简介本资源是一份面向电力系统高年级本科生、研究生及绝缘检测工程师的局部放电PD信号小波去噪实践方案聚焦高压设备绝缘状态评估中的关键信号处理难题。采用Daubechies 5db5小波进行5层多尺度分解结合阈值法实现噪声抑制与特征增强显著提升微弱放电信号的可辨识度。压缩包共2个文件12.87MB的PDF论文《基于小波变换的局部放电信号消噪研究》系统阐述原理、算法流程与实验结果配套MATLAB脚本.m文件完整实现小波分解、系数阈值处理与信号重构全过程便于复现与二次开发。目前已有265人学习下载读者可直接获取从理论建模、代码实现到结果分析的闭环技术路径掌握db5小波在非平稳脉冲信号处理中的典型应用范式为电力设备在线监测与故障预警提供可落地的技术支撑。 在电力设备状态检测这行干的时间长了你会发现一个很有意思的现象检测局部放电的仪器可以千差万别但最终决定你和别人水平差距的往往不是传感器有多贵而是信号处理这一步能不能把藏在噪声里的真实放电脉冲捞出来。最近我在整理一个内部项目代号就叫xiaobo_xiaobo翻译过来就是“小波小波”。听起来像绕口令实际上项目主线非常聚焦用一系列小波变换方法做局部放电信号的去噪、特征提取最后把结果喂给后续模式识别环节。这篇博客不打算写那种教科书式的理论综述而是想把手里的项目细节拆开说说为什么选小波、怎么选参数、代码怎么写、现场会遇到什么坑希望给正在做局部放电检测或者同样跟瞬态信号打交道的朋友一点实在的参考。1. 项目背景为什么现场检测离不开小波1.1 局部放电信号的特点先用一段大白话交代一下信号本身。局部放电指的是绝缘介质里局部区域发生放电但尚未形成贯穿性击穿的现象通常发生在气隙、绝缘子表面毛刺、电缆半导电层破损这些位置。它的电流脉冲持续时间极短从几纳秒到几百纳秒不等经过传输路径和传感器耦合之后在示波器上看到的典型特征就是一段很短的高频振荡。所以这种信号在数学上被归为瞬态信号或非平稳信号你不知道脉冲什么时候出现不一定是周期性的能量在时间轴上的分布极不均匀。正因为这种特性处理局部放电信号的核心矛盾一直是信噪比。现场传感器高频电流互感器HFCT、特高频UHF天线、超声波传感器采集到的原始波形里放电脉冲常常只有毫伏甚至是微伏级别旁边的背景噪声却可能比它高一个数量级。这就导致无论是做幅值统计、相位统计还是趋势判断都得先把真正的脉冲从噪声里分离出来这一步做不好后面所有分析都是空中楼阁。1.2 为什么FFT对瞬态信号无能为力很多人一开始会习惯性地上FFT觉得频谱分析能区分信号和噪声。这个思路对窄带干扰是有效的比如某个固定频率的载波干扰在频谱上是一条谱线用陷波器就能滤掉。但局部放电面对的主要是宽带白噪声和随机脉冲干扰频谱上铺得很开没有明显的分离特征FFT给出的是一整段时间窗内的平均频谱脉冲能量被时间平均之后很容易淹没在噪声频谱里更麻烦的是它完全丢失了时间位置信息。用一个通俗的类比FFT像是在黑夜里拍一张长曝光照片所有亮点都会堆在同一个画面里你很难判断路灯和流星谁先亮小波变换则更像一段带慢放的视频能把某一个瞬间单独拎出来看。局部放电要的就是这个“瞬间”信息——脉冲在工频周期的哪个相位出现、持续多久、高频分量集中在哪里这些信息对小波变换来说都是顺手的事对FFT来说则要很费力才能间接得到。2. 小波变换的精髓把信号“拆开”到尺度与时间两个维度2.1 连续小波变换与离散小波变换小波变换的基本思路并不难理解。它拿一个有限长的波形模板也就是小波基函数在时间轴上平移、在频率尺度上缩放然后不断和原始信号做内积。每做一次内积翻译成大白话就是这个小波模板在当前这个时间段、当前这个尺度上和信号像不像。连续小波变换CWT的公式写作[ W(a,b) \frac{1}{\sqrt{|a|}} \int x(t) \psi^*\left(\frac{t-b}{a}\right) dt ]式子里 (a) 是尺度因子(b) 是平移因子(\psi) 是小波母函数。(a) 越小小波被压缩得越厉害对应高频细节时间分辨率高(a) 越大小波被拉伸对应低频轮廓频率分辨率高。CWT在这个二维平面上扫过全部尺度和位置信息量很大适合做时频谱可视化但工程上计算量大、冗余度高所以实际项目里我更常用离散小波变换DWT。DWT并不简单等同于是对CWT做粗暴采样它一般通过滤波器组来实现效率高还能精确重构后面所有处理都建立在DWT的基础上。2.2 多分辨率分析与Mallat算法DWT的理论基础是多分辨率分析。简单说我们把信号想象成用一个放大镜从粗到细反复观察首先把信号通过一个低通滤波器得到逼近系数A1低频慢变成分同时通过一个高通滤波器得到细节系数D1高频快变成分然后各自做二抽一降采样。下一层再把A1继续拆成逼近A2和细节D2。这样每一层拿出来就是不同频带、不同分辨率下的信号表示而且所有系数加起来没有冗余可以通过Mallat算法逆过程精确重建原始信号。这里有一个工程上容易被忽视的点DWT分解过程是带降采样的每层系数长度减半所以它对数据长度有要求一般希望原始数据长度比较规整或者至少满足能被当前分解层数的最大降采样倍数整除如果长度不匹配重构时会有麻烦。不同软件库对这个问题处理方式不一样我喜欢在进入分解之前先把信号长度调整到合适的值比如做一次边界延拓或直接在采集端截取固定点数免得后面出现长度问题。这也是我在项目里踩过的一个小坑后面专门讲。2.3 “xiaobo_xiaobo”项目中的小波基选择小波基的选择是项目的第一个关键决策点也是最容易被新手低估的地方。市面上的小波基一抓一大把Haar、DaubechiesdbN、SymletssymN、CoifletscoifN、Meyer、biorthogonal系列。它们之间的区别主要体现在消失矩、对称性、支撑长度、正则性这几个指标上。消失矩决定了小波对光滑信号的压制能力消失矩越高对低频平滑成分的抑制越强越能凸显瞬态突变支撑长度则影响计算量和时域定位能力支撑太长会把一个短脉冲在时间轴上来回拖拽。局部放电脉冲本质是一个快速上升、快速衰减的冲击波形工程经验上优先选择与脉冲形态相似的小波基。在我这个项目里我系统对比过db4、db8和sym8三种基函数在去噪后的信噪比改善、脉冲幅值保持率和计算耗时最后默认选用db4作为主力基函数。db4的消失矩是2支撑长度8个采样点对大多数现场PD脉冲来说形态足够接近去噪后波形畸变小计算量也小db8的消失矩更高对高频细节更敏感但如果现场存在较强的高频随机干扰反而容易把噪声也保留下来sym8和db8性能接近对称性更好在处理相位时延方面略占优。如果你刚开始做建议老老实实先跑一遍不同基函数的去噪结果把重构波形叠在原信号上看比看任何指标都直观。小波基消失矩支撑长度对称性在PD去噪中的表现haar12是波形阶梯化严重不推荐db428近似综合最优默认首选db8416近似高频细节更好噪声强时慎用sym8416较好与db8相当相位保持略优3. 核心实操基于小波阈值的局部放电信号去噪3.1 实测数据的噪声来源与信噪比问题讲完理论进入项目的核心部分去噪。实测数据里的噪声严格说不止一种我的经验是先做个噪声成分拆解再决定处理手段。按照来源可以大致分成四类第一类是放大器带来的白噪声频谱平缓时域上表现为无规律的毛刺第二类是窄带干扰比如附近通信载波、谐波在频域里是一条条谱线第三类是周期性脉冲干扰来自可控硅开关、逆变器等设备频率往往和工频或开关频率挂钩第四类是随机瞬态干扰比如现场电焊、雷击感应波形可能和真实局部放电长得很像。去噪策略要和噪声类型对应。白噪声用阈值去噪最有效窄带干扰一般在频域用陷波或者在小波包分解后把对应子带系数置零周期性脉冲和随机干扰则需要结合相位信息和脉冲形态做进一步筛选。项目里遇到最头疼的就是白噪声很重、信噪比跌到-10dB左右的现场数据这时候如果只做一次小波阈值去噪效果往往一般需要配合多次分解和子带加权。3.2 阈值选择VisuShrink、SureShrink、启发式小波阈值去噪的流程不复杂先做DWT分解得到各层细节系数再对细节系数做阈值处理最后重建信号。最关键的就是怎么选阈值、怎么处理超过阈值的系数。选择上主流有三种VisuShrink通用阈值、SureShrink无偏风险阈值、以及启发式阈值。通用阈值的公式是[ T \sigma \sqrt{2 \ln N} ]需要注意的是公式里的 (\sigma) 需要估计常见做法是取第一层细节系数的中位绝对偏差(\sigma \text{median}(|D1|) / 0.6745)。这个估计对噪声异常值比较鲁棒实测下来比直接算标准差稳。VisuShrink的缺点是当采样点数很多的时候阈值会偏大容易把真实的小幅值放电脉冲也消掉SureShrink能根据每一层系数的分布自适应选择阈值在小脉冲较多时表现更好但计算量稍大且对噪声的平稳性有要求。我在现场一般这样处理先用 (\sigma) 估计出通用阈值然后乘以一个0.6到0.8之间的系数作为最终阈值。这样做的原因是PD信号往往比预期更微弱留一点余量能保住小脉冲如果你只是做趋势分析不介意丢几个小脉冲可以直接用标准通用阈值。阈值处理方式还分硬阈值和软阈值。硬阈值是绝对值小于阈值的系数直接清零大于等于阈值的保留原值优点是能最大程度保持脉冲幅值和边缘缺点是重构后可能产生振荡伪影软阈值是把超过阈值的系数统一做收缩处理结果更平滑但脉冲幅值会被系统性削弱。如果后续要做放电量标定和幅值统计我不建议用纯软阈值可以在软阈值基础上乘一个经验补偿系数比如1.2到1.5把幅值拉回来一点。3.3 分解层数怎么定分解层数是另一个需要拍板的参数。分解层数太浅噪声剥不干净太深真实脉冲的能量会被拆散到多个尺度反而降低每层的信噪比。我的经验法则是让最深层的高频细节对应的频带刚好覆盖到PD信号的主要频带之上一点点这样既能保证噪声被大量滤除又不会把信号本身推散。实际操作中对采样率100MS/s、分析窗选10ms以内的高频电流信号我一般默认做4到6层分解如果现场干扰很强会试探到7层再看。参考逻辑是每多一层分解低频部分频带减半高层细节主要体现的是低频噪声和工频成分对PD脉冲贡献不大。更严谨的方法是观察各层细节系数的幅度。分解到某一层时如果该层系数的能量跟前几层相比断崖式下降说明再往下分已经没有有效信息了。这个信号本身的拐点通常就是最佳分解层数。我可以给一个简单有效的检验办法去掉高频前几层细节系数后重建信号看PD脉冲的形状和幅值保持得怎么样如果脉冲陡峭程度明显下降说明分过了。3.4 完整的Python实现pywt代码我用Python加上PyWavelets库来演示。如果你用的是MATLAB思路完全一样对应函数就是wavedec、wthresh、waverec。先说下环境pywt目前主推的是2.x版本API和1.x略有不同我下面的写法在1.1到1.4以及2.x里都能跑通。import numpy as np import pywt import matplotlib.pyplot as plt # 采样参数模拟一个50MS/s下的局部放电脉冲加白噪声 fs 50e6 t np.arange(0, 1000) / fs # 20us窗口 # 模拟一个衰减振荡脉冲出现在第400个采样点附近 pulse np.exp(-((t - t[400]) * fs / 30.0) ** 2) * np.sin(2 * np.pi * 3e6 * t) x np.zeros_like(t) x[100:650] pulse[100:650] # 加入高斯白噪声信噪比约在5dB上下 noise np.random.normal(0, 0.12, sizet.shape) sig x noise # 小波参数 wavelet db4 level 4 mode symmetric # 分解 coeffs pywt.wavedec(sig, wavelet, levellevel, modemode) cA4, cD4, cD3, cD2, cD1 coeffs # 用第一层细节系数估计噪声标准差 sigma np.median(np.abs(cD1)) / 0.6745 # 通用阈值乘以0.7保留更多小脉冲 thr sigma * np.sqrt(2 * np.log(len(sig))) * 0.7 # 软阈值处理所有细节系数逼近系数不动 coeffs_th [cA4] for i in range(1, len(coeffs)): coeffs_th.append(pywt.threshold(coeffs[i], thr, modesoft)) # 重建 sig_den pywt.waverec(coeffs_th, wavelet, modemode) # 简单评估去噪前后的信噪比 def snr_db(clean, noisy): noise_part clean - noisy return 10 * np.log10(np.sum(clean**2) / np.sum(noise_part**2)) print(去噪前SNR: %.2f dB % snr_db(x, sig)) print(去噪后SNR: %.2f dB % snr_db(x, sig_den)) # 画图对比 plt.figure(figsize(12, 6)) plt.subplot(2, 1, 1) plt.plot(t*1e6, sig, 0.7, labelraw) plt.plot(t*1e6, x, r, labeltrue pulse) plt.legend() plt.subplot(2, 1, 2) plt.plot(t*1e6, sig_den, b, labeldenoised) plt.plot(t*1e6, x, r, labeltrue pulse) plt.legend() plt.xlabel(time/us) plt.show()这段代码里的关键点我拆开说。第一我习惯在第一层细节系数上估计噪声 (\sigma)因为第一层细节对应的频带最宽最接近高频噪声而且受工频和窄带干扰的影响相对小。第二阈值乘以0.7这个系数并不是固定值而是我在大量现场数据上调出来的经验值如果你处理的信号噪声很强可以适当提高如果你更关心波形保真可以降到0.5左右。第三软阈值和硬阈值的选择会直接影响后续的幅值统计如果你拿不准可以把两种结果都跑一遍对比脉冲幅值差异再决定。另外说一句pywt.wavedec输出的系数列表顺序是[cA_level, cD_level, cD_level-1, ..., cD1]重构时不要搞反顺序这是特别容易犯的低级错误。4. 从去噪到识别小波包与特征向量的提取4.1 为什么从DWT升级到WPT去噪只是第一步项目更核心的目标是把处理后的信号变成能描述放电类型的特征。传统DWT有个结构性限制它只对低频逼近部分做逐层分解高频细节一旦分出来就不再继续细分。这意味着DWT对低频成分有很高的频率分辨率但对高频成分的频率分辨率始终不够。可局部放电脉冲偏偏就是宽频信号高频分量里藏着很多关于放电类型的线索所以我在项目里选择了DWT去噪、WPT小波包变换提特征这个组合。小波包变换在每一层都同时分解低频和高频所以经过3层分解后就得到8个等带宽的频带节点经过4层就是16个节点。每个节点对应一段明确的频带这样PD信号的频域信息被切得很细不同放电类型的细微差异更容易显现。代价是计算量和特征维度同步上升所以并不是分解越深越好一般3到4层足够。4.2 小波包能量特征计算方法特征提取我用的方法是对去噪后的信号做4层小波包分解计算出每个叶节点的系数能量再做归一化得到一个16维特征向量。为什么用能量作为特征而不是直接用系数因为放电的强度通常不是绝对稳定的而能量谱的形状能相对稳定地反映脉冲频率结构对幅值变化不敏感更利于做类型识别。def wp_energy(sig, waveletdb4, level4): wp pywt.WaveletPacket(datasig, waveletwavelet, modesymmetric, maxlevellevel) nodes wp.get_level(level, orderfreq) # 按频率顺序取节点 energy [] for node in nodes: coef node.data energy.append(np.sum(np.abs(coef) ** 2)) energy np.array(energy) total np.sum(energy) if total 0: return energy return energy / total使用的时候要注意get_level(orderfreq)里面的order参数按频率排序不是按节点自然序号很多教程没用这个参数导致后面特征维度的顺序是乱的。另外节点数据的长度会随着分解层数增加而指数缩小如果原始信号太短最后一层节点可能只有少数几个系数此时能量估计的方差会变大建议原始数据长度不低于 (2^{level} \times 16)也就是说4层分解最少要256个点起步实际现场信号一般远超这个数。拿到特征向量之后我会再加上统计特征做补充比如脉冲的等效时间、等效频宽、偏斜度、峰度这些特征在区分不同放电类型时跟小波包能量有互补作用。特征向量就可以输入SVM或随机森林做分类。4.3 不同放电类型的特征差异不同放电类型在小波包特征上的差异我举几个典型例子。电晕放电通常发生在导体尖端信号时域上呈现单极性脉冲串重复频率高主要在工频的负半周也看电极极性能量集中在中高频段内部气隙放电在正负半周都比较对称相位区间相对固定能量在低频和高频都有分布沿面放电和悬浮电位放电相位区间更宽能量谱会更发散。这些规律不是绝对的但作为经验判断很有价值尤其是配合PRPD图谱一起看。放电类型相位区间特征小波包能量分布特点电晕放电通常在负半周或正半周窄区间中高频集中低频较弱内部气隙放电正负半周对称相位窄中低频为主高频较明显沿面放电相位区间较宽能量分散低频和高频都有悬浮电位放电相位宽且不稳定谐波特征明显能量跳跃5. 实战中的坑与排查技巧5.1 边界效应对分解结果的影响小波分解和重构都涉及卷积而卷积在信号两端天然会出现边界问题。如果不做处理重构信号在开头和结尾会有一小段畸变。处理办法有几种最省事的是在pywt.wavedec里指定mode参数比如symmetric把信号镜像延拓periodic则按周期延拓更稳的办法是在进入分解之前对原始信号两端各加一段保护带处理完再把保护带裁掉。这个方法在遇到现场数据开头或结尾正好有脉冲时特别好用不然你很容易把边界畸变当成真实放电造成误判。我在项目里是通过采集配置解决的每次分析窗取2个工频周期的数据但实际截取2.1个周期留出的0.1个周期当保护带去噪后再丢弃。这个思路在离线数据和在线监测程序里都能用成本几乎为零强烈建议加上。5.2 小波基选错的典型表现小波基选错的表现不是程序报错而是结果静悄悄出错。我可以给几个典型的病征用Haar处理光滑沿的脉冲重构波形会阶梯化用支撑很长的db20处理极窄脉冲会在脉冲前后产生拖尾看着像有两个峰影响脉冲相位和幅值计算用过于光滑的小波基处理高频毛刺多的放电会把它误当成噪声滤掉。所以做小波基选择时千万不要只看重构误差要结合波形形态、时延、幅值三个指标一起看。教你一个排查技巧在项目里准备一组标定的仿真信号用已知的脉冲位置和幅值去测不同小波基快速批量跑一遍统计脉冲起始时刻误差和幅值误差排在前面的候选基才有资格进入现场数据测试。我在项目里就是用这个办法很快锁定了db4。5.3 阈值过高/过低的表现与调整阈值过高和过低在结果上表现完全不同。阈值过高时噪声虽然没了但真实的PD脉冲也会被削减特别是小幅值放电直接消失去噪后的波形看起来“干净”但空得过分时序趋势会漏报阈值过低时波形里还能看到明显噪声相位图谱上会多出一大片随机散布的点这时候你可能以为发现了什么新缺陷实际只是噪声没滤干净。所以判断去噪效果不能只看波形平不平一定要结合原始信号里的脉冲特征来看。我常用的调参方法是对同一组数据把阈值从0.2倍通用阈值到1.5倍通用阈值每隔0.1跑一遍画出去噪后脉冲幅值保持率和噪声残留率随阈值变化的曲线在两条曲线交叉点附近选阈值。这个方法比凭感觉试参数快得多也更容易跟现场同事解释为什么定这个数。5.4 去噪前后相位分辨PRPD谱图对比最后聊PRPD图这是局部放电分析里绕不开的图表。横轴是工频相位0到360度纵轴是放电幅值或放电量颜色深浅表示该相位和幅值处出现的次数。去噪前的PRPD图因为噪声没有相位规律整个图会被噪声层铺满原本隐藏在里面的放电簇根本看不出来去噪后的PRPD图脉冲被留下来噪声层的底色变浅才能真正看出放电集中在哪个相位比如典型的内部气隙放电会在0到90度和180到270度两个象限形成对称的簇而电晕放电往往只在其中一个半周出现。我在项目交付时给客户的报告里会把去噪前和去噪后的PRPD图放在同一页并标注相位区间、幅值稳定性和重复性。这个呈现方式有个额外的好处它能帮现场工程师判断去噪参数是不是合理如果去噪后的PRPD图丢失了原有相位结构或者出现了本来没有的密集区域那就是处理参数调过头了。我还建议在去噪后对脉冲做一次相位一致性校验所有脉冲的相位分布应当符合局部放电的工频相关特性如果出现大量随机相位脉冲就要回头检查是不是有周期性脉冲干扰混进来了。最后说几句个人体会。xiaobo_xiaobo这个项目做下来我最大的感触是小波处理调参的功夫其实都在信号理解上小波基、阈值、分解层数没有一套通行参数能覆盖所有现场换一个变电站、换一种干扰源可能都要微调。好在办法是通用的先把原始信号看明白再做参数验证最后用PRPD做闭环判断一套流程走下来基本不会出大差错。如果你正在学小波或手头有局部放电数据要处理我建议先别急着追最新模型把db4、通用阈值、4层分解这套组合跑熟再逐步根据效果调整。还有一个实在的小技巧调参的时候把去噪后波形和原始波形叠在同一张图里脉冲极性、相位一旦对不上赶紧停手检查参数这时候基本就是某一步处理出问题了。本文还有配套的精品资源点击获取
小波变换在局部放电信号去噪与特征提取中的工程实践
简介本资源是一份面向电力系统高年级本科生、研究生及绝缘检测工程师的局部放电PD信号小波去噪实践方案聚焦高压设备绝缘状态评估中的关键信号处理难题。采用Daubechies 5db5小波进行5层多尺度分解结合阈值法实现噪声抑制与特征增强显著提升微弱放电信号的可辨识度。压缩包共2个文件12.87MB的PDF论文《基于小波变换的局部放电信号消噪研究》系统阐述原理、算法流程与实验结果配套MATLAB脚本.m文件完整实现小波分解、系数阈值处理与信号重构全过程便于复现与二次开发。目前已有265人学习下载读者可直接获取从理论建模、代码实现到结果分析的闭环技术路径掌握db5小波在非平稳脉冲信号处理中的典型应用范式为电力设备在线监测与故障预警提供可落地的技术支撑。 在电力设备状态检测这行干的时间长了你会发现一个很有意思的现象检测局部放电的仪器可以千差万别但最终决定你和别人水平差距的往往不是传感器有多贵而是信号处理这一步能不能把藏在噪声里的真实放电脉冲捞出来。最近我在整理一个内部项目代号就叫xiaobo_xiaobo翻译过来就是“小波小波”。听起来像绕口令实际上项目主线非常聚焦用一系列小波变换方法做局部放电信号的去噪、特征提取最后把结果喂给后续模式识别环节。这篇博客不打算写那种教科书式的理论综述而是想把手里的项目细节拆开说说为什么选小波、怎么选参数、代码怎么写、现场会遇到什么坑希望给正在做局部放电检测或者同样跟瞬态信号打交道的朋友一点实在的参考。1. 项目背景为什么现场检测离不开小波1.1 局部放电信号的特点先用一段大白话交代一下信号本身。局部放电指的是绝缘介质里局部区域发生放电但尚未形成贯穿性击穿的现象通常发生在气隙、绝缘子表面毛刺、电缆半导电层破损这些位置。它的电流脉冲持续时间极短从几纳秒到几百纳秒不等经过传输路径和传感器耦合之后在示波器上看到的典型特征就是一段很短的高频振荡。所以这种信号在数学上被归为瞬态信号或非平稳信号你不知道脉冲什么时候出现不一定是周期性的能量在时间轴上的分布极不均匀。正因为这种特性处理局部放电信号的核心矛盾一直是信噪比。现场传感器高频电流互感器HFCT、特高频UHF天线、超声波传感器采集到的原始波形里放电脉冲常常只有毫伏甚至是微伏级别旁边的背景噪声却可能比它高一个数量级。这就导致无论是做幅值统计、相位统计还是趋势判断都得先把真正的脉冲从噪声里分离出来这一步做不好后面所有分析都是空中楼阁。1.2 为什么FFT对瞬态信号无能为力很多人一开始会习惯性地上FFT觉得频谱分析能区分信号和噪声。这个思路对窄带干扰是有效的比如某个固定频率的载波干扰在频谱上是一条谱线用陷波器就能滤掉。但局部放电面对的主要是宽带白噪声和随机脉冲干扰频谱上铺得很开没有明显的分离特征FFT给出的是一整段时间窗内的平均频谱脉冲能量被时间平均之后很容易淹没在噪声频谱里更麻烦的是它完全丢失了时间位置信息。用一个通俗的类比FFT像是在黑夜里拍一张长曝光照片所有亮点都会堆在同一个画面里你很难判断路灯和流星谁先亮小波变换则更像一段带慢放的视频能把某一个瞬间单独拎出来看。局部放电要的就是这个“瞬间”信息——脉冲在工频周期的哪个相位出现、持续多久、高频分量集中在哪里这些信息对小波变换来说都是顺手的事对FFT来说则要很费力才能间接得到。2. 小波变换的精髓把信号“拆开”到尺度与时间两个维度2.1 连续小波变换与离散小波变换小波变换的基本思路并不难理解。它拿一个有限长的波形模板也就是小波基函数在时间轴上平移、在频率尺度上缩放然后不断和原始信号做内积。每做一次内积翻译成大白话就是这个小波模板在当前这个时间段、当前这个尺度上和信号像不像。连续小波变换CWT的公式写作[ W(a,b) \frac{1}{\sqrt{|a|}} \int x(t) \psi^*\left(\frac{t-b}{a}\right) dt ]式子里 (a) 是尺度因子(b) 是平移因子(\psi) 是小波母函数。(a) 越小小波被压缩得越厉害对应高频细节时间分辨率高(a) 越大小波被拉伸对应低频轮廓频率分辨率高。CWT在这个二维平面上扫过全部尺度和位置信息量很大适合做时频谱可视化但工程上计算量大、冗余度高所以实际项目里我更常用离散小波变换DWT。DWT并不简单等同于是对CWT做粗暴采样它一般通过滤波器组来实现效率高还能精确重构后面所有处理都建立在DWT的基础上。2.2 多分辨率分析与Mallat算法DWT的理论基础是多分辨率分析。简单说我们把信号想象成用一个放大镜从粗到细反复观察首先把信号通过一个低通滤波器得到逼近系数A1低频慢变成分同时通过一个高通滤波器得到细节系数D1高频快变成分然后各自做二抽一降采样。下一层再把A1继续拆成逼近A2和细节D2。这样每一层拿出来就是不同频带、不同分辨率下的信号表示而且所有系数加起来没有冗余可以通过Mallat算法逆过程精确重建原始信号。这里有一个工程上容易被忽视的点DWT分解过程是带降采样的每层系数长度减半所以它对数据长度有要求一般希望原始数据长度比较规整或者至少满足能被当前分解层数的最大降采样倍数整除如果长度不匹配重构时会有麻烦。不同软件库对这个问题处理方式不一样我喜欢在进入分解之前先把信号长度调整到合适的值比如做一次边界延拓或直接在采集端截取固定点数免得后面出现长度问题。这也是我在项目里踩过的一个小坑后面专门讲。2.3 “xiaobo_xiaobo”项目中的小波基选择小波基的选择是项目的第一个关键决策点也是最容易被新手低估的地方。市面上的小波基一抓一大把Haar、DaubechiesdbN、SymletssymN、CoifletscoifN、Meyer、biorthogonal系列。它们之间的区别主要体现在消失矩、对称性、支撑长度、正则性这几个指标上。消失矩决定了小波对光滑信号的压制能力消失矩越高对低频平滑成分的抑制越强越能凸显瞬态突变支撑长度则影响计算量和时域定位能力支撑太长会把一个短脉冲在时间轴上来回拖拽。局部放电脉冲本质是一个快速上升、快速衰减的冲击波形工程经验上优先选择与脉冲形态相似的小波基。在我这个项目里我系统对比过db4、db8和sym8三种基函数在去噪后的信噪比改善、脉冲幅值保持率和计算耗时最后默认选用db4作为主力基函数。db4的消失矩是2支撑长度8个采样点对大多数现场PD脉冲来说形态足够接近去噪后波形畸变小计算量也小db8的消失矩更高对高频细节更敏感但如果现场存在较强的高频随机干扰反而容易把噪声也保留下来sym8和db8性能接近对称性更好在处理相位时延方面略占优。如果你刚开始做建议老老实实先跑一遍不同基函数的去噪结果把重构波形叠在原信号上看比看任何指标都直观。小波基消失矩支撑长度对称性在PD去噪中的表现haar12是波形阶梯化严重不推荐db428近似综合最优默认首选db8416近似高频细节更好噪声强时慎用sym8416较好与db8相当相位保持略优3. 核心实操基于小波阈值的局部放电信号去噪3.1 实测数据的噪声来源与信噪比问题讲完理论进入项目的核心部分去噪。实测数据里的噪声严格说不止一种我的经验是先做个噪声成分拆解再决定处理手段。按照来源可以大致分成四类第一类是放大器带来的白噪声频谱平缓时域上表现为无规律的毛刺第二类是窄带干扰比如附近通信载波、谐波在频域里是一条条谱线第三类是周期性脉冲干扰来自可控硅开关、逆变器等设备频率往往和工频或开关频率挂钩第四类是随机瞬态干扰比如现场电焊、雷击感应波形可能和真实局部放电长得很像。去噪策略要和噪声类型对应。白噪声用阈值去噪最有效窄带干扰一般在频域用陷波或者在小波包分解后把对应子带系数置零周期性脉冲和随机干扰则需要结合相位信息和脉冲形态做进一步筛选。项目里遇到最头疼的就是白噪声很重、信噪比跌到-10dB左右的现场数据这时候如果只做一次小波阈值去噪效果往往一般需要配合多次分解和子带加权。3.2 阈值选择VisuShrink、SureShrink、启发式小波阈值去噪的流程不复杂先做DWT分解得到各层细节系数再对细节系数做阈值处理最后重建信号。最关键的就是怎么选阈值、怎么处理超过阈值的系数。选择上主流有三种VisuShrink通用阈值、SureShrink无偏风险阈值、以及启发式阈值。通用阈值的公式是[ T \sigma \sqrt{2 \ln N} ]需要注意的是公式里的 (\sigma) 需要估计常见做法是取第一层细节系数的中位绝对偏差(\sigma \text{median}(|D1|) / 0.6745)。这个估计对噪声异常值比较鲁棒实测下来比直接算标准差稳。VisuShrink的缺点是当采样点数很多的时候阈值会偏大容易把真实的小幅值放电脉冲也消掉SureShrink能根据每一层系数的分布自适应选择阈值在小脉冲较多时表现更好但计算量稍大且对噪声的平稳性有要求。我在现场一般这样处理先用 (\sigma) 估计出通用阈值然后乘以一个0.6到0.8之间的系数作为最终阈值。这样做的原因是PD信号往往比预期更微弱留一点余量能保住小脉冲如果你只是做趋势分析不介意丢几个小脉冲可以直接用标准通用阈值。阈值处理方式还分硬阈值和软阈值。硬阈值是绝对值小于阈值的系数直接清零大于等于阈值的保留原值优点是能最大程度保持脉冲幅值和边缘缺点是重构后可能产生振荡伪影软阈值是把超过阈值的系数统一做收缩处理结果更平滑但脉冲幅值会被系统性削弱。如果后续要做放电量标定和幅值统计我不建议用纯软阈值可以在软阈值基础上乘一个经验补偿系数比如1.2到1.5把幅值拉回来一点。3.3 分解层数怎么定分解层数是另一个需要拍板的参数。分解层数太浅噪声剥不干净太深真实脉冲的能量会被拆散到多个尺度反而降低每层的信噪比。我的经验法则是让最深层的高频细节对应的频带刚好覆盖到PD信号的主要频带之上一点点这样既能保证噪声被大量滤除又不会把信号本身推散。实际操作中对采样率100MS/s、分析窗选10ms以内的高频电流信号我一般默认做4到6层分解如果现场干扰很强会试探到7层再看。参考逻辑是每多一层分解低频部分频带减半高层细节主要体现的是低频噪声和工频成分对PD脉冲贡献不大。更严谨的方法是观察各层细节系数的幅度。分解到某一层时如果该层系数的能量跟前几层相比断崖式下降说明再往下分已经没有有效信息了。这个信号本身的拐点通常就是最佳分解层数。我可以给一个简单有效的检验办法去掉高频前几层细节系数后重建信号看PD脉冲的形状和幅值保持得怎么样如果脉冲陡峭程度明显下降说明分过了。3.4 完整的Python实现pywt代码我用Python加上PyWavelets库来演示。如果你用的是MATLAB思路完全一样对应函数就是wavedec、wthresh、waverec。先说下环境pywt目前主推的是2.x版本API和1.x略有不同我下面的写法在1.1到1.4以及2.x里都能跑通。import numpy as np import pywt import matplotlib.pyplot as plt # 采样参数模拟一个50MS/s下的局部放电脉冲加白噪声 fs 50e6 t np.arange(0, 1000) / fs # 20us窗口 # 模拟一个衰减振荡脉冲出现在第400个采样点附近 pulse np.exp(-((t - t[400]) * fs / 30.0) ** 2) * np.sin(2 * np.pi * 3e6 * t) x np.zeros_like(t) x[100:650] pulse[100:650] # 加入高斯白噪声信噪比约在5dB上下 noise np.random.normal(0, 0.12, sizet.shape) sig x noise # 小波参数 wavelet db4 level 4 mode symmetric # 分解 coeffs pywt.wavedec(sig, wavelet, levellevel, modemode) cA4, cD4, cD3, cD2, cD1 coeffs # 用第一层细节系数估计噪声标准差 sigma np.median(np.abs(cD1)) / 0.6745 # 通用阈值乘以0.7保留更多小脉冲 thr sigma * np.sqrt(2 * np.log(len(sig))) * 0.7 # 软阈值处理所有细节系数逼近系数不动 coeffs_th [cA4] for i in range(1, len(coeffs)): coeffs_th.append(pywt.threshold(coeffs[i], thr, modesoft)) # 重建 sig_den pywt.waverec(coeffs_th, wavelet, modemode) # 简单评估去噪前后的信噪比 def snr_db(clean, noisy): noise_part clean - noisy return 10 * np.log10(np.sum(clean**2) / np.sum(noise_part**2)) print(去噪前SNR: %.2f dB % snr_db(x, sig)) print(去噪后SNR: %.2f dB % snr_db(x, sig_den)) # 画图对比 plt.figure(figsize(12, 6)) plt.subplot(2, 1, 1) plt.plot(t*1e6, sig, 0.7, labelraw) plt.plot(t*1e6, x, r, labeltrue pulse) plt.legend() plt.subplot(2, 1, 2) plt.plot(t*1e6, sig_den, b, labeldenoised) plt.plot(t*1e6, x, r, labeltrue pulse) plt.legend() plt.xlabel(time/us) plt.show()这段代码里的关键点我拆开说。第一我习惯在第一层细节系数上估计噪声 (\sigma)因为第一层细节对应的频带最宽最接近高频噪声而且受工频和窄带干扰的影响相对小。第二阈值乘以0.7这个系数并不是固定值而是我在大量现场数据上调出来的经验值如果你处理的信号噪声很强可以适当提高如果你更关心波形保真可以降到0.5左右。第三软阈值和硬阈值的选择会直接影响后续的幅值统计如果你拿不准可以把两种结果都跑一遍对比脉冲幅值差异再决定。另外说一句pywt.wavedec输出的系数列表顺序是[cA_level, cD_level, cD_level-1, ..., cD1]重构时不要搞反顺序这是特别容易犯的低级错误。4. 从去噪到识别小波包与特征向量的提取4.1 为什么从DWT升级到WPT去噪只是第一步项目更核心的目标是把处理后的信号变成能描述放电类型的特征。传统DWT有个结构性限制它只对低频逼近部分做逐层分解高频细节一旦分出来就不再继续细分。这意味着DWT对低频成分有很高的频率分辨率但对高频成分的频率分辨率始终不够。可局部放电脉冲偏偏就是宽频信号高频分量里藏着很多关于放电类型的线索所以我在项目里选择了DWT去噪、WPT小波包变换提特征这个组合。小波包变换在每一层都同时分解低频和高频所以经过3层分解后就得到8个等带宽的频带节点经过4层就是16个节点。每个节点对应一段明确的频带这样PD信号的频域信息被切得很细不同放电类型的细微差异更容易显现。代价是计算量和特征维度同步上升所以并不是分解越深越好一般3到4层足够。4.2 小波包能量特征计算方法特征提取我用的方法是对去噪后的信号做4层小波包分解计算出每个叶节点的系数能量再做归一化得到一个16维特征向量。为什么用能量作为特征而不是直接用系数因为放电的强度通常不是绝对稳定的而能量谱的形状能相对稳定地反映脉冲频率结构对幅值变化不敏感更利于做类型识别。def wp_energy(sig, waveletdb4, level4): wp pywt.WaveletPacket(datasig, waveletwavelet, modesymmetric, maxlevellevel) nodes wp.get_level(level, orderfreq) # 按频率顺序取节点 energy [] for node in nodes: coef node.data energy.append(np.sum(np.abs(coef) ** 2)) energy np.array(energy) total np.sum(energy) if total 0: return energy return energy / total使用的时候要注意get_level(orderfreq)里面的order参数按频率排序不是按节点自然序号很多教程没用这个参数导致后面特征维度的顺序是乱的。另外节点数据的长度会随着分解层数增加而指数缩小如果原始信号太短最后一层节点可能只有少数几个系数此时能量估计的方差会变大建议原始数据长度不低于 (2^{level} \times 16)也就是说4层分解最少要256个点起步实际现场信号一般远超这个数。拿到特征向量之后我会再加上统计特征做补充比如脉冲的等效时间、等效频宽、偏斜度、峰度这些特征在区分不同放电类型时跟小波包能量有互补作用。特征向量就可以输入SVM或随机森林做分类。4.3 不同放电类型的特征差异不同放电类型在小波包特征上的差异我举几个典型例子。电晕放电通常发生在导体尖端信号时域上呈现单极性脉冲串重复频率高主要在工频的负半周也看电极极性能量集中在中高频段内部气隙放电在正负半周都比较对称相位区间相对固定能量在低频和高频都有分布沿面放电和悬浮电位放电相位区间更宽能量谱会更发散。这些规律不是绝对的但作为经验判断很有价值尤其是配合PRPD图谱一起看。放电类型相位区间特征小波包能量分布特点电晕放电通常在负半周或正半周窄区间中高频集中低频较弱内部气隙放电正负半周对称相位窄中低频为主高频较明显沿面放电相位区间较宽能量分散低频和高频都有悬浮电位放电相位宽且不稳定谐波特征明显能量跳跃5. 实战中的坑与排查技巧5.1 边界效应对分解结果的影响小波分解和重构都涉及卷积而卷积在信号两端天然会出现边界问题。如果不做处理重构信号在开头和结尾会有一小段畸变。处理办法有几种最省事的是在pywt.wavedec里指定mode参数比如symmetric把信号镜像延拓periodic则按周期延拓更稳的办法是在进入分解之前对原始信号两端各加一段保护带处理完再把保护带裁掉。这个方法在遇到现场数据开头或结尾正好有脉冲时特别好用不然你很容易把边界畸变当成真实放电造成误判。我在项目里是通过采集配置解决的每次分析窗取2个工频周期的数据但实际截取2.1个周期留出的0.1个周期当保护带去噪后再丢弃。这个思路在离线数据和在线监测程序里都能用成本几乎为零强烈建议加上。5.2 小波基选错的典型表现小波基选错的表现不是程序报错而是结果静悄悄出错。我可以给几个典型的病征用Haar处理光滑沿的脉冲重构波形会阶梯化用支撑很长的db20处理极窄脉冲会在脉冲前后产生拖尾看着像有两个峰影响脉冲相位和幅值计算用过于光滑的小波基处理高频毛刺多的放电会把它误当成噪声滤掉。所以做小波基选择时千万不要只看重构误差要结合波形形态、时延、幅值三个指标一起看。教你一个排查技巧在项目里准备一组标定的仿真信号用已知的脉冲位置和幅值去测不同小波基快速批量跑一遍统计脉冲起始时刻误差和幅值误差排在前面的候选基才有资格进入现场数据测试。我在项目里就是用这个办法很快锁定了db4。5.3 阈值过高/过低的表现与调整阈值过高和过低在结果上表现完全不同。阈值过高时噪声虽然没了但真实的PD脉冲也会被削减特别是小幅值放电直接消失去噪后的波形看起来“干净”但空得过分时序趋势会漏报阈值过低时波形里还能看到明显噪声相位图谱上会多出一大片随机散布的点这时候你可能以为发现了什么新缺陷实际只是噪声没滤干净。所以判断去噪效果不能只看波形平不平一定要结合原始信号里的脉冲特征来看。我常用的调参方法是对同一组数据把阈值从0.2倍通用阈值到1.5倍通用阈值每隔0.1跑一遍画出去噪后脉冲幅值保持率和噪声残留率随阈值变化的曲线在两条曲线交叉点附近选阈值。这个方法比凭感觉试参数快得多也更容易跟现场同事解释为什么定这个数。5.4 去噪前后相位分辨PRPD谱图对比最后聊PRPD图这是局部放电分析里绕不开的图表。横轴是工频相位0到360度纵轴是放电幅值或放电量颜色深浅表示该相位和幅值处出现的次数。去噪前的PRPD图因为噪声没有相位规律整个图会被噪声层铺满原本隐藏在里面的放电簇根本看不出来去噪后的PRPD图脉冲被留下来噪声层的底色变浅才能真正看出放电集中在哪个相位比如典型的内部气隙放电会在0到90度和180到270度两个象限形成对称的簇而电晕放电往往只在其中一个半周出现。我在项目交付时给客户的报告里会把去噪前和去噪后的PRPD图放在同一页并标注相位区间、幅值稳定性和重复性。这个呈现方式有个额外的好处它能帮现场工程师判断去噪参数是不是合理如果去噪后的PRPD图丢失了原有相位结构或者出现了本来没有的密集区域那就是处理参数调过头了。我还建议在去噪后对脉冲做一次相位一致性校验所有脉冲的相位分布应当符合局部放电的工频相关特性如果出现大量随机相位脉冲就要回头检查是不是有周期性脉冲干扰混进来了。最后说几句个人体会。xiaobo_xiaobo这个项目做下来我最大的感触是小波处理调参的功夫其实都在信号理解上小波基、阈值、分解层数没有一套通行参数能覆盖所有现场换一个变电站、换一种干扰源可能都要微调。好在办法是通用的先把原始信号看明白再做参数验证最后用PRPD做闭环判断一套流程走下来基本不会出大差错。如果你正在学小波或手头有局部放电数据要处理我建议先别急着追最新模型把db4、通用阈值、4层分解这套组合跑熟再逐步根据效果调整。还有一个实在的小技巧调参的时候把去噪后波形和原始波形叠在同一张图里脉冲极性、相位一旦对不上赶紧停手检查参数这时候基本就是某一步处理出问题了。本文还有配套的精品资源点击获取
