基于apFFT-AMD的密集频率谐波/间谐波检测
Dense frequency harmonic/interharmonic detection based on apFFT-AMD
收稿日期: 2018-11-24
Received: 2018-11-24
作者简介 About authors
孙曙光(1979—),男,副教授,从事电力谐波检测与补偿控制的研究.orcid.org/0000-0003-3783-0932.E-mail:
针对电力谐波信号中含有密集频率的谐波/间谐波问题,提出全相位快速傅里叶变换(apFFT)与解析模态分解法(AMD)相结合的检测方法. 由于AMD在分解前需要确定信号中各个频率成分,应用apFFT对待分析信号进行频谱分析,得到频谱中各个频率的值;通过apFFT相位谱的平坦特性来判断信号中是否含有密集谱频率成分,获得密集频谱谐波/间谐波频率的大概位置,若含有密集频谱成分,对信号中的密集频段使用量子粒子群进行优化,寻找最佳的二分频率;通过各个频率成分之间的二分频率,利用AMD方法将电力谐波信号分解为一系列的单频信号分量,以完成含有密集频率的谐波测量. 与希尔伯特-黄变换法(HHT)相比,该方法对于含有密集频率的谐波/间谐波信号分解效果更好. 仿真和实验结果都表明了该方法的有效性和准确性.
关键词:
A combining detection method of all-phase fast Fourier transform (apFFT) and analytical mode decomposition was proposed aiming at the harmonic/interharmonic problem with dense frequency in power harmonic signals. Since AMD needs to determine the frequency components in the signal before decomposing, apFFT was used to perform spectrum analysis on the analyzed signals to obtain the values of the frequencies in the spectrum. The flat characteristics of the apFFT phase spectrum were used to determine whether the signal contains dense spectrum frequency component, and the approximate position of dense spectrum harmonic/interharmonic frequency was obtained. If there were dense spectral components, the dense spectrum segment of the signal was optimized by using quantum particle swarm to find the best binary frequency. The power harmonic signal was decomposed into a series of single-frequency signal components through the binary frequency between each frequency component by using AMD method in order to complete the measurement of harmonics with dense frequency. The method is better for the decomposition of harmonic/interharmonic signals with dense frequency compared with Hilbert-Huang transform (HHT) method. The simulation and experimental results showed the effectiveness and accuracy of the proposed method.
Keywords:
本文引用格式
孙曙光, 田朋, 杜太行, 王景芹.
SUN Shu-guang, TIAN Peng, DU Tai-hang, WANG Jing-qin.
近年来,随着大量非线性设备的增加以及新能源发电装置接入到电网中,致使电力系统谐波问题日益突出,系统中的谐波成分变得越来越复杂. 与传统的工频整数次谐波相比,间谐波的频率更具有不确定性,危害更大. 复杂的电力谐波信号中很可能含有频率十分接近的谐波/间谐波成分,因此准确地检测出频率相近的谐波/间谐波是谐波检测的一个重要研究方向[1].
目前,谐波/间谐波的检测方法主要有小波变换法[2-3]、希尔伯特-黄变换法(Hilbert-Huang Transform,HHT)[4-5]和傅里叶变换法[6-7]. 以上方法多用于检测普通谐波,针对含密频成分谐波信号分解的研究很少. 当信号中两频率成分过于密集时,两频率的谱峰主瓣会发生部分重叠,造成主瓣干扰问题[8],这使得传统加窗插值的改进算法性能大幅度下降,甚至完全失效. 有学者利用小波变换分析频率较近的谐波信号. 喻敏等[9]通过同步挤压小波变换(synchrosqueezing wavelet transform,SST)分解信号中频率较近的谐波/间谐波,但方法的分解能力限制了分解效果. 还有学者综合运用频域法和时域法相结合的优势来分析谐波/间谐波信号. 贾清泉等[10]采用原子分解和加窗频移算法,分析相近的谐波/间谐波,但该方法较复杂,计算量较大. 近年来,HHT是处理复杂信号常用的方法,由经验模态分解法(empirical mode decomposition,EMD)和希尔伯特变换(Hilbert transform,HT)组成. HHT法首先利用EMD将信号分解为一组固有模态函数(intrinsic mode function,IMF)分量,分量个数会随信号的不同而改变,但EMD在分解过程中容易引入虚假成分. 当信号频率较近时,EMD很难将信号分解为单一频率分量,出现模态混叠现象. 孙曙光等[11]针对谐波信号中的密频问题,利用Hilbert频移方法使信号满足EEMD分解条件. 该方法解决了高次谐波间的频率在二倍频之内且幅值较小的密频问题. 当信号中的谐波频率较低且频率间隔很小时,该方法无法有效地分解出信号中的各次谐波.
针对信号中两频率成分过于接近的密频问题,本文选用解析模态分解法(analytical mode decomposition,AMD)作为信号的分解方法. AMD是Chen等[12]提出的新的信号分解方法. AMD作为一种时频分析方法,目前主要应用在故障诊断领域. 时培明等[13]利用AMD能够分解紧密间隔信号、小的间歇波动信号和窄带信号的特性[12,14-15],将含故障成分的频率段提取出来. 由于AMD方法在提出时是以傅里叶变换为基础,分解信号前需要确定信号中的频率成分. 王佐才等[16]利用傅里叶频谱确定信号中的频率成分,通过AMD分解信号,得到模态的参数. 如果信号中存在密集频率成分时,通过傅里叶频谱将无法提前预知信号中全部的频率成分,进而不能得到所有频率成分间的二分频率,不能实现信号的有效分解. 针对信号中的密集频率成分问题,时培明等[17]利用EMD粗略得到信号中的频率成分,人为按大步长到小步长搜索密集频率间的二分频率,利用AMD分解含有密集频率的信号. 该方法的计算量太大,随机性太强. 为了解决上述方法中存在的问题,本文利用全相位快速傅里叶变换(all-phase fast Fourier transform,apFFT)的相位谱平坦特性来识别信号中的密集频谱[18],确定密集频率成分的位置,使用量子粒子群优化密集频段,自动寻优得到密集频率成分间的最佳二分频率.
综上所述,本文将AMD方法首次应用到电力谐波检测领域,提出基于apFFT与AMD的检测方法. 在含密频成分时,通过所得的最佳二分频率,利用AMD方法对谐波信号进行分解,可以完成信号中密频谐波的测量. 与HHT相比,该方法的分解效果更理想.
1. 基于apFFT密集谱的识别
由于电力谐波信号密集频率成分的存在,需要利用apFFT的相位谱来识别谐波信号中的密集频谱成分.
1.1. apFFT的频谱分析原理
apFFT对信号的谱分析流程如图1所示.
图 1
由图1可知,长度为(2N−1)的卷积窗
若图1中输入信号为单频复指数信号,信号的具体表达式为
式中:A为幅值,
由文献[19]可知,全相位傅里叶变换的振幅谱公式为
式中:F(ɷ)为双窗apFFT频谱分析中所采用的窗函数频谱.
通过式(2)可以看出,apFFT的相位谱公式为
apFFT主谱线上的相位谱值与中心点x(0)的相位值相等,都为
1.2. 密集谱的识别
假设单频信号x1(t)、x2(t)及复合信号x(t)为
式中:t为时间.
图 2
图 2 单频信号与密集谱信号的全相位快速傅里叶变换幅值谱和相位谱
Fig.2 All-phase fast Fourier transform amplitude and phase spectrum of single-frequency signals and dense-spectrum signals
2. 解析模态分解法
解析模态分解法作为新的信号分解方法,不仅可以分解频率相近的非平稳信号,而且计算效率高,信号处理可靠. 考虑到电力谐波信号中可能存在密集频率的谐波/间谐波成分,将AMD用于谐波信号的分解.
2.1. AMD分解原理
当信号x(t)中含有n个单频信号分量,每个信号对应的频率为
式中:t为时间,n为单频信号分量个数.
2个单频分量信号之间的二分频率为
图 3
式中:s0(t)为0,
一个时间序列通常可以表示为2个信号的总和:
信号中的二分频率为
因此,
对
根据Hilbert变换中的Bedrosian定理,可以将式(13)写成如下形式:
令
对
将
由式(10)可得
通过式(21)可以看出,经AMD分解后,信号
2.2. AMD多频信号的分解
根据AMD的分解原理可知,AMD能够将时间序列x(t)分解为任意2个信号的和,实现低通滤波的功能,还可以实现带通和高通滤波的功能. 对于含有多个频率信号叠加的谐波信号,只要知道信号中的频率成分,就能将信号中的多频成分分解出来.
假设有一时间序列,表达式同式(7). 时间序列中各个单频信号的频率由小到大依次为
3. 量子粒子群寻优二分频率
当利用AMD算法处理信号时,需要预先确定信号中频率成分. 由于apFFT分解信号前信号源成分未知,按照IEC61000-4-7推荐的10个基波周期进行采样,频谱的分辨率为
当利用量子粒子群搜寻二分频率的最佳值时,需要确定适应度函数,粒子每次更新一个位置,适应度函数都会产生一个新的适应度,随着粒子位置的更新,适应度会进行对比更新. 利用AMD算法对信号中的密集谐波/间谐波成分进行处理后,密集频谱部分会被分解为2个单频分量的信号x1(t)、x2(t). 根据正弦信号之间的正交特性,相关系数可以定义为r. 当r=0时,表示信号x1(t)、x2(t)完全不相关;当r
1)对量子粒子群进行初始化,设置种群规模M、最大迭代次数T和粒子位置向量
2)根据适应度函数计算出每个粒子的适应度值,将它作为每个粒子的最优适应度,记为
3)在粒子的位置更新后,对比每个粒子的最优适应度和全局最优适应度的大小,更新
式中:t为当前的迭代次数;
4)循环迭代,直到迭代结束,输出全局最优适应度和相应的粒子最优位置,所得最优位置即为最佳的二分频率.
4. 基于apFFT-AMD的密集频率谐波/间谐波检测算法
该算法共分为以下5个步骤.
1)对电力谐波信号进行apFFT分解,得到信号的幅值谱和相位谱.
2)通过对信号的幅值谱图进行谱峰搜索,得到信号的各个频率,利用apFFT相位谱的平坦特性判断电力谐波信号中是否含有密集频谱谐波/间谐波成分. 若不含有密集频谱成分,则直接进行步骤5).
3)若电力谐波信号中含有密集频谱的成分,则通过相位谱找到相位发生改变附近所对应幅值谱图中谱峰的频率f.
4)利用量子粒子群寻优,粒子位置
5)根据步骤2)中幅值谱图的谱峰值,确定非密集频段中各个频率之间的二分频率,进行AMD分解,对分解出的单频信号分量采取希尔伯特变换,得到相应的瞬时幅值和瞬时频率.
该算法的流程如图4所示.
图 4
5. 仿真信号分析
5.1. 算例1
假设电力谐波信号为
基波可能存在频率波动,考虑到这一影响,将基波频率设定为50.2 Hz,信号中谐波/间谐波成分的频率、幅值、相位θ如表1所示.
表 1 算例1的信号参数
Tab.1
成分 | f/Hz | I/A | θ/(°) |
间谐波 | 20.0 | 1 | 10 |
基波 | 50.2 | 15 | 30 |
谐波 | 100.4 | 8 | 200 |
间谐波 | 228.0 | 4 | 100 |
间谐波 | 520.0 | 2 | 250 |
图 5
图 6
图 7
图 7 原始信号及本文方法的分解结果
Fig.7 Original signal and decomposition results of this paper
图 8
由于采样点数较多,分解结果的波形较密集,无法看出波形的具体特征,对图7、8的波形进行局部放大,放大的时间段为0.40~0.45 s,幅值不变. 通过幅值谱图确定原始信号中共有5种频率成分,由图7可知,x(t)为原始信号,x1~x5为分解出的单频信号分量,频率依次为20.07、50.08、99.95、228.00和519.98 Hz. 经本文方法检测出的分量x4为228 Hz与apFFT频谱分析中的230 Hz不同,这是因为apFFT作频谱分析时,频谱分辨率为5 Hz,只能检测出频率为5 Hz整数倍的谐波/间谐波成分,apFFT在对228 Hz的间谐波进行检测时会找取靠近该频率处的最高谱线,而这根谱线所对应的频率是230 Hz. apFFT检测出的频率成分230 Hz与实际频谱成分228 Hz稍微有些差异,但该方法能够将信号中频率为228 Hz的间谐波分解出来,并且检测结果十分接近真实值,表明本文方法几乎不受基波频率波动的影响. 由于信号中的频率成分间隔较大,通过图8可以看出,EMD可以将谐波/间谐波分解出来,IMF1~IMF5的频率依次为519.91、227.93、99.92、49.92和19.92 Hz,IMF6分量为虚假分量. 受EMD算法端点效应的影响,波形端点处的分解效果不是很好. 对各分量进行希尔伯特变换,求得瞬时幅值和瞬时频率,采取求平均值的方法得到本文方法和EMD的幅值和频率检测结果,如表2所示. 表中,fe为估计频率,ξf为频率估计误差,Ie为估计电流幅值,ξI为电流幅值的估计误差.根据表2可知,当信号中的频率成分间隔较大时,该方法的幅值和频率检测精度均高于EMD的检测精度.
表 2 该方法和EMD各分量参数的检测结果
Tab.2
分量 | 本文方法 | EMD | |||||||
fe/Hz | ξf/% | Ie/A | ξI/% | fe/Hz | ξf/% | Ie/A | ξI/% | ||
1 | 20.07 | 0.35 | 1.04 | 4.00 | 19.92 | 0.40 | 0.86 | 14.00 | |
2 | 50.08 | 0.24 | 14.96 | 0.27 | 49.92 | 0.56 | 14.28 | 4.80 | |
3 | 99.95 | 0.45 | 7.99 | 0.13 | 99.92 | 0.48 | 8.00 | 0.00 | |
4 | 228.00 | 0.00 | 4.00 | 0.00 | 227.93 | 0.03 | 3.96 | 1.00 | |
5 | 519.98 | 0.01 | 2.00 | 0.00 | 519.91 | 0.02 | 2.00 | 0.00 |
AMD算法的运算时间复杂度为O(N),EMD算法的复杂度为O(N),其中N为采样点数. 为了对比该方法与EMD算法的计算效率,使用笔记本电脑联想G400s,Intel i5-5400的CPU,在软件Matlab 2014a中运行AMD算法和EMD算法各10次,记录10次的时间求取平均值. AMD运行时间的平均值为0.778 444 s,EMD运行时间的平均值为1.074 201 s. 通过运行时间的对比可以发现,AMD算法的计算效率高于EMD算法.
5.2. 算例2
改变算例1中电力谐波信号成分的频率和幅值,具体参数如表3所示.
表 3 算例2的信号参数
Tab.3
成分 | f/Hz | I/A | θ/(°) |
间谐波 | 20 | 1 | 10 |
基波 | 50 | 15 | 30 |
间谐波 | 160 | 1 | 200 |
间谐波 | 162 | 2 | 100 |
谐波 | 250 | 6 | 250 |
图 9
图 10
图 11
图 12
图 12 原始信号及本文方法的分解结果
Fig.12 Original signal and decomposition results of this paper
图 13
对该方法分解出的信号分量x1、x2、x3、x4、x5进行希尔伯特变换,得到图14各个单频信号分量的瞬时幅值、瞬时频率及密集频率的局部放大图.
图 14
图 14 单频信号分量的瞬时幅值和频率
Fig.14 Instantaneous amplitude and frequency of single-frequency signal components
图12和图13局部放大的时间段为0.40~0.45 s. 通过图12可知,在信号源成分未知的情况下,利用该方法能够将信号中谐波/间谐波成分全部检测出来;图14中经希尔伯特变换得到的各分量的瞬时幅值和瞬时频率非常平稳,基本上没有任何波动,检测结果准确. 尤其是两密频间谐波x3、x4的检测频率为160、162 Hz,检测幅值为1、2 A,与信号的实际频率和幅值相同,这表明所提方法能够很好地分辨出2个频率接近的间谐波. 由图13的分解结果可以看出,EMD共分解出6个IMF分量,IMF1、IMF2、IMF3的检测频率分别为249.91、49.98和20.90 Hz,其他IMF分量为虚假分量,信号中的2个密频间谐波没有被分解出来. EMD的分解之所以会出现这样的结果,原因是信号中存在频率比较接近谐波/间谐波的成分,当较大与较小频率的比值小于2时,EMD将其看成是一个调制信号,造成模态混叠的情况[23]. 根据仿真结果可知,当信号中含有密频谐波/间谐波成分时,AMD对密频的分解能力强于EMD,该方法的检测结果十分准确.
6. 实验分析与验证
为了验证该方法在实际中的整体应用性能,采用半物理实验,通过信号发生器模拟实际电力谐波信号. 如图15所示为实验中用到的设备,谐波源装置为泰克信号发生器AFG3152C. D/A的输出频率高达150 MHz,完全可以将离散的数据点转化为连续的模拟信号,该实验中将谐波电流信号模型数据通过ArbExpress软件导入到信号发生器中,输出与电流信号成比例缩放的电压模拟信号. 在信号采集部分,采用Labview操作研华公司生产的PCI-1712L数据采集卡进行信号的采集. 实验的整体过程方案如图16所示,信号发生器产生实际模拟信号,采集卡采集信号,计算机对采集到的信号进行分析处理. 采集卡采样频率为5 120 Hz,谐波源信号模型的具体参数如表4所示. 为了对比实验数据与仿真算例2的参数,表4给出的模型参数是信号发生器实际输出参数的10倍. 该模型参数和仿真算例2的参数有区别,主要考虑在实际情况下,当谐波与间谐波频率接近时该方法的适用性及分解结果的准确性.
图 15
图 16
表 4 信号模型具体参数
Tab.4
成分 | f/Hz | I/A | θ/(°) |
间谐波 | 25 | 2 | 20 |
基波 | 50 | 20 | 80 |
谐波 | 150 | 10 | 200 |
间谐波 | 152 | 3 | 90 |
谐波 | 250 | 8 | 250 |
图 17
图 18
图 19
图 19 实测电流信号和本文方法的分解结果
Fig.19 Measured current signal and decomposition results of this paper
图 20
图 20 实测电流信号的单频分量瞬时幅值和频率
Fig.20 Instantaneous amplitude and frequency of single frequency component of measured current signal
表 5 AMD各分量参数检测结果
Tab.5
分量 | fe/Hz | ξf/% | Ie/A | ξI/% |
| 24.99 | 0.04 | 1.98 | 1.00 |
| 50.00 | 0.00 | 19.84 | 0.80 |
| 150.00 | 0.00 | 9.91 | 0.90 |
| 151.98 | 0.01 | 2.98 | 0.67 |
| 250.00 | 0.00 | 7.93 | 0.88 |
7. 结 论
(1)利用apFFT相位谱的平坦特性,实现了对电力谐波信号中密集频率成分的判定,可以确定该成分的频率区间.
(2)以相关系数r作为适应度,在密集频段频率范围内,利用量子粒子群可以完成最佳二分频率的自动寻优,避免了人为搜索的复杂性与随机性.
(3)利用AMD算法实现了信号中频率相近的谐波/间谐波成分的分解,将该分解结果与EMD的分解结果进行对比. 对比结果表明,AMD算法的执行效率更高,各分量能够真实地反映信号的实际物理意义,相应的参数检测达到了很高的精度.
(4)基于半物理实验测试表明了该方法对密频信号检测的有效性,密频成分的频率和幅值检测的误差小.
该方法存在一定的局限性,局限性在于本文的密集频谱中只包含2个频率接近的谐波/间谐波成分,当密集频谱中含有多个频率接近的成分时,如何准确地检测出密集频谱中的多个频率成分是值得研究的问题.
参考文献
Harmonic pollution metering: theoretical consideration
[J].DOI:10.1109/61.847223 [本文引用: 1]
基于同步挤压小波变换的电力系统时变谐波检测
[J].
Power system time-varying transient harmonics detection baesd on SWT
[J].
一种基于小波包和apFFT的间谐波检测方法
[J].DOI:10.7667/PSPC161039 [本文引用: 1]
A method to detect inter-harmonics based on wavelet packet and apFFT
[J].DOI:10.7667/PSPC161039 [本文引用: 1]
基于EEMD的谐波检测方法
[J].
Harmonic detection method based on EEMD
[J].
基于数学形态学和HHT的谐波和间谐波检测方法
[J].
A new method to detect harmonics and inter-harmonics based on mathematical morphology and Hilbert-Huang transform
[J].
一种改进的插值FFT谐波分析算法
[J].
An improved interpolated FFT algorithm for harmonic analysis
[J].
结合短时傅里叶变换和谱峭度的电力系统谐波检测方法
[J].DOI:10.7667/PSPC160506 [本文引用: 1]
Detection of harmonic in power system based on short-time Fourier transform and spectral kurtosis
[J].DOI:10.7667/PSPC160506 [本文引用: 1]
Exact harmonic/interharmonics calculation using adaptive window width
[J].
基于SST的间谐波检测方法
[J].
An inter-harmonic detection method based on synchrosqueezing wavelet transform
[J].
一种应用原子分解和加窗频移算法分析频率相近谐波/间谐波的方法
[J].
An approach to detect harmonics/inter-harmonics with closing frequencies using atomic decomposition and windowed frequency shifting algorithm
[J].
基于Hilbert频移的EEMD谐波检测方法
[J].DOI:10.7667/PSPC161124 [本文引用: 1]
EEMD harmonic detection method based on frequency shift of Hilbert
[J].DOI:10.7667/PSPC161124 [本文引用: 1]
A signal decomposition theorem with Hilbert transform and its application to narrowband time series with closely spaced frequency components
[J].
基于解析模态分解的机械故障诊断方法
[J].DOI:10.3969/j.issn.1004-132X.2016.05.018 [本文引用: 1]
Fault diagnosis method for rotating machinery based on AMD
[J].DOI:10.3969/j.issn.1004-132X.2016.05.018 [本文引用: 1]
A signal decomposition or lowpass filtering with Hilbert transform
[J].DOI:10.1016/j.ymssp.2011.04.016 [本文引用: 1]
Hilbert transform in vibration analysis
[J].DOI:10.1016/j.ymssp.2010.07.018 [本文引用: 1]
基于解析模式分解的密集工作模态参数识别
[J].
Parameter identification of closely spaced structural modals based on analytical mode decomposition
[J].
基于AMD-HHT的非平稳信号紧密间隔频率检测
[J].
Closely spaced frequency component detection method of non-stationary signal based on AMD and HHT
[J].
全相位FFT密集谱识别与校正
[J].
Discrimination and correction for dense all-phase FFT spectrums
[J].
全相位时移相位差频谱校正法
[J].
All-phase time-shift phase difference correcting spectrum method
[J].
基于全相位谱细化与校正的谐波和间谐波测量方法
[J].
Method of harmonics and interharmonics measurement based on all-phase spectrum zoom and correction
[J].
一种基于粒子群优化算法的间谐波分析方法
[J].DOI:10.3321/j.issn:1000-6753.2009.12.025 [本文引用: 1]
A method for inter-harmonics analysis based on PSO
[J].DOI:10.3321/j.issn:1000-6753.2009.12.025 [本文引用: 1]
One or two frequencies? the empirical mode decomposition answers
[J].DOI:10.1109/TSP.2007.906771 [本文引用: 1]
/
〈 |
|
〉 |
