混合粒子群优化小波自适应阈值估计算法及用于局部放电去噪

发布时间：2019-09-03 16:58

【摘要】：小波去噪是局部放电(PD)检测中常用的去噪手段,小波阈值的选取会对局部放电信号失真度及误差产生重要影响。为了提高局部放电小波去噪的自适应能力,降低去噪畸变,提出了1种用于局部放电信号去噪的混合粒子群优化小波自适应阈值估计(HPSOWATE)算法。针对普通阈值选取算法容易陷入局部最优的问题,采用融合了交叉、变异的HPSOWATE算法进行了全局自适应搜索最优阈值。引入遗传算法及标准粒子群算法对计算结果进行了验证。对局部放电染噪仿真信号和现场实测信号的去噪结果表明,该算法能够有效地跳出局部最优位置,较快收敛到全局最优,显著提升了结果可信度和算法计算速度。计算结果表明,所提出的算法在不同信噪比下得到的去噪信号的均方误差(MSE)和幅值误差都最佳,能更好地去除局部放电信号中的白噪声,具有良好的应用价值。
【图文】：

流程图,混合粒,去噪,子群

来更新速度和位置。(5)计算全局最优值变化，判断是否需要执行混沌或变异操作，若需要则执行步骤(6)，否则执行步骤(7)。(6)根据全局最优值变化大小来选择执行混沌操作或变异操作。(7)判断是否达到最大迭代次数，，如未达到则执行步骤(3)，否则输出最优值λbest。本文的HPSOWATE算法的参数设定如下：粒子群的数量m=40，最大迭代次数tmax=100，权重系数的最大值maxω=0.9、最小值minω=0.4，粒子最大速度vmax=0.2λmax，Δ1和Δ0分别设置为0.1和0.01。HPSOWATE算法的基本计算流程图如图1所示。3去噪结果分析3.1去噪效果评价参数及去噪算法为评价去噪算法对染噪信号的去噪效果，定义去噪均方误差ξ和幅值误差ε，均方误差ξ的定义见式(3)，幅值误差ε的定义为odo100%AAAε=×(20)图1混合粒子群优化小波自适应阈值估计算法去噪计算流程图Fig.1Flowchartofde-nosingusingHPSOWATEalgorithm

局部放电,仿真模型,脉冲,去噪算法

vethresholdestimation，PSOWATE)算法。(4)HPSOWATE算法，它是指本文提出的混合粒子群优化小波自适应阈值估计(hybridparticleswarmoptimizationwaveletadaptivethresholdesti-mation，HPSOWATE)算法。上述4种去噪算法中，GOWATE算法、PSOWATE算法和HPSOWATE算法的核心思想均为自适应迭代。4种去噪算法统一设置基小波为‘db8’，分解层数为6层。3.2局部放电仿真信号的去噪分析不同故障下产生的局部放电表现出不同的波形特征，指数衰减模型sa和振荡衰减模型sb是目前较为常用的局部放电模拟模型，其图形如图2(a)所示。其中第1个脉冲为指数衰减模型sa，第2个脉冲为振荡衰减模型sb。图2(b)为仿真信号被信噪比γSNR等于1的白噪声污染后的信号。为比较自适应阈值选择精度，对图2(b)所示脉冲采用GOWATE算法、PSOWATE算法和HPSOWATE算法这3种去噪算法来进行迭代计算，重复测试50次并比较各层小波阈值，得到的结果如表1所示。从表1中可以看出：HPSOWATE算法得到的阈值明显优于GOWATE算法和PSOWATE算法；GOWATE算法虽然能够寻找到最优解附近，但是局部搜索能力较弱，只能得到次优阈值；PSOWATE图2典型局部放电脉冲仿真模型Fig.2TypicalsimulativePDpulsewaveforms表13种去噪算法阈值选取对比Table1ThresholdvaluecomparisonbetweenGOWATE,PSOWATEandHPSOWATEalgorithm层数去噪算法最大阈值最小阈值平均值最优阈值1GOWATE0.81450.71290.7889PSOWATE0.78440.67850.77540.7839HPSOWATE0.78470.78380.78402GOWATE0.89010.79840.8601PSOWATE7.94720.79470.89520.8430HPSOWATE0.87470.84290.84373GOWATE0.91510.86660.8762PSOWATE0.86660.86660.86660.8666HPSOWATE0.86660.86660.86664GOWATE1
【作者单位】：特高压输变电技术与装备山东省重点实验室(山东大学电气工程学院);华中科技大学;国网山东省电力公司莱芜供电公司;
【基金】：山东省科技发展计划(2014GGX104006)~~
【分类号】：TM855

【相似文献】