基于小波变换域的电力电子设备干扰信号自动检测方法

摘 要：常规的电力电子设备干扰信号自动检测方法主要使用压缩感知（Compressed Sensing，CS）理论处理高聚合度干扰信号能量谱，易受伪峰值变化影响，导致检测干扰信号电平与实际干扰信号电平不一致。因此，本文提出一种基于小波变换域的电力电子设备干扰信号自动检测方法。利用小波变换域构建设备干扰信号时间扩展模型，设计电力电子设备干扰信号自动检测算法，完成电力电子设备干扰信号自动检测。试验结果表明，使用本文设计的电力电子设备干扰信号小波变换域自动检测方法检测的干扰信号电平与实际干扰信号电平拟合，检测效果较好，应用价值较高，为提高电力电子设备的运行可靠性做出贡献。

关键词：小波变换域；电力电子设备；干扰信号；自动检测

中图分类号：TN 972" " " " 文献标志码：A

电力电子设备是一种特殊的电能转换以及功率控制设备，其主要是由电力电子元件组成的。按照功能可以将其分为电能转换、电能控制和电能调节3种类型。常见的电力电子设备包括变压器、电阻器等[1]，在工业化、新能源等领域应用广泛。我国的电力电子设备正在向多功能与智能化的方向发展。在电力电子设备运行过程中，存在来自外部环境与设备内部的干扰信号[2]，其中，外部干扰信号可能来自无线电波、磁场耦合等，内部干扰信号来自晶体管噪声或设计缺陷等。无论是外部干扰信号还是内部干扰信号都会影响电力电子设备的综合运行性能[3]，因此，需要对电力电子设备干扰信号进行自动检测。文献[4]利用异常性检测算法对干扰信号进行切片重组，减轻了检测的依赖性，但是易受真实数据样本影响导致异常性判断失误，文献[5]根据子波变换检查干扰信号，降低检测风险，但是整体计算量较大，计算复杂度过高。为了满足电力电子设备的运行可靠性要求，本文基于小波变换域设计了一种有效的电力电子设备干扰信号自动检测方法。

1 电力电子设备干扰信号小波变换域自动检测方法设计

1.1 基于小波变换域构建干扰信号检测时间扩展模型

小波变换域可以将信号分解为不同的尺度与频率，提取信号局部时频特征，保证干扰信号检测指令。因此，本文基于小波变换域构建了设备干扰信号检测时间扩展模型。电力电子设备干扰信号具有局域化特征，可以根据接收信号的理想传播状态进行扩展[6]，此时生成的连续小波函数f（a，b）如公式（1）所示。

（1）

式中：a、b分别为尺度参数与平移参数；f（t）为有限能量函数；g为母小波；t为检测时域[7]。

对该函数进行尺度分析平移处理，可以获取可允许性自动检测条件，重构的小波变换信号Cg如公式（2）所示。

（2）

式中：CG为傅里叶变换后的检测函数；WG为重构原信号；ga，b为小波变换条件。

假设待检测的电力电子设备干扰信号满足时频、带宽要求，那么可以对其进行多途径调整[8]，确定干扰信号的波形时间扩展，接收的卷积时间信号r（t）如公式（3）所示。

r（t）=α∫h（l）s（t）+Cgv（t）dt " （3）

式中：α为检测衰减因子；h（l）为检测时延；s（t）为传输回波信号；v（t）为白噪声。

如果检测噪声存在独立关系，就证明LFM信号假设成立，可以进行离散化处理[9]，利用副本相关积分器扩展时间信道，构建的干扰信号检测时间扩展模型ηglrt如公式（4）所示。

（4）

式中：N为小波域形式。

小波变换具有时频观测优势，因此能够精确捕捉捕捉并解析信号中的细节变化和突变点。构建小波变换域的时间扩展模型，可以对干扰信号在时域方面进行精确定位和扩展分析。该方法主要包括对干扰信号进行小波变换，提取变换后的特征信息，并基于这些信息构建时间扩展模型，对干扰信号进行检测、识别与深入分析，为信号处理、噪声抑制以及信号增强等领域提供强有力的技术支持。

1.2 设计电力电子设备干扰信号自动检测算法

根据干扰信号特征设计有效的电力电子设备干扰信号自动检测算法，进行自动检测量化处理。利用第1.1节构建的时间扩展模型，设计电力电子设备干扰信号的自动检测算法。该算法可以根据时间扩展模型中的信息自动判断是否存在干扰信号，并对干扰信号进行量化处理。利用PDC（相位差编码）进行信号转换，从而得到更易于分析的干扰信号时域表达式。

在时间扩展模型ηglrt中的目标接收干扰信号S（T）如公式（5）所示。

S（T ）=p（t）exp[jϕ（t）] " " " "（5）

式中：p（t）为发射干扰信号载频；j为脉冲宽度；ϕ（t）为干扰信号相位。

对信号相位进行量化处理，利用PDC进行干扰信号接收转换，得到的干扰信号时域表达式Y（ f ）如公式（6）所示。

（6）

式中：m为主谱线；δ为干扰机输出频率。

在相位量化后，原本的干扰信号频谱转换为主谱线，可以进行正弦调制，进行变频基带处理，检测有效的干扰向量。基于此，生成的电力电子设备干扰信号自动检测算法流程如图1所示。由图1可知，当算法自动检测电力电子设备干扰信号时，其核心是利用先验信息精准地识别并处理干扰信号。采用该算法分析干扰信号的特征，确定其中心轴线信号锥，识别与干扰信号无关的标量，明确干扰信号的实际状态。该算法运用广义似然推导技术对检测的干扰向量进行分类。经过计算，算法能够判断这些向量是已知的还是未知的。对未知的干扰向量来说，算法会进一步估计其先验信息，这是一个迭代的过程，其作用是不断提升对未知干扰向量的认识。这个过程将持续进行，直至满足信号锥中心轴线的自动化检测要求，即算法能够准确、可靠地识别并处理所有的干扰信号。

在处理电力电子设备干扰信号的过程中，由于信号变化多样且难以预测，传统检测方法难以获得准确的检测概率，因此设计自动检测算法。利用蒙特卡罗法进行相位量化分析，构建高斯噪声协方差矩阵，计算信号干扰功率与检测噪声的功率比来确定干扰信号的虚警概率检测门限。该算法能够适应不同环境的干扰信号检测需求，提高检测的准确性和可靠性。信号干扰功率与检测噪声的功率比JNR如公式（7）所示。

（7）

式中：Aj为干扰信号幅度；σ为虚警概率。

为了确定干扰信号虚警概率的检测门限，需要进一步进行能量检测调整，选取抗混叠低通滤波器完成采样处理，同步进行三元假设检验，直至输出最佳检测结果。使用本文设计算法可以有效提高检测噪声的拟合性，降低环境欺骗对干扰信号检测造成的影响。

2 试验

为了验证本文设计方法的检测效果，本文设置了符合试验要求的实验平台，将其与文献[4]、文献[5]2种常规的电力电子设备干扰信号自动检测方法进行对比并试验，具体过程如下所述。

2.1 试验准备

根据电力电子设备干扰信号自动检测试验要求，本文选取EMTP平台作为实验平台，根据DCS210模仿设备干扰信号，假设初始雷达发射脉宽T=20 μs，带宽B-10 MHz，此时调频斜率与接收机采样频率拟合，弥散干扰信号子脉冲为4个，调频斜率为2×1012 Hz/s。试验预设的背景噪声为白噪声，信噪比为10 dB，干噪比为20 dB，设置的试验环境如图2所示。

由图2可知，在试验过程中，需要不断输入模拟干扰信号，利用接收机等进行实时检测。考虑干扰信号运行周期，需要进行Wigner-Vile分布调整，在T/2处到达频率尖峰。此时试验中心内存在若干个不同片段，包括干扰信号自主项、交叉项，需要分别进行WVD提取，调整信号的耦合关系。

当处于部分状态时，受频谱弥散作用影响可能出现试验信号参数异常问题，需要利用Hough变换技术进行干扰信号处理，其流程如图3所示。由图3可知，信号处理完毕后原本的分布交叉项减少，干扰信号参数平滑性增强，频率分辨率降低，时频特征更突出。待上述试验信号处理完毕后，得到可靠的电子设备干扰信号自动检测结果。

2.2 试验结果与讨论

结合上述试验准备，本文选择不同型号的电力电子设备，调整了干扰信号输入强度，分别使用本文设计方法、文献[4]方法以及文献 [5]方法进行检测，将3种方法检测的干扰信号电平与实际干扰信号电平进行对比，得到的试验结果见表1。

由表1可知，使用本文设计方法检测各种电力电子设备（例如A-121、B-122、C-126、D-135、E-139和F-142）的干扰信号电平，干扰信号类型（例如电磁、射频）和干扰强度不同，本文方法准确性较高，检测的干扰信号电平与实际干扰信号电平拟合；当检测A-121、B-122、C-126、D-135和F-142设备时，文献[4]方法检测干扰信号电平与实际干扰信号电平之间的差异较大；文献 [5]方法在某些设备（例如A-121、B-122）中的检测误差较小，但是在其他设备（例如C-126、D-135和E-139）中的误差较大。上述试验结果表明，本文设计的信号自动检测方法的检测效果较好，可靠性较强，有一定的应用价值。

3 结语

综上所述，在科学技术与电力信息化双重发展背景下，电力电子设备的应用领域越来越广，其能够进行电能控制、转换以及调节，保证电网稳定、可靠运行。在运行过程中，电力电子设备容易受外界环境、内部负载等影响，出现大规模干扰信号，不仅会导致设备损伤，还可能出现电网故障，影响电网运行安全。因此，本文基于小波变换域设计了一种有效的电力电子设备干扰信号自动检测方法。对该方法的检测效果进行试验，结果表明，使用该方法检测效果较好，拟合性较高，可靠性较强。该方法有一定应用价值，能够为推动电力智能信息化发展做出贡献。

参考文献

[1]汤永涛，王雪宝，王青波，等.基于FastICA算法的多源固定频干扰背景下语音信号去噪[J].电脑知识与技术，2024，20（6）：77-79.

[2]李家强，危雨萱，任梦豪，等.基于时频域分析的车载毫米波雷达干扰抑制方法[J].中国电子科学研究院学报，2024，19（2）：109-118.

[3]陈馨，杨东升，孟冲，等.一种基于层次分析法的复杂电磁环境相似度评估方法[J].中国电子科学研究院学报，2024，19（2）：127-137.

[4]白帆，张慧，李鹏斐，等.异常性检测算法在引信干扰信号识别中的应用[J].装备环境工程，2022，19（11）：41-47.

[5]赵亮.关于子波变换的无线通信网络干扰信号检测探析[J].电子测试，2022，36（23）：33，48-50.

[6]王大伟，孙全，刘建军，等.基于分段线性模型针对TLP瞬态干扰信号的芯片协同防护设计方法研究[J].中国高新科技，2024（2）：99-101.

[7]刘萌瑶，邹棋，肖培，等.基于PE-TDPO的110m射电望远镜远-近场耦合计算方法[J].中国科学：物理学力学天文学，2024，54（1）：143-153.

[8]周文，郝新红，杨瑾，等.基于多尺度色散熵与支持向量机的调频引信扫频干扰信号识别方法[J].探测与控制学报，2023，45（6）：21-26.

[9]刘冰，郝新红，段俊法，等.基于经验模态分解特征的无线电引信抗扫频式干扰方法[J].北京理工大学学报，2023，43（12）：1290-1297.