基于EMD和迭代滑动傅立叶谐波检测法.docVIP

基于EMD和迭代滑动傅立叶谐波检测法 　　摘要：迭代滑动傅立叶分析法是一种有效的谐波检测法，计算量小，易于实现。然而，对于负载电流基波成分经常突变的对象，迭代滑动傅立叶分析法在每次突变后存在一个工频周期的跟踪过渡过程。针对这一缺点，本文将经验模态分解(Empirical Mode Decomposition, EMD)方法与迭代滑动傅立叶分析方法结合在一起：前者将负载电流分解成一系列固有模态函数(Intrinsic Mode Function, IMF)，然后通过某些IMF进行适当组合，构成带通自适应滤波器，进而获得负载基波电流幅值；后者确定基波的相位。仿真结果表明，该方法能够实时跟踪突变负载电流，不存在过渡过程。 　　关键词：迭代；滑动傅立叶；经验模态分解；谐波 　　 　　0引言 　　 　　20世纪80年代以来，各种电力电子装置在工业中的应用越来越广泛。这些非线性负载的运行使得电网中电压和电流波形严重畸变，不仅严重影响了电能质量，甚至危害电力系统安全稳定运行。因此，谐波治理日益受到人们的关注。与无源滤波器相比，有源滤波器因其自身得优越性成为目前研究的热点。谐波分量检测的准确与否在一定程度上决定了有源滤波器的性能。国内外学者提出了许多谐波电流检测方法，主要有基于瞬时无功功率理论和基于快速付里叶分析的谐波检测法。近年来，又出现了多种智能算法，如将人工神经网络和信号处理中的自适应噪声对消技术应用于有源滤波器的谐波电流检测中。 　　在傅立叶变换的基础上，有学者提出了迭代滑动傅立叶分析的方法[4]，利用函数正交原理，从负载电流计算出基波电流分量值，然后从总的负载电流中减去它，便得到了所需要的谐波电流信号。然而，对于负载电流经常突变的对象，迭代滑动傅立叶分析法在每次突变后存在一个工频周期的跟踪过渡过程。为解决这一问题，本文将EMD方法与迭代滑动傅立叶分析方法结合在一起，前者确定基波的幅值，后者确定基波的相位。 　　近年出现的经验模态分解(Empirical Mode Decomposition, EMD)是一种新型的非线性信号处理方法，适用于非稳态、非线性的动态数据。该方法的主要思想是把一序列信号经EMD分解为一组不同尺度的内在的、客观的固有模态函数(Intrinsic Mode Function, IMF)。本文则利用经验模态分解对负载电流进行一定的分解，然后通过某些IMF进行适当组合，构成带通自适应滤波器，进而获得负载基波电流幅值。仿真结果表明，该方法能够实时跟踪突变负载电流，不存在过渡过程。 　　 　　1迭代滑动傅立叶算法 　　 　　假定待检测信号为 　　 　　根据式(8)可知，整个迭代滑动傅立叶计算过程只要在初始化阶段的一个工频周期内完成整周期求和运算，以后的运算就简化为一个减法和一个加法的计算。因此，通过迭代滑动傅立叶算法，谐波电流检测的运算延时将大大减少，系统的实时性得到极大的提高。迭代滑动傅立叶算法的模型如图1所示。 　　由于迭代滑动傅立叶方法需要用到上一个周期的信息，对于动态变化的信号存在一个周期的延迟。为克服这一缺点，本文将迭代滑动傅立叶和经验模态分解结合在一起：迭代滑动傅立叶方法缺点基波的相位；经验模态分解方法确定基波的幅值。 　　 　　2 经验模态分解 　　 　　经验模态分解EMD(empirical mode decomposition)基于信号的局部变化特征，通过对非线性非平稳信号的分解获得一系列表征信号特征时间尺度的固有模态函数IMF( intrinsic mode function)，使得各个IMF是窄带信号。 　　EMD分解基于如下假设:信号至少有一个极大值和一个极小值；特征时间尺度是由极值间的时间间隔所确定；如果数据中没有极值点，而只有拐点，可通过一阶或多阶微分得到极值点，再通过分解、积分的方法获得IMF。 　　经验模态分解法计算过程如下：首先根据信号s(t)的极大点和极小点求出其上包络线v1(t)及下包络线v2(t)的平均值m: 　　 　　这样，获得了n个IMF模态分量和剩余信号。分解得到的IMF模态分量代表了原始信号中包含的不同时间尺度的特征信号。 　　以带有串联电阻和电感的三相二极管整流整流负载为例，分析EMD方法确定负载电流的幅值。图2为非线性负载系统，US为电源相电压，LS为电源的内感，iL表示负载电流。 　　 　　根据迭代滑动傅立叶方法获得的相位信息，将负载电流转换到同步坐标系下，然后利用EMD方法确定负载电流的基波幅值，如图3所示。负载电流d轴分量 进行EMD分解后，产生的IMF序列满足近似的正交关系，可以完全进行重构，误差很小，因此可以把分解获得的IMF序列按频率由高到低排列，根据频率分布特性，按一定规则经过适当的组合便可构成特定意义