本發(fā)明涉及變壓器噪聲消除領域，尤其涉及一種基于改進自適應均衡混合算法rls-lms變壓器消噪方法。

背景技術：

隨著近年來城市電網負荷的迅速增加，部分變電站將不得不選址在電力負荷密集的城市中心區(qū)域。變壓器在工作狀態(tài)產生的噪聲影響人們的正常生活和工作，因此，如何有效地消除和抑制變壓器噪聲已成為一個熱門的研究課題。

國外一些大型電力變壓器制造公司和相關研究機構對變壓器噪聲問題進行了大量研究，研究方向主要涉及到變壓器噪聲和聲學特性、振動機理、降噪方法和措施等。國內對變壓器噪聲抑制方面的研究相對滯后于國外，研究工作主要集中在變壓器噪聲機理以及控制，定性分析和實踐經驗總結方面。隨著測試技術和計算機輔助分析的發(fā)展，國內有些學者從測試變壓器噪聲振動頻譜方面進行分析，還有利用有限元技術分析變壓器噪聲機理。

自適應噪聲抵消技術是一種能夠消除背景噪聲影響的信號處理技術。應用自適應噪聲抵消技術，可在未知外界干擾源特征、傳遞途徑不斷變化、背景噪聲和被測對象信號相似的情況下，有效地消除外界噪聲的干擾，因此它具有較好的應用前景。但是目前采用自適應噪聲抵消技術對變壓器噪聲進行抑制的相關研究較少，大多是針對生產工藝、使用材料等方面進行變壓器噪聲的抑制。

技術實現要素：

有鑒于此，本發(fā)明的目的是提供一種基于改進自適應均衡混合算法rls-lms變壓器消噪方法,對rls遺忘因子進行了改進，加快其收斂速度，在訓練階段采用改進的rls算法，在穩(wěn)定階段采用lms算法，保證了算法的快收斂性又保證了算法的穩(wěn)定性，能可靠地濾除變壓器噪聲，有利于故障特征信息提取。

本發(fā)明通過以下技術手段解決上述技術問題：

一種基于改進自適應均衡混合算法rls-lms變壓器消噪方法，包括以下步驟：

s01:初始化濾波器參數抽頭長度l、遺忘因子、濾波器權系數矩陣w，輸入信號s，期望信號d；

s02：利用改進最小二乘rls算法對權系數矩陣w進行訓練得到最佳權系數w1；

s03：利用rls算法訓練得到的最佳權系數w1，并對w1利用lms算法進行迭代更新，對變壓器疊加噪聲后的信號x均衡得到除噪后的信號y。

進一步的，所述步驟s01中，通過反復實驗得出最合適均衡器的抽頭系數長度為l＝30，步長因子u＝0.002，訓練數據個數為n＝200，初始化遺忘因子為λ＝0.98、誤差信號為e＝[00...0]、期望信號為d＝sin(t),并初始化均衡器權系數w＝[000....0]。

進一步的，所述步驟s02中，首先rls算法對初始化過后的權系數進行訓練，每次取30個訓練數據，進行均衡后得到誤差信號e,更新權系數矩陣，具體步驟如下：

步驟1：參數初始化：w＝[0……0]t,其中k為正則化參數，pxx(改為pxx)為n*n單位矩陣；(這句話改成這樣)

步驟2：當n＝n+1時，更新參數如下：

e(n)＝d(n)-w^tx(n)(誤差信號)

(增益矢量)

(逆矩陣)

w(n)＝w(n-1)+k(n)e(n)(權系數)

訓練權系數矩陣w到最佳權系數矩陣w1，

在此基礎上對遺忘因子λ進行改進，如下所示：

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)。

如圖2所示：進一步的，所述步驟s03中，利用第二步訓練階段訓練得到的最佳權系數矩陣w1對信號進行均衡，具體步驟如下：

初始化抽頭系數和步長因子，并對調制信號后面進行補零操作；

輸入訓練信號等于期望信號每次取30個并依此后移一位，判斷forj＝1:m-15；輸出否跳至forh＝m+1:length(out)-15

輸出是則跳轉至抽頭系數乘上輸入信號得到均衡后的信號；

求期望信號與均衡后信號差值得到誤差信號；

更新權系數得到最佳權系數w，判斷forh＝m+1:length(out)-15

輸出否則結束；

輸出是則初始化一個l長矩陣存放需均衡信號，并每次移位一位，利用訓練所得權系數進行均衡，將信號矩陣與最佳權系數得到均衡后信號；

結束。

本發(fā)明的有益效果：

1、混合算法性能好

lms算法復雜度較低，穩(wěn)定性較好，但其收斂速度太低；但是rls收斂速度快，但是復雜計算度太大且穩(wěn)定性較差；因此此方法結合了兩種算法，在訓練階段采用改進的rls算法；在穩(wěn)定階段采用lms算法，故計算復雜度適中、收斂速度較快且穩(wěn)定性較好。兩者結合后的混合算法性能好。

2、編碼易實現仿真

作為兩種經典算法，利用matlab做仿真較為容易，編碼簡單。

3、模塊化強，具有相對獨立性

訓練階段權系數利用rls算法，穩(wěn)定階段采用lms算法，兩階段不相互依賴兩部分具有較強的可模塊化，可移植，可改變，較獨立。

4、可拓展性較強

若要對此方法進行改進，可對兩種方法所處的兩個不同階段進行不同的改進，不會相互影響，因此可拓展空間較大，可拓展性較強，便于以后的改進。

附圖說明

圖1是本發(fā)明的步驟示意圖；

圖2是lms算法流程圖；

圖3是rls算法流程圖；

圖4本發(fā)明的流程圖；

圖5是本發(fā)明的仿真示意圖；

圖6是本發(fā)明的最終除噪結果仿真圖。

具體實施方式

以下將結合附圖對本發(fā)明進行詳細說明：

如圖1至6所示：

一種基于改進自適應均衡混合算法rls-lms變壓器消噪方法，包括以下步驟：

s01:初始化濾波器參數抽頭長度l、遺忘因子、濾波器權系數矩陣w，輸入信號s，期望信號d；

s02：利用改進最小二乘rls算法對權系數矩陣w進行訓練得到最佳權系數w1；

s03：利用rls算法訓練得到的最佳權系數w1，并對w1利用lms算法進行迭代更新，對變壓器疊加噪聲后的信號x均衡得到除噪后的信號y。

進一步的，所述步驟s01中，通過反復實驗得出最合適均衡器的抽頭系數長度為l＝30，步長因子u＝0.002，訓練數據個數為n＝200，初始化遺忘因子為λ＝0.98、誤差信號為e＝[00...0]、期望信號為d＝sin(t),并初始化均衡器權系數w＝[000....0]。

如圖3所示：進一步的，所述步驟s02中，首先rls算法對初始化過后的權系數進行訓練，每次取30個訓練數據，進行均衡后得到誤差信號e,更新權系數矩陣，

具體步驟如下：

步驟1：參數初始化：w＝[0……0]t,其中k為正則化參數，pxx(改為pxx)為n*n單位矩陣(修改為這樣)；

步驟2：當n＝n+1時，更新參數如下：

e(n)＝d(n)-w^tx(n)(誤差信號)

(增益矢量)

(逆矩陣)

w(n)＝w(n-1)+k(n)e(n)(權系數)

訓練權系數矩陣w到最佳權系數矩陣w1，

在此基礎上對遺忘因子λ進行改進，如下所示：

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)。

進一步的，所述步驟s03中，利用第二步訓練階段訓練得到的最佳權系數矩陣w1對信號進行均衡，具體步驟如下：

初始化抽頭系數和步長因子，并對調制信號后面進行補零操作；

輸入訓練信號等于期望信號每次取30個并依此后移一位，判斷forj＝1:m-15；輸出否跳至forh＝m+1:length(out)-15

輸出是則跳轉至抽頭系數乘上輸入信號得到均衡后的信號；

求期望信號與均衡后信號差值得到誤差信號；

更新權系數得到最佳權系數w，判斷forh＝m+1:length(out)-15

輸出否則結束；

輸出是則初始化一個l長矩陣存放需均衡信號，并每次移位一位，利用訓練所得權系數進行均衡，將信號矩陣與最佳權系數得到均衡后信號；

結束。

如圖4所示：本實施例的具體流程如下：

初始化抽頭系數和步長因子及遺忘因子，正則化因子，并對調制信號后面進行補零操作；

調制信號賦值期望信號，輸入洗腦賦值u，每次取30個，并依此后移一位；

根據語法forj＝1:m-15進行判斷：輸出是則跳轉下一步，否則跳轉至forh＝m+1:length(out)-15進行判斷；

抽頭系數乘上輸入信號得到均衡后的信號；

求期望信號與均衡后信號差值得到誤差信號；

改進遺忘因子并求增益矢量，更新權系數w，求逆矩陣p并求得最佳權系數w1,；

根據語法forh＝m+1:length(out)-15進行判斷，輸出是進入下一步，輸出否則結束；

初始化一個l長矩陣存放需均衡信號，并每次移位一位；

利用rls訓練所得權系數進行均衡；

利用lms算法權更新權系數；

結束。

本方法分為三個部分：均衡器參數初始化、均衡器參數訓練、均衡變壓器信號。

均衡器參數初始化部分介紹如下：

通過反復實驗得出最合適均衡器的抽頭系數長度為l，訓練數據個數為n，初始化遺忘因子為λ、誤差信號為e、期望信號為d,并初始化均衡器權系數w＝[000....0]。初始化均衡器系數是本方法第一步，初始化參數是為后面訓練階段做準備。在此階段，合理地選擇好參數是能有效濾除變壓器噪聲的前提和基礎，是設計均衡器的必不可少的步驟。

均衡器參數訓練部分介紹：

均衡器參數初始化過后，初始化狀態(tài)下的均衡器并不是濾除噪聲的最佳狀態(tài)，因此需要通過訓練階段，完成抽頭系數w的訓練和更新，使得均衡器的抽頭系數達到最佳，均衡后誤差e最小。訓練階段是整個均衡濾波過程最核心、關鍵的階段，訓練系數達到最佳，才能更好更有效的濾除變壓器的噪聲。此方法中，訓練階段采用rls算法更新權系數至最新。

均衡變壓器信號部分介紹：

變壓器振動信號為s，疊加噪聲后的信號為x。均衡器抽頭系數在經過訓練過后，性能已經達到最佳濾波狀態(tài)w1，因此利用此時的w1對疊加噪聲過后的信號x進行均衡除噪，并計算此時的誤差信號e。均衡后的信號y＝x*w1’。對比變壓器振動信號s,疊加噪聲后的信號為x及均衡后的信號y三者，得出結論。該方法中，均衡階段采用穩(wěn)定性較好的lms算法。

一種基于改進自適應均衡混合算法rls-lms變壓器消噪方法主要由三部分組成，均衡器參數初始化、均衡器參數訓練、均衡變壓器信號，如圖1所示。具體實施方案及步驟如下：

s01初始化參數，如圖1的第一步。通過反復實驗得出最合適均衡器的抽頭系數長度為l＝30，步長因子u＝0.002，訓練數據個數為n＝200，初始化遺忘因子為λ＝0.98、誤差信號為e＝[00...0]、期望信號為d＝sin(t),并初始化均衡器權系數w＝[000....0]。初始化均衡器系數是本方法第一步，初始化參數是為后面訓練階段做準備。在此階段，合理地選擇好參數是能有效濾除變壓器噪聲的前提和基礎，是設計均衡器的必不可少的步驟。

s02利用rls算法訓練階段，如圖1第二步所示。在此方法中，首先rls算法對初始化過后的權系數進行訓練。每次取30個訓練數據，進行均衡后得到誤差信號e,更新權系數矩陣，具體流程如圖3所示具體步驟如下：

步驟1：參數初始化：w＝[0……0]^t,其中k為正則化參數，pxx(改為pxx)為n*n單位矩陣(修改為這樣)；

步驟2：當n＝n+1時，更新參數如下：

e(n)＝d(n)-w^tx(n)(誤差信號)

(增益矢量)

(逆矩陣)

w(n)＝w(n-1)+k(n)e(n)(權系數)

訓練權系數矩陣w到最佳權系數矩陣w1。

在此基礎上對遺忘因子λ進行改進，如下所示：

w(n)＝w+k'*e(n)+r*(w(n)-w(n-1))

ρ(n)＝r×(w(n)-w(n-1))

w(n)＝w+k'*e(n)+ρ(n)

代碼實現如下：

s03是信號均衡階段，如圖1的第三步。利用s02訓練階段訓練得到的最佳權系數矩陣w1對信號進行均衡，具體流程如圖2所示，步驟如下：

y(n)＝w(n)'x(n)(均衡后信號)

e(n)＝d(n)-y(n)(誤差信號)

w(n+1)＝w(n)+2μe(n)x(n)(權系數更新式)

代碼實現如下：

通過以上混合自適應均衡方法可以有效濾除變壓器中噪聲，此方法既收斂性較快，穩(wěn)定性又較高，其仿真示意圖如圖5所示，仿真結果如圖6所示。

以上實施例僅用以說明本發(fā)明的技術方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的宗旨和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。