复杂噪声下局部放电信号的自适应去噪与提取方法

"含窄带噪声和白噪声的复杂染噪局部放电信号提取及应用.docx" 局部放电（Localized Discharge, LD）是高压电气设备绝缘性能恶化的重要标志，其监测对于评估设备在线运行状态至关重要。然而，局放信号微弱，常常受到环境中高强度的噪声干扰，如白噪声和周期性噪声，尤其是周期性窄带干扰，这些都对信号的准确提取带来挑战，进而影响到局放的定位精度和模式识别。 在实际应用中，局放信号可能遭遇三种主要类型的噪声：白噪声、周期性脉冲干扰和周期性窄带干扰。白噪声具有宽频带特性，可能与局放信号在各个频段重叠；而周期性窄带干扰则因为其强度大、规律性强，成为去噪处理的重点。针对这些噪声，科研人员提出了多种去噪方法。 文献[10]结合广义S变换和奇异值分解（Singular Value Decomposition, SVD）来抑制白噪声，但计算复杂度高，不适合实时监测；文献[11]运用快速独立成分分析（Fast Independent Component Analysis, FastICA）去除窄带干扰，却无法恢复信号的幅值和相位信息；文献[12]通过量子粒子群优化稀疏分解算法，但需预先构建过完备原子库；文献[13]采用紧支性准则选择小波基的小波去噪，解决了小波基选择的盲目性，但未考虑分解层数的影响；文献[14]利用经验模态分解（Empirical Mode Decomposition, EMD）进行去噪，虽然有自适应性，但模态混叠和端点效应可能影响去噪效果。 为解决上述方法的不足，本文提出了一种结合自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN）和小波包的去噪算法。CEEMDAN通过自适应地分解染噪信号，有效地解决了EMD的频率混叠、虚假分量和端点效应问题。接着，利用SVD抑制分解后的窄带干扰和频率混叠。通过信号间的互相关系数判断有效分量，并进行重构。最后，采用小波包阈值法进一步滤除重构信号中的白噪声残留，以提高局放信号的提取质量。 该方法的优点在于能够在复杂的噪声环境中，无需先验数据，实现快速自适应的局放信号去噪。实验结果显示，该方法能保持局放信号的波形完整，减少能量损失，满足局放定位和模式识别的需要，提高了局部放电检测的可靠性和精确性。