信號(hào)的精確起點(diǎn)和終點(diǎn)；與其他兩種算法相比，硬閾值小波算法產(chǎn)生的結(jié)果甚至更差。

總之，本文改進(jìn)的方法對(duì)模擬PD信號(hào)和實(shí)際工程PD信號(hào)都有較好的處理效果。

7? 結(jié)? 論

針對(duì)局部放電信號(hào)，本文提出了一種自適應(yīng)VMD和稀疏分解的信號(hào)提取方法。為了解決PD信號(hào)的過(guò)完備字典維度過(guò)高、算法效率過(guò)低的問(wèn)題，本文基于VMD算法對(duì)稀疏分解算法進(jìn)行了優(yōu)化。本文提出的方法不需要設(shè)置或選擇閾值并可以自適應(yīng)地限制稀疏分解的作用范圍。該方法與其他傳統(tǒng)PD信號(hào)去噪方法的比較結(jié)果，以及將該方法應(yīng)用于實(shí)際工程PD信號(hào)的結(jié)果共同證明了該方法的有效性和不同信噪比下的適用性。

參考文獻(xiàn)：

[1] 李希桐.電力電纜局部放電綜合噪聲抑制方法的研究 [D].阜新：遼寧工程技術(shù)大學(xué)，2022.

[2] 饒顯杰，徐忠林，龍林，等.基于廣義S變換與數(shù)學(xué)形態(tài)學(xué)的局部放電窄帶干擾抑制方法 [J].電網(wǎng)技術(shù)，2023，47（3）：1299-1307.

[3] 李夢(mèng)瑩，邢昕奕，劉雅文.局部放電周期性窄帶干擾抑制方法綜述 [J].科技創(chuàng)新與應(yīng)用，2021（1）：142-144.

[4] 付偉，李寧.基于改進(jìn)EEMD的局部放電信號(hào)降噪方法 [J].電子測(cè)量技術(shù)，2022，45（12）：156-162.

[5] SUN SHENGYA，SUN Y Y，LI Y H，et al. An Adaptive Wavelet Multilevel Soft Threshold Algorithm for Denoising Partial Discharge Signals [C]//2019 IEEE Sustainable Power and Energy Conference （iSPEC）.Beijing：IEEE，2019：1874-1878.

[6] DIAZ-ORTIZ F，ROMAN F. Wavelet denoising using an optimal selection of mother wavelet for compact intracloud discharges [C]//2018 34th International Conference on Lightning Protection （ICLP）.Rzeszow：IEEE，2018：1-4.

[7] ASHTIANI M B，SHAHRTASH S M. Partial discharge de-noising employing adaptive singular value decomposition [J].IEEE Transactions on Dielectrics and Electrical Insulation，2014：775-782.

[8] MANSOURI A，MAHMOUDI-AZNAVEH A. SSVD： Structural SVD-based image quality assessment [J].Signal Processing： Image Communication，2019，74：54-63.

[9] GAO J，WU L F，WANG H M，et al. Development of a Method for Selection of Effective Singular Values in Bearing Fault Signal De-Noising [J/OL].Applied Sciences，2016，6（5）：154[2023-09-16].https：//doi.org/10.3390/app6050154.

[10] 李清泉，王歡.基于稀疏表示理論的優(yōu)化算法綜述 [J].測(cè)繪地理信息，2019，44（4）：1-9.

[11] 任倩楠.稀疏表示理論下OFDM信號(hào)干擾抑制方法研究 [D].西安：西安理工大學(xué)，2021.

[12] SILVA F T A，MOTA H D O. Partial discharge signal processing using overcomplete dictionaries and sparse representations [C]//2017 IEEE Electrical Insulation Conference （EIC）.Baltimore：IEEE，2017：388-391.

[13] 呂宏政，陳仁文，張祥，等.基于VMD交叉樣本熵的旋翼槳葉故障診斷方法 [J].電子測(cè)量技術(shù)，2019，42（9）：107-111.

[14] 佘昌佳，梅飛，葉昱媛，等.基于優(yōu)化VMD與噪聲估計(jì)的間隔閾值局部放電去噪方法 [J].高壓電器，2020，56（3）：141-149.

[15] HUAI S H，ZHANG S F. A novel sparse representation algorithm for AIS real-time signals [J/OL].EURASIP Journal on Wireless Communications and Networking，2018，223[2023-09-20].https：//doi.org/10.1186/s13638-018-1244-9.

[16] DRAGOMIRETSKIY K，ZOSSO D. Variational Mode Decomposition [J].IEEE Transactions on Signal Processing，2014，62（3）：531-544.

[17] MATHIS H. On the Kurtosis of Digitally Modulated Signals with Timing Offsets [C]//2001 IEEE Third Workshop on Signal Processing Advances in Wireless Communications （SPAWC'01）.Workshop Proceedings （Cat.No.01EX471）.Taiwan：IEEE，2001：86-89.

[18] 唐炬，高麗，彭莉，等.非平穩(wěn)振蕩局放信號(hào)去噪效果評(píng)價(jià)參數(shù)研究 [J].高電壓技術(shù)，2007（12）：66-70.

作者簡(jiǎn)介：鐘俊（1972—），男，漢族，重慶人，副教授，碩士生導(dǎo)師，博士，研究方向：電力系統(tǒng)的信號(hào)與信息處理；劉楨羽（1998—），女，漢族，重慶人，碩士研究生在讀，研究方向：信號(hào)與信息處理等；趙曉坤（1983—），男，漢族，四川廣元人，高級(jí)工程師，碩士，研究方向：電力信息通信、電力物聯(lián)網(wǎng)、5G配網(wǎng)保護(hù)等領(lǐng)域；唐妮妮（1989—），女，漢族，四川安岳人，副高，碩士，研究領(lǐng)域：電力信息通信、電力物聯(lián)網(wǎng)、5G配網(wǎng)保護(hù)等；通訊作者：畢瀟文（1996—），女，漢族，山東淄博人，博士研究生在讀，研究方向：信號(hào)與信息處理等。