小波分析应用综述1.docx

小波分析应用综述1.docx

《小波分析应用综述1.docx》由会员分享，可在线阅读，更多相关《小波分析应用综述1.docx（7页珍藏版）》请在冰点文库上搜索。

研究生课程考核试卷

科目：

小波分析教师：

姓名：

学号：

专业：

类别：

上课时间:

2014年2月至2014年6月

考生成绩：

卷面成绩

平时成绩

课程综合成绩

阅卷评语：

阅卷教师（签名）

小波分析在电力电子状态控制中的应用综述

摘要：

小波分析是近年来的重大突破，它在时域和频域上均有较好的局部化特性，正是由于它这种特性，使得小波技术体现了传统方法没有的优越性。

在电力电子状态监测中，往往监测量包含多种不同的信息，小波分析凭其精密的分析能力等优点得到了广泛应用。

本文从小波分析的特点出发，围绕其在电力电子领域的应用，介绍了小波变换在信号去噪，信号特征量提取中以及在结合其他方法时的推广应用。

通过介绍分析总结了小波分析在电力电子领域应用中的发展方向。

关键词：

小波分析；电力电子；状态检测

0引言

随着电力电子设备在新能源中的广泛应用，功率器件的可靠性问题越来越受到关注。

状态控制是可靠性研究的基础，对运行中的电力电子装置的技术状态进行检查鉴定，以判断其运转是否正常，有无异常与劣化征兆，或对异常情况进行追踪，预测其劣化趋势，从而确定是否需要采取相应的措施的活动。

在状态监测的基础上利用相关的技术可开展故障诊断，通过分析设备状态测试信号对设备异常运行状态和故障情况做出判断。

电力电子电路发生故障必须快速（数毫秒到数十毫秒内）的将主电路停电，这会使故障状态下的信息随之消失，从而延长停机维修时间，影响生产。

故障特征提取和识别方法的研究对发展和完善电力电子装置的智能故障诊断技术有着重要的现实和经济意义。

近十几年来，小波分析方法在机械振动、电力、通信等领域的故障信号研究方面得到了广泛的应用与发展[1-6]。

小波分析方法是一种将时频窗面积不变，但形状可改变，即经伸缩和平移实现时间窗和频率窗同时可变的时频局部化分析方法。

实现了在低频部分具有较高的频率分辨率和较低的时间分辨率，而在高频部分具有较高的时间分辨率和较低的频率分辨率。

相比同样用于信号分析的传统傅里叶分析，仅能利用整体的正弦或余弦函数作为基函数，而小波分析利用具有时间域和频率域局部化特性的小波基函数来分析各类信号。

正由于上述特点使得小波分析特别适用于突变信号和非平稳信号的分析与检测，打破了傅里叶分析仅适用于平稳信号的束缚。

与傅里叶变换相比，小波分析中所用到的小波函数则不是唯一的。

在实际工程应用中，同一个分析信号若使用不同的小波函数进行分析时，将产生不同、甚至相却甚远的分析结果。

如何正确有效地对小波分析函数进行选择仍是研究的难点与热点。

目前，国内外学者利用小波分析对电力电子装置进行状态控制做了大量研究。

全文围绕状态控制，重点分析小波分析在电力电子领域的应用。

通过介绍各种方法的应用情况，并对比总结了其优缺点，最后指出小波分析在电力电子领域中存在的问题和发展方向。

1小波变换在故障信号去噪中应用

小波包分析为信号提供了一种比小波分析更加精密的分析方法，是小波函数的推广。

它将频带进行多层次划分，对多分辨率分析没有细分的高频部分进一步分解，可以根据被分析信号的特征和分析要求在一定的频域范围内任意选择分辨率，从而进一步提高了时频分辨率。

状态控制主要是对各种状态下电压及电流信号的能量特征向量进行提取，然而电力电子装置中噪声因素对故障检测和识别带来巨大的影响，导致故障信号的特征难以识别。

从上述的分析中可以看出小波变换可将信号分解、滤噪，再将平滑后的信号重建即可得消噪的特征信号。

基于此文献[7]用多尺度小波变换和小波包变换对信号进行消噪。

然后利用Matlab对电力电子装置故障暂态信号进行消噪处理，比较各种消噪方法的优缺点，并结合理论分析和模拟结果讨论了阈值的选取方法和原则。

仿真结果表明，基于小波变换的消噪方法是一种提取有用信号、展示噪声和突变信号的实用方法。

文献[8]应用小波包能量法提取特征量，并将它们进行数据融合作为神经元网络故障分类器的输人向量，由神经元网络故障分类器对各种故障进行识别和诊断。

通过试验效果分析选取db9函数作为小波基函数进行三层小波包分解，分解后的系数进行阈值量化，最后将重构得到去噪后的信号。

小波包浮动阈值去噪法不但去噪效果好而且还能保留原始信号的故障特征，具有很好的应用价值。

文献[9]根据电力电子电路故障时波形的特点，对故障信号进行多尺度划分，并根据故障信号的特征，自适应地选择相应频带，使之与信号频谱相匹配，并用小波能量法提取信号在各频带的能量值作为特征向量，以减少特征向量的数目。

仿真实验证明利用多分辨率分析将故障电压信号在不同的尺度上展开，提取各频带能量作为特征向量，将原始信号由特征向量表示，使数据得到压缩，所提出的方法是可行和有效的。

2小波分析用于状态智能分类识别

随着风力发电领域生产设备自动化水平提高，风力发电机都采用远程遥测集中控制。

大量现场采集来的电压和电流等数据波形可供分析判断风机电力电子装置运行状态是否正常，由于开关管故障机理的复杂性，光凭某段时间内的电压或者电流波形无法准确判断此时开关管是否有故障，可以用小波分析技术将微小的故障特征频率从大量的正常开关管工作频率中筛选出来，对现场数据实现可视化智能判别。

文献[10]引入了一种用小波变换来对数据进行快速分析诊断故障的方法。

通过该方法能够很好的根据实时数据判断风机电力电子装置的故障。

首先采集故障数据波形，其次根据电力电子设备故障发生的理论计算出发生故障的特征频率，最后是选择用何种小波来进行小波变换。

小波分析进行故障诊断流程图见图1。

其中重要的是选取合适种类的小波，选择得好能使故障特征频率在包络谱中更清晰更易识别，选择得不好则会导致故障特征频率淹没在其它频率中无法分清。

图1小波分析进行故障诊断流程图

电力电子装置的输出故障波形多呈现周期性的特征。

因此，可对故障波形进行分类，以实现快速准确地对故障定位。

目前，电力电子装置故障波形特征提取方法主要是小波变换。

文献[11]采用的小波边缘特征法虽然具有很高的特征表示能力，但是，因其维数过高导致分类器过于复杂，从而降低了其实用性。

文献[12-14]通过奇异值分解结合快速傅里叶变换虽然能够反映矩阵固有的特征，并且具有良好的稳定性，但信号矩阵的构造相对复杂。

为此，文献[15]基于平稳小波变换和奇异值分解，提出了一种电力电子装置周期性故障波形的分类方法。

该方法利用平稳小波变换的冗余性和奇异值的稳健性。

其步骤为：

对周期性故障波形进行平稳小波变换，将信号分解到多个小波子空间；将平稳小波变换后的小波系数矩阵奇异值进行分解，即采用K-L变换对子信号进行特征压缩，并以奇异值向量作为特征向量；按照向量的空间距离对故障波形进行分类实现故障的分类诊断。

基于平稳小波变换和奇异值分解的分类方法能够精确地对22种逆变器断路故障进行诊断，且受小波分解层数的影响较小，正确识别率高。

平稳小波变换有良好波形数据表征能力和矩阵奇异值分解的稳定性，可实现对功率器件故障的快速定位。

文献[16]利用小波分析原理，选取Daubechies小波族中的db5小波基对逆变器仿真分析中获得的信号进行分析处理，对信号小波分析后的第七层细节信号cd7作Hilbert包络并进行谱分析，从谱分析的峰值以及各谐波出现的时刻不同很容易判断出故障发生的类型，从而实现了逆变器的故障诊断。

3小波分析结合其他方法的新应用

实际工况下IGBT工作在高频开关状态下，数据信息量极为巨大。

近似熵算法从衡量信号序列复杂性的角度提供了一种表征信号特征的无量纲指标，因其具有所需时间序列短、对确定信号和随机信号都适用等特点，近年来得到了广泛的使用，如心率信号、血压信号的研究，而后又被推广到了机械设备的状态监测和故障诊断等领域。

采用近似熵对栅极电压信号提取故障特征时，不能在不同的故障类型上同时具有良好的特征提取效果，且近似熵算法具有数据计算量大、耗时过长的缺点。

文献[17]利用了目前广泛使用的针对非平稳信号的小波变换分析方法和基于新信息产生率的近似熵分析方法分别对己获取的栅极电压关断信号序列进行特征提取。

采用以小波变换为基础的奇异熵信号分析方法对栅极电压信号进行分析。

将以具有表征信号不规则性及复杂度性能的近似熵信号处理工具对键合线故障信号进行分析，最终达到提取出故障有效特征的目的。

风电场输出功率直接并入电网将对电力系统的稳定性、电网频率、电能质量、发电计划和调度等方面产生较大的影响，从而严重制约了风能的利用及风电的大规模发展。

因此，如何有效平抑风电场输出功率波动问题具有重要的现实意义。

将不同类型储能系统进行组合以达到优势结合、缺陷互补的混合储能系统能够更加有效地平抑风电场输出功率的波动。

文献[18]在分析风电场输出功率幅频特性的基础上，提出一种基于小波包分解理论的混合储能系统平抑风电场输出功率波动的方法。

对风电场输出功率信号进行多尺度分解，得到反映并网功率信号的低频信号和接入储能系统的高频信号；根据不同类型储能系统的特点，将高频信号再次进行划分，分别选择与其频率范围适应的电池和超级电容器储能设备，建立了基于混合储能系统的风电场输出功率平滑控制模型；与单类型电池储能系统功率平滑效果进行了对比，采用基于小波包分解的混合储能法响应速度快，经过滤波后的输出功率更加平滑、波动率更小。

4总结

小波变换能够提供多方位、多层次的动态分析能力，它不仅能够有效地表征原始特征信号而且大大地压缩了信号特征的维数[19]。

在电力电子故障诊断时针对信号的噪声分量，文献多提到并采用小波包浮动阈值去噪法，充分利用了小波多分辨率分析的优点对信号进行多层分解逐层去噪。

小波包浮动阈值去噪法的基本思想是选取适当的阈值函数，当小波包系数小于某一临界阈值时，认为这时的小波包系数主要是由噪声引起的，予以舍弃；当小波包系数大于这个临界阈值时，认为这时的小波系数主要是有信号引起的，将其保留。

下面将小波包浮动阈值法的去噪步骤归纳如下：

1）信号的小波包分解。

通过大量试验选择该信号的最佳小波基函数及分解层数，对信号进行小波包分解。

2）小波包分解高频系数的阈值量化。

对于每一层高频分解系数，选择一个恰当的阈值并对系数进行阈值量化。

3）信号的小波包重构。

将小波包分解系数的低频系数和阈值量化处理后的各层的高频系数进行小波包重构，得到去噪后的重构信号。

在这3个步骤中，最关键的就是如何选择阈值和如何进行阈值的量化，从某种程度上来说，它直接关系到信号消噪的质量。

采用小波变换方法可以消除一般高、低频噪声干扰信号。

相对来说，影响小波消噪效果的主要是阈值的选择及其量化。

究竟选择哪种方法应根据实际信号的特点以及这几种阈值选择的优缺点来决定。

在小波分析中如何选择小波函数是一个难点问题，首先小波分析中用到的小波函数不像标准傅立叶变换那样是唯一的，而用不同的小波基分解故障信号产生的结果是不同的。

针对具体情况选择哪种小波函数得到的结果最好，也是值得研究的热点问题。

在进行小波变换，选择最优小波基时，可从小波函数的以下几个评价指标进行综合考虑[20-21]：

1）支撑宽度。

小波函数的支撑区间是指当时间趋于无穷大时，其值从有限值收敛到零时所经过的长度。

如果一个小波函数在某个有限持续时间内是震荡性衰减的，而在此持续时间外为零，则称这样的小波是紧支撑的，持续时间长度称为该小波的支撑宽度。

2）正交性。

能经伸缩、平移后形成L2（R）空间的正交基的小波，称为正交小波。

3）对称性。

如果小波函数关于某点对称，则称其具有对称性。

除Harr小波外，所有紧支撑的正交小波都不是对称的。

常用的Harr小波、Daubechies（dbN）的小波系、Symlets（symN）小波系等都是正交小波。

4）正则性。

正则性好的小波，能在信号或图像的重构中获得较好的平滑效果，以减小量化或舍入误差的视觉影响。

但在一般情况下，正则性好，则支撑长度就长，从而计算时间也就越大。

因此，在正则性和支撑长度上需要折中考虑。

5）消失矩。

如果小波函数满足

，k=0、1、…、K-1

则称小波函数具有K阶消失矩。

消失矩阶数的不同对数据压缩和特征提取都是有影响的。

消失矩越高，就会使更多的小波系数为零。

但一般情况下，此时支撑长度也就越长。

因此，在消失矩和支撑长度上需要折中考虑。

6）相似性。

大量经验表明，选择同分析信号波形相似的小波，对信号的压缩和消噪具有较大的影响。

例如Daubechies系中的小波基记为dbN，其中N为序号，且N=1,2,3,…，10。

一般都是根据信号的特征选取db小波，N亦表示消失矩，消失矩越大，对应的滤波器越平坦，小波函数的支撑长度越大而且振荡越强。

消失矩越大也会使高频系数越小在小波分解后的能量也就越集中，目前也只能通过反复实验缩小理论值和实际值间差距来解决。

此外，针对每一具体风机变频器的故障特征频率都要单独计算，这些都是小波分析在故障诊断中应用的瓶颈。

参考文献

[1]彭文季,罗兴铸.基于小波包分析和支持向量机的水电机组振动故障诊断研究[J].中国电机工程学报,2006,26（24）:

164-168.

[2]孙斌,周云龙.基于支持向量机和小波包能量特征的气液两相流流型识别方法[J].中国电机工程学报,2005,25（17）:

93-99.

[3]亓丽梅,李晓峰,张国柱.小波变换思想及其在信号处理中的应用[J].电了科技大学学报,2008,37（3）:

386-388.

[4]孙来军.振动信号小波包特征熵的时变与频变特性分析[J].高电压技术,2007,33（8）:

146-150.

[5]郝祖龙等.基于小波变换的热工信号多尺度相关性分析[J].中国电机工程学报,2010,30（14）:

109-114.

[6]孙来军.振动信号小波包特征熵的时变与频变特性分析[J].高电压技术,2007,33（8）:

146-150.

[7]张作良,胡志坤,何多昌,等.小波消噪在电力电子装置故障检测中的应用[J].变流技术与电力牵引.2007（01）:

48-51.

[8]王云亮,孟庆学.基于小波包能量法及神经网络的电力电子装置故障诊断[J].电气自动化.2009（02）:

25-28.

[9]徐丽丽,付志勇.小波分析在电力电子电路故障诊断中的应用[J].黑龙江科技信息.2009（27）:

14

[10]张晓波,张新燕,王维庆.用小波分析来判定风力发电中电力电子的故障[J].电机技术.2008（05）:

47-50

[11]王慧燕,诸静.基于小波变换的边缘检测及在绝缘瓷瓶故障诊断中的应用[J]电力系统自动化,2004,28（15）:

76-79

[12]JunyingqYouweiZH.Astudyofsingularvaluedecompositionoffaceimagematrix[J].NeuralNetworksandSignalProcessing,2003,1:

197-199

[13]AkritasAqMalaschonokGI.Applicationsofsingularvaluedecomposition（SVD）[J].MathematicsandComputersinSimulation,2004,67

（1）:

15-31

[14]赵学智,陈统坚,叶邦彦基于奇异值分解的铣削力信号处理与铣床状态信息分离[J].机械工程学报,2007,43（6）:

169-174

[15]胡志坤,徐飞,桂卫华,等.电力电子装置周期性故障波形小波矩阵分类法[J].中南大学学报（自然科学版）,2009,40（4）:

1016-1021

[16]宋俊生.三相逆变器的故障诊断及容错控制研究[D].集美大学,2012

[17]沈刚.基于近似熵分析和小波变换的IGBT模块键合线故障特征分析[D].重庆大学,2012

[18]韩晓娟,陈跃燕,张浩,等.基于小波包分解的混合储能技术在平抑风电场功率波动中的应用[J].中国电机工程学报.2013（19）:

8-13

[19]胡汉辉,杨洪,潭青,等基于小波分析的风机故障诊断[J]中南大学学报:

自然科学版,2007,38（6）:

1169-1173

[20]李弼程,罗建书.小波分析及其应用[M].北京:

电子工业出版社.2005.

[21]成礼智,郭汉伟.小波与离散变换理论及工程实践[M].北京:

清华大学出版社.2005.