CN110376455A - 变压器工作状态检测方法、装置、计算机设备和存储介质 - Google Patents
变压器工作状态检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110376455A CN110376455A CN201910559944.5A CN201910559944A CN110376455A CN 110376455 A CN110376455 A CN 110376455A CN 201910559944 A CN201910559944 A CN 201910559944A CN 110376455 A CN110376455 A CN 110376455A
- Authority
- CN
- China
- Prior art keywords
- matrix
- transformer
- voice signal
- default
- history basic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种变压器工作状态检测方法、装置、计算机设备和存储介质。所述方法包括:获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;根据所述重构分量判断所述待测试变压器的工作状态。本申请提供的方法能够降低信号信息冗余度,从而提高变压器工作状态判别的准确性和便利性,减少故障误报和漏报。
Description
技术领域
本申请涉及电力供应领域,特别是涉及一种变压器工作状态检测方法、装置、计算机设备和存储介质。
背景技术
电力变压器(以下均简称变压器)承担着电压转换和电能传输的重要作用,变压器在电力系统中有着十分重要的地位。变压器的安全稳定运行对保障电网的可靠性及稳定性具有重大意义,因此,对变压器运行状态进行有效监测,及早发现潜在故障隐患,成为了电力行业研究人员重点关注的问题。
运行中的变压器会产生振动,振动主要包括绕组振动、铁芯振动和冷却系统振动等。振动产生的机械波通过变压器的固体结构件及绝缘油、空气等介质向外辐射形成声波信号,声波信号蕴含着大量的变压器工作状态信息。当变压器发送故障时,发出的声音就会发生变换,且发生不同的故障,发出的声音也不同。故基于声音信号的变压器状态监测技术近年来逐渐成为研究热点。
传统技术中,通过声音信号监测变压器的工作状态主要是将声音信号通过傅里叶变换转换为频谱信号,并对频谱信号进行分析,判断变压器是否正常。
然而,运行中的变压器的声音信号不可避免地会受到负载电流、噪声干扰等的影响,使得不同时间监测到的声波信号亦会随之改变且呈现宽带非平稳特征,所以,以上方法存在准确性差的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的变压器工作状态检测方法、装置、计算机设备和存储介质。
为了实现上述目的,一方面,本申请实施例提供了一种变压器工作状态检测方法,所述方法包括:
获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
根据所述重构分量判断所述待测试变压器的工作状态。
第二方面,本申请实施例提供一种变压器工作状态检测装置,所述装置包括:
标准信号获取模块,用于获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
频谱转换模块,用于对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
基矩阵提取模块,用于根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
重构分量获取模块,用于根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
状态判断模块,用于根据所述重构分量判断所述待测试变压器的工作状态。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
上述变压器工作状态检测方法、装置、计算机设备和存储介质,通过获取多段变压器的标准声音信号,并对各所述标准声音信号进行离散傅里叶变换,获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵,进一步根据所述频谱矩阵提取历史基矩阵,从而根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量,根据所述重构分量判断所述待测试变压器的工作状态。本申请实施例提供的所述变压器工作状态检测方法、装置、计算机设备和存储介质通过从所述频谱矩阵中提取历史基矩阵,获取反应变压器正常运行下声音信号频谱的特征信息,有效避免了变压器运行声音信号中的负载电流、噪声干扰等的音效,降低了信号信息冗余度,从而提高了变压器工作状态判别的准确性和便利性,减少故障误报和漏报。
附图说明
图1为本申请一个实施例提供的变压器工作状态检测方法的应用环境图;
图2为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图3为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图4为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图5为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图6为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图7为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图8为本申请一个实施例提供的锁相环位置检测原理框图;
图9为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图10为本申请一个实施例提供的变压器工作状态检测方法的步骤流程示意图;
图11为本申请一个实施例提供的连续声音信号示意图;
图12为本申请一个实施例提供的N段标准声音信号的频谱分布示意图;
图13为本申请一个实施例提供的待测试变压器声音信号的频谱分量图和重构分量示意图;
图14为本申请一个实施例提供的变压器工作状态检测装置结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的变压器工作状态检测方法,可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的,该计算机设备可以是服务器,可以是台式机,可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。当然,输入装置和显示屏也可以不属于计算机设备的一部分,可以是计算机设备的外接设备。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以是变压器工作状态检测装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
请参见图2,本申请一个实施例提供一种变压器工作状态检测方法,所述方法用于对变压器状态进行检测。所述方法包括:
S10,获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号。
变压器的多段所述标准声音信号可以预先存储于计算机设备或服务器中,在需要时,通过计算机设备获取即可。多段所述标准声音信号是指多个时间段的非连续的声音信号。标准声音信号用于表征编码器在正常工作时的声音情况。多段所述标准声音信号可以通过间隔采集变压器在正常运行情况下的多段声音信号,例如,在编译器正常运行时,采集第一时间段的声音信号,保存,得到第一段标准声音信号;采集第二时间段的声音信号,得到第二段标准声音信号……以此类推,得到多段所述标准声音信号。多段所述标准声音信号也可以通过在变压器正常运行情况下,采集连续的声音信号,通过计算机设备的处理后得到多段声音信号。每段声音信号的长度可以根据需求设定,在一个具体的实施例中,以每段声音信号能表征平稳信号为宜,以提高信号的平稳度。
假设所述标准声音信号共N段,每段所述标准声音信号的长度为L,第i段所述标准声音信号表示为xi(t),所述标准声音信号的采样频率为fs。
S20,对各所述标准声音信号进行离散傅里叶变换(Discrete FourierTransform,DFT),并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵。
假设N段所述标准声音信号经过离散傅里叶变换得到的频谱分布表示为Xj(f),其中,第j段所述标准声音信号的频谱分量幅值aj可表示为
上式中,f0为基波频率,P为正整数,表示基波频率的倍频分量个数,f为频率,j=1,2,L,N。
N段所述标准声音信号可以得到N个所述频谱分量幅值,将N个所述频谱分量幅值写成矩阵的形式,得到所述频谱矩阵YP×N。
式中,P为所述的频谱矩阵YP×N的行数;N为所述的频谱矩阵YP×N的列数
S30,根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵。
计算机设备根据预设的算法对所述频谱矩阵YP×N进行分解,从中提取出所述历史基矩阵。所述历史基矩阵表征S10中变压器在正常工作情况下采集的所述标准声音信号的特征,因此,所述历史基矩阵能够表征变压器的正常运行情况。所述历史基矩阵以下表示为W。由于所述历史基矩阵是从所述频谱矩阵中提取处理出来,所述频谱矩阵表征声音频谱,所以所述历史基矩阵中的元素均大于或等于零。所述历史基矩阵以较少的列数保留了声音频谱的主要特征模式,有效避免了变压器运行声音信号中的负载电流、噪声干扰等的音效,减少了冗余信息。
S40,根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量。
所述待测试变压器可以是步骤S10中标准信号对应的变压器,也可以是与此变压器型号、功能参数、使用环境等相同或相近的变压器。当需要检测所述待测试变压器的工作状态时,采集所述待测试变压器当前的声音信号,并输入计算机设备。计算机设备根据预设的算法,基于S30得到的历史基矩阵计算所述待测试变压器声音信号的频谱分量进行重构,得到所述重构分量。
S50,根据所述重构分量判断所述待测试变压器的工作状态。
由于所述重构分量是基于所述历史基矩阵计算得到,所以以所述重构分量作为判断依据,能够准确判断出所述待测试变压器的当前工作状态。
本实施例中,通过获取多段变压器的标准声音信号,并对各所述标准声音信号进行离散傅里叶变换,获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵,进一步根据所述频谱矩阵提取历史基矩阵,从而根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量,根据所述重构分量判断所述待测试变压器的工作状态。本申请实施例提供的所述方法通过从所述频谱矩阵中提取历史基矩阵,获取反应变压器正常运行下声音信号频谱的特征信息,有效避免了变压器运行声音信号中的负载电流、噪声干扰等的音效,降低了信号信息冗余度,从而提高了变压器工作状态判别的准确性和便利性,减少故障误报和漏报。
请参见图3,本实施例提供获取多段变压器的标准声音信号的一种可能的实现方式,如图3所示,“S10,获取多段变压器的标准声音信号”包括:
S110,获取所述变压器的连续声音信号,其中,所述连续声音信号是指变压器在正常运行情况下的连续的历史声音信号。
所述连续声音信号可以预先存储于计算机设备或存储器中。所述连续声音信号可以在变压器正常运行的情况下,连续不间断的采集预设时长的声音信号。假设采集的所述连续声音信号为x(t),采样频率为fs,采集时间为T。
S120,对所述连续声音信号进行分段加窗处理,得到多段所述标准声音信号。
计算机设备对所述连续声音信号x(t)进行分段加窗处理,将所述连续声音信号x(t)分为N段,其中,每段声音信号的长度为L,相邻两段声音信号的重叠长度为M,以长度为L的每段声音信号能表征平稳信号为宜。本实施例中,通过获取所述变压器的连续声音信号,所述连续声音信号进行分段加窗处理,得到多段所述标准声音信号,提高了声音信号分帧后的连续性,避免了信号的不平稳性对分析结果的影响,从而进一步提高了对变压器工作状态检测的准确性。
请参见图4,本实施例提供一个实施例,在根据所述频谱矩阵提取历史基矩阵之前先对所述频谱矩阵进行归一化处理,如图4所示,“S30,根据所述频谱矩阵提取历史基矩阵”,包括:
S310,对所述频谱矩阵进行归一化处理,得到归一化频谱矩阵。
计算机设备按照预设的算法,对所述频谱矩阵YP×N按列进行归一化处理,归一化公式可以为:
yij为频谱矩阵Y的第i行第j列元素。
S320,从所述归一化频谱矩阵中提取所述历史基矩阵。
进一步在S310形成的归一化频谱矩阵中提取得到所述历史基矩阵。本实施例中,通过对所述频谱矩阵进行归一化处理,大大降低了所述标准声音信号的复杂程度,同时,避免了声音频谱分量在总能量中所占比重偏小的标准声音信号被忽略的问题,进一步提高了变压器声音信号分析的准确度。
从所述归一化频谱矩阵中提取所述历史基矩阵的方法可以有多种,请参见图5,在一个实施例中,通过如下方式从所述归一化频谱矩阵中提取所述历史基矩阵,S320包括:
S321,建立预设历史基矩阵和预设系数矩阵,其中,所述预设历史基矩阵的行数与所述归一化频谱矩阵的行数相同,所述预设历史基矩阵的列数与所述预设系数矩阵的行数相同,所述预设系数矩阵的列数与所述归一化频谱矩阵的列数相同。
所述预设历史基矩阵为P行r列,所述预设系数矩阵为r行N列。
S322,对所述预设系数矩阵进行初始化迭代计算,得到中间系数矩阵,其中,所述中间系数矩阵内的所有元素均为正值;
计算机设备根据预设的算法对所述预设系数矩阵进行初始化迭代计算,初始化迭代计算的目的是使得所述预设系数矩阵内的所有元素更新为正值。请参见图6,对所述预设系数矩阵进行初始化迭代计算可以通过下面步骤进行,即S322包括:
S3221,对所述预设系数矩阵进行初始化,得到初始化系数矩阵。
具体的,记所述预设系数矩阵中的列向量初始值为Sj,通过以下公式初始化,得到所述初始化系数矩阵:
Sj={sij}i=1,2,L,r,j=1,2,L,N
R=rand(r,N)
式中,sij为向量Sj的元素,N为所述初始化系数矩阵的列数,r为所述初始化系数矩阵的行数,且有r<P,P为所述归一化频谱矩阵YP×N的行数,矩阵R为行数为r,列数为N的随机矩阵,R的元素为0~1之间随机数,Rij为矩阵R的第i行第j列元素,L1为向量Sj的一阶范数,Sh为所述初始化系数矩阵的系数分布参数,且0<Sh<1。
Sh表征所述初始化系数矩阵每一列的系数分布情况,其取值在0-1之间。Sh的值越小,则初始化得到的系数向量数值大小分布越均匀,Sh的值越大,则初始化得到的系数向量数值大小分布越不均匀,即大多数系数都趋近于0,仅有少量系数由较大数值。Sh的取值根据实际情况确定。
S3222,对所述初始化系数矩阵进行迭代计算,得到所述中间系数矩阵。
对所述初始化系数矩阵进行迭代计算,得到所述中间系数矩阵可以通过下述步骤实现:
建立集合Z,并对所述集合Z赋初值,令Z={};
从第一列开始至最后一列依次对所述初始化系数矩阵Sr×N中的各列向量Sj(j=1,2,…,N)通过公式(1)进行迭代计算:
mk={mik}
Sj(k+1)=mk+γ(Sj(k)-mk)γ≥0
其中,其中,Sj(k)为第k次迭代后向量Sj的值,mk为第k次迭代后的系数分配向量,mik为向量mk的元素,Sj(k+1)为第k+1次迭代后向量Sj的值,γ的取值使得向量Sj(k+1)满足||Sj(k+1)||2=1。系数分配向量用于对向量m中的元素进行复制,即根据元素序号i是否属于集合Z对m的系数进行分配。
判断向量Sj(k+1)的元素sij(k+1)是否满足
若否,则令
Z=ZU{i|sij(k+1)<0}
重新通过公式(1)进行迭代计算,其中,Z为向量Sj(k+1)中的负数元素所在行的序号组成的集合;
若是,则停止迭代,得到所述中间系数矩阵。
经过公式(1)迭代,γ使得向量Sj(k+1)满足||Sj(k+1)||2=1。如果第k次迭代后,Sj(k+1)含有非正元素,则通过公式(2)滤除非正元素,迭代终止条件是Sj的所有元素均为正值。最后一次迭代的结果即为所述中间系数矩阵,记为矩阵B。
S323,对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算,直至所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差小于预设误差限值,得到所述历史基矩阵。具体的,可以通过如下步骤实现:
通过公式(3),对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算:
B(k+1)=B(k)-μW(k) T(W(k)B(k)-Y)
其中,wij(k+1)为第k+1次迭代后所述预设历史基矩阵中的元素,wij(k)为第k次迭代后所述预设历史基矩阵中的元素,bjq(k)为第k次迭代后所述中间系数矩阵中的元素,Y为所述归一化频谱矩阵,W(k)为第k次迭代后的所述预设历史基矩阵,初始值W(0)由Y的N列元素中随机选择r列元素组成,B(k)为第k次迭代后的所述中间系数矩阵,B(k+1)为第k+1次迭代后的所述中间系数矩阵,μ为计算步长;
判断所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差是否小于所述预设误差限值;
若否,则重新通过公式(3)进行迭代计算;
若是,则迭代结束,得到所述历史基矩阵。
也就是说,迭代计算的结束条件为||Y-WH||2小于所述预设误差限值。若||Y-WH||2大于等于所述预设误差限值,则重新按照公式(3)进行迭代计算,求所述历史基矩阵W和所述系数矩阵H。若||Y-WH||2小于所述预设误差限值,则最后一次迭代得到的所述预设历史基矩阵即为所述历史基矩阵W。
通过以上步骤,将所述归一化频谱矩阵分解为所述历史基矩阵WP×r和所述系数矩阵Hr×N,所述的历史基矩阵WP×r和所述系数矩阵Hr×N的元素均大于或等于零,且所述的归一化频谱矩阵YP×N、所述历史基矩阵WP×r和所述系数矩阵Hr×N满足以下关系式:YP×N=WP×r×Hr×N。所述历史基矩阵WP×r包括了表征所述标准声音信号特征的较少列数的频谱信息,因此能够降低信息冗余度,提高变压器工作状态检测的准确度。
请参见图7,本实施例提供一种根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量的实现方式,S40包括:
S410,获取所述待测试变压器的声音信号的频谱分量。
计算机设备获取所述待测变压器的运行声音信号的频谱分量
其中,T为转置符号。
S420,根据所述历史基矩阵采用正交匹配跟踪算法计算所述待测试变压器的声音信号的频谱分量的重构分量。
使用历史基矩阵WP×r采用正交匹配跟踪算法计算频谱分量的重构分量
请参见8,在一个实施例中,所述的重构分量的计算过程可以包括如下步骤:
S421,建立预设重构信号索引集、预设重构原子矩阵和预设重构残差向量。
假设所述预设重构信号索引集为Λ,所述预设重构原子矩阵A,所述预设重构残差向量为e。
S422,对所述预设重构信号索引集、所述预设重构原子矩阵和所述重构残差向量分别进行初始化,得到初始重构信号索引集、初始重构原子矩阵和初始重构残差向量。
对所述预设重构信号索引集Λ、所述预设重构原子矩阵A的初始列集合A0、所述预设重构残差向量e赋初值,分别为Λ0={},A0={}和迭代次数t=1。
S423,根据所述历史基矩阵对所述预设重构信号索引集和所述预设重构原子矩阵进行迭代计算,得到迭代重构信号索引集和迭代重构原子矩阵。请参见图9,此步骤可以通过以下步骤实现:
S4231,将所述内积中最大值对应的列向量的序号更新至所述预设重构信号索引集,得到所述迭代重构信号索引集;
S4232,将所述内积中最大值对应的列向量更新至所述预设重构原子矩阵,得到所述迭代重构原子矩阵。
从所述历史基矩阵WP×r的第一列开始至最后一列依次计算第j个列向量Wj(j=1,2,L,r)与重构残差向量e的内积u(j),选择u(j)中最大值对应的历史基矩阵WP×r的列序号j,记为λt;所述的内积u(j)的计算公式为:
u(j)=|<Wj,e>|j=1,2,…,r
找到的t个列序号的所述重构信号索引集为Λt={Λt-1,λt},从所述历史基矩阵W的r个列向量中挑选出相应位置的t个列向量构成所述重构原子矩阵
S424,根据所述初始重构残差向量和所述迭代信号索引集,计算重构稀疏系数的估计值。
求解的最小二乘解,其计算公式为
式中:θ't为第t次迭代时的重构稀疏系数θt的估计值。
S425,根据所述重构稀疏系数的估计值和所述待测试变压器的声音信号的频谱分量更新所述初始重构残差向量,得到更新重构残差向量。
根据所述重构稀疏系数的估计值θ't和所述待测试变压器的声音信号的频谱分量更新所述初始重构残差向量et,更新所述初始重构残差向量et的计算公式为
S426,当残差向量变化率小于等于预设变化率阈值或迭代次数大于所述归一化频谱矩阵的列数时,停止迭代,得到重构原子矩阵,其中所述残差向量变化率是指两次迭代所得的所述更新重构残差向量的差。
所述残差向量变化率ζ的计算公式为:
令t=t+1,如果连续两次迭代所得所述残差向量变化率ζ大于阈值δ或者满足t≤P,则返回步骤S423,否则停止迭代。
S427,根据所述重构原子矩阵和所述重构稀疏系数的估计值计算所述频谱分量的重构分量。
根据所述重构原子矩阵A和所述重构稀疏系数的估计值θ'计算所述待测试变压器的声音信号的频谱分量的重构分量计算公式为:
以上几个实施例中,通过采用所述历史基矩阵对所述待测试变压器的声音信号的频谱分量进行多次迭代计算,得到所述重构分量,提高了重构过程中的鲁棒性和可信度,所得的所述重构分量与所述频谱分量的相对误差大小可对变压器的状态进行反映,提高了变压器状态检测的准确性。
请参见图10,本实施例提供根据所述重构分量判断所述待测试变压器的工作状态的一种实现方式,如10所示,S50包括:
S510,获取所述待测试变压器的声音信号的频谱分量与所述重构分量的相对误差模值;
S520,若所述相对误差模值小于预设误差阈值,则所述待测试变压器运行正常;
S530,否则,所述待测试变压器运行异常。
将所述重构分量与所述待测试变压器声音信号的频谱分量进行比较,若二者相对误差的模值小于预设误差阈值,则判断待测试变压器运行状态正常;若二者相对误差的模值大于等于预设误差阈值,则判断待测试变压器运行状态出现了异常。所述预设误差阈值可以根据实际情况设定,在一个具体的实施例中,所述预设误差阈值为5%。
以下结合具体的实施例,对所述变压器工作状态检测方法的具体实现过程进行完整详细的说明:
以一个500KV的变压器为对象进行检测,按照如下步骤实现对该变压器的运行状态的判断:
(1)获取正常运行中的变压器的所述连续声音信号x(t),其中,采样频率为fs,采集时间为T,如图11所示;此处,fs=12.8kHz,T=30分钟。
(2)对所述连续声音信号x(t)进行分段加窗处理,将所述连续声音信号x(t)分为N段声音信号,得到N段所述标准声音信号,其中,每段所述标准声音信号的长度为L,相邻两段所述标准声音信号的重叠长度为M,此处,N=1125,L=25600,M=5120。
(3)分别对N段所述标准声音信号进行离散傅里叶变换(Discrete FourierTransform,DFT),得到N段所述标准声音信号的频谱分布Xj(f),如图12所示。其中,第j段所述标准声音信号的频谱分量幅值aj可表示为
式中:f0为基波频率;此处f0=50Hz,P为正整数,表示基波频率的倍频分量个数;此处,P=40,f为频率。此处,j=1,2,L,N。
(4)将N段所述标准声音信号频谱分量幅值写成矩阵的形式,记为所述频谱矩阵YP×N,对所述频谱矩阵YP×N按列进行归一化处理,所述的归一化公式为
式中,P所述频谱矩阵Y的行数;N为所述频谱矩阵Y的列数;yij为所述频谱矩阵Y的第i行第j列元素。
(5)将所述归一化频谱矩阵YP×N分解为所述历史基矩阵WP×r和所述系数矩阵Hr×N,获得所述历史基矩阵WP×r。所述历史基矩阵WP×r和所述系数矩阵Hr×N的元素均大于或等于零,且所述归一化频谱矩阵YP×N、所述历史基矩阵WP×r和所述系数矩阵Hr×N满足以下关系式:
YP×N=WP×r×Hr×N
式中,r为历史基矩阵WP×r的列数。此处r=50。
分解过程如下:
5a.首先建立预设历史基矩阵和预设系数矩阵;
5b.记所述预设系数矩阵Hr×N的每一列向量的初始值为Sj,可根据下述公式计算得到:
Sj={sij}i=1,2,L,r,j=1,2,L,N
R=rand(r,N)
式中,sij为向量Sj的元素,N为所述初始化系数矩阵的列数,r为所述初始化系数矩阵的行数,且有r<P,P为所述归一化频谱矩阵的行数,矩阵R为行数为r,列数为N的随机矩阵,R的元素为0~1之间随机数,Rij为矩阵R的第i行第j列元素,L1为向量Sj的一阶范数,Sh为所述初始化系数矩阵的系数分布参数,且0<Sh<1。
5c.建立集合Z,并对集合Z赋初始值,为Z={};
5d.从第一列开始至最后一列依次对向量Sj(j=1,2,…,N)进行迭代计算,迭代计算公式为:
mk={mik}
Sj(k+1)=mk+γ(Sj(k)-mk)γ≥0
式中:Sj(k)为第k次迭代后向量Sj的值,mk为第k次迭代后的系数分配向量,mik为向量mk的元素,Sj(k+1)为第k+1次迭代后向量Sj的值,γ的取值使得向量Sj(k+1)满足||Sj(k+1)||2=1。
如果第k次迭代后,Sj(k+1)含有非正元素,则令
Z=ZU{i|sij(k+1)<0}
Z为向量Sj(k+1)中的负数元素所在行的序号组成的集合;
重新进行迭代计算,直至Sj的所有元素均为正值;如果Sj(k+1)所有元素均为正,则迭代结束,并根据所述Sj(k+1)得到所述中间系数矩阵B;
5e.对所述预设历史基矩阵WP×r和所述中间系数矩阵B进行迭代计算,所述的迭代计算公式为:
B(k+1)=B(k)-μW(k) T(W(k)B(k)-Y)
式中:wij(k+1)为第k+1次迭代后所述预设历史基矩阵中的元素,wij(k)为第k次迭代后所述预设历史基矩阵中的元素,bjq(k)为第k次迭代后所述中间系数矩阵中的元素,Y为所述归一化频谱矩阵,W(k)为第k次迭代后的所述预设历史基矩阵,其中,初始值W(0)由Y的N列元素中随机选择r列元素组成,B(k)为第k次迭代后的所述中间系数矩阵,B(k+1)为第k+1次迭代后的所述中间系数矩阵,μ为计算步长。此处,μ=0.01。
迭代计算的结束条件为:如果||Y-WH||2大于预设误差限值,则重新进行迭代计算所述历史基矩阵W和所述系数矩阵H;如果||Y-WH||2小于所述预设误差限值,则判断迭代计算结束,得到所述历史基矩阵W。此处,误差限值为10-3。
(6)计算待检测变压器声音信号的频谱分量其中,T为转置符号,使用所述历史基矩阵WP×r采用正交匹配跟踪算法计算频谱分量的重构分量如图13所示。
所述的重构分量的计算过程为:
6a.建立预设重构信号索引集Λ、预设重构原子矩阵A和预设重构残差向量e;
6b.对所述重构信号索引集Λ、所述预设重构原子矩阵A的初始列集合A0、所述预设重构残差向量e赋初值,分别为Λ0={},A0={}和迭代次数t=1;
6c.从所述历史基矩阵WP×r的第一列开始至最后一列依次计算第j个列向量Wj(j=1,2,L,r)与所述预设重构残差向量e的内积u(j),选择u(j)中最大值对应的历史基矩阵WP×r的列序号j,记为λt;所述的内积u(j)的计算公式为:
u(j)=|<Wj,e>|j=1,2,…,r
6d.找到的t个列序号的重构信号索引集为Λt={Λt-1,λt},从所述历史基矩阵W的r个列向量中挑选出相应位置的t个列向量构成所述重构原子矩阵
6e.求解的最小二乘解,其计算公式为
式中:θ't为第t次迭代时的重构稀疏系数θt的估计值。
6f.根据所述重构稀疏系数的估计值θ't和待检测变压器的声音信号的频谱分量更新所述预设重构残差向量et,更新所述预设重构残差向量et的计算公式为:
令t=t+1,如果连续两次迭代所得残差向量变化率ζ大于所述预设变化率阈值δ或者满足t≤P,则返回步骤6c,否则停止迭代;此处所述预设变化率阈值δ设为1%,所述残差向量变化率ζ的计算公式为
6f.根据所述重构原子矩阵A和所述重构稀疏系数的估计值θ'计算所述待测试变压器的声音信号的频谱分量的重构分量计算公式为:
(7)将所述重构分量与所述待测试变压器的声音信号的频谱分量进行比较,若二者相对误差的模值小于所述预设误差阈值5%,则判断待测试变压器运行状态正常;若二者相对误差的模值大于5%,则判断待测试变压器运行状态出现了异常。此处,利用所述历史基矩阵对测得的所述待测试变压器的声音信号的频谱分量进行重构,计算得到所述重构分量与所述频谱分量的相对误差模值为1.07%,从而判断待测试变压器运行状态未出现异常。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图14所示,提供了一种变压器工作状态检测装置10,所述装置包括标准信号获取模块100、频谱转换模块200、基矩阵提取模块300、重构分量获取模块400和状态判断模块500。
所述标准信号获取模块100用于获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
所述频谱转换模块200用于对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
所述基矩阵提取模块300用于根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
所述重构分量获取模块400用于根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
所述状态判断模块500用于根据所述重构分量判断所述待测试变压器的工作状态。
在一个实施例中,所述基矩阵提取模块300包括归一化单元和提取单元。所述归一化单元用于对所述频谱矩阵进行归一化处理,得到归一化频谱矩阵;所述提取单元用于从所述归一化频谱矩阵中提取所述历史基矩阵。
在一个实施例中,所述提取单元具体用于建立预设历史基矩阵和预设系数矩阵,其中,所述预设历史基矩阵的行数与所述归一化频谱矩阵的行数相同,所述预设历史基矩阵的列数与所述预设系数矩阵的行数相同,所述预设系数矩阵的列数与所述归一化频谱矩阵的列数相同;对所述预设系数矩阵进行初始化迭代计算,得到中间系数矩阵,其中,所述中间系数矩阵内的所有元素均为正值;对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算,直至所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差小于预设误差限值,得到所述历史基矩阵。
在一个实施例中,所述提取单元还具体用于对所述预设系数矩阵进行初始化,得到初始化系数矩阵;对所述初始化系数矩阵进行迭代计算,得到所述中间系数矩阵。
在一个实施例中,所述提取单元还具体用于根据公式Sj={sij}得到所述初始化系数矩阵,其中,Sj为所述初始化系数矩阵第j列向量的初始值;
Sj={sij}i=1,2,L,r,j=1,2,L,N
R=rand(r,N)
N为所述初始化系数矩阵的列数,r为所述初始化系数矩阵的行数,且有r<P,P为所述归一化频谱矩阵的行数,矩阵R为行数为r,列数为N的随机矩阵,R的元素为0~1之间随机数,Rij为矩阵R的第i行第j列元素,L1为向量Sj的一阶范数,Sh为所述初始化系数矩阵的系数分布参数,且0<Sh<1。
在一个实施例中,所述提取单元还具体用于建立集合Z,并对所述集合Z赋初值,令Z={};
从第一列开始至最后一列依次对所述初始化系数矩阵中的各列向量Sj(j=1,2,…,N)通过公式(1)进行迭代计算:
mk={mik}
Sj(k+1)=mk+γ(Sj(k)-mk)γ≥0
其中,Sj(k)为第k次迭代后向量Sj的值,mk为第k次迭代后的系数分配向量,mik为向量mk的元素,Sj(k+1)为第k+1次迭代后向量Sj的值,γ的取值使得向量Sj(k+1)满足||Sj(k+1)||2=1;
判断向量Sj(k+1)的元素sij(k+1)是否满足
若否,则令
Z=ZU{i|sij(k+1)<0}
重新通过公式(1)进行迭代计算,其中,Z为向量Sj(k+1)中的负数元素所在行的序号组成的集合;
若是,则停止迭代,得到所述中间系数矩阵。
在一个实施例中,所述提取单元还具体用根据公式(3)对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算,得到所述历史基矩阵:
B(k+1)=B(k)-μW(k) T(W(k)B(k)-Y)
其中,wij(k+1)为第k+1次迭代后所述预设历史基矩阵中的元素,wij(k)为第k次迭代后所述预设历史基矩阵中的元素,bjq(k)为第k次迭代后所述中间系数矩阵中的元素,Y为所述归一化频谱矩阵,W(k)为第k次迭代后的所述预设历史基矩阵,其中,初始值W(0)由Y的N列元素中随机选择r列元素组成,B(k)为第k次迭代后的所述中间系数矩阵,B(k+1)为第k+1次迭代后的所述中间系数矩阵,μ为计算步长;
判断所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差是否小于所述预设误差限值;
若否,则重新通过公式(3)进行迭代计算;
若是,则迭代结束,得到所述历史基矩阵。
在一个实施例中,所述重构分量获取模块400包括频谱分量获取单元和重构分量计算单元。所述频谱分量获取单元用于获取所述待测试变压器的声音信号的频谱分量;所述重构分量计算单元用于根据所述历史基矩阵采用正交匹配跟踪算法计算所述待测试变压器的声音信号的频谱分量的重构分量。
在一个实施例中,所述重构分量计算单元具体用于建立预设重构信号索引集、预设重构原子矩阵和预设重构残差向量;对所述预设重构信号索引集、所述预设重构原子矩阵和所述预设重构残差向量分别进行初始化,得到初始重构信号索引集、初始重构原子矩阵和初始重构残差向量;根据所述历史基矩阵对所述预设重构信号索引集和所述预设重构原子矩阵进行迭代计算,得到迭代重构信号索引集和迭代重构原子矩阵;根据所述初始重构残差向量和所述迭代信号索引集,计算重构稀疏系数的估计值;根据所述重构稀疏系数的估计值和所述待测试变压器的声音信号的频谱分量更新所述初始重构残差向量,得到更新重构残差向量;当残差向量变化率小于等于预设变化率阈值或迭代次数大于所述归一化频谱矩阵的列数时,停止迭代,得到重构原子矩阵,其中所述残差向量变化率是指两次迭代所得的所述更新重构残差向量的差值;根据所述重构原子矩阵和所述重构稀疏系数的估计值计算所述频谱分量的重构分量。
在一个实施例中,所述重构分量计算单元还具体用于计算所述历史基矩阵每个列向量与所述重构残差向量的内积,并获取所述内积中最大值对应的列向量的序号;将所述内积中最大值对应的列向量的序号更新至所述预设重构信号索引集,得到所述迭代重构信号索引集;将所述内积中最大值对应的列向量更新至所述预设重构原子矩阵,得到所述迭代重构原子矩阵。
在一个实施例中,所述状态判断模块500包括相对误差模值获取单元和判断单元。所述相对误差模值获取单元用于获取所述待测试变压器的声音信号的频谱分量与所述重构分量的相对误差模值;所述判断单元用于若所述相对误差模值小于预设误差阈值,则所述待测试变压器运行正常;否则,所述待测试变压器运行异常。
在一个实施例中,所述标准信号获取模块100包括连续信号获取单元和分段加窗单元。所述连续信号获取单元用于获取所述变压器的连续声音信号,其中,所述连续声音信号是指变压器在正常运行情况下的连续的历史声音信号;所述分段加窗单元用于对所述连续声音信号进行分段加窗处理,得到多段所述标准声音信号。
关于所述变压器工作状态检测装置10的具体限定可以参见上文中对于变压器工作状态检测方法的限定,在此不再赘述。上述变压器工作状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
根据所述重构分量判断所述待测试变压器的工作状态。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
根据所述重构分量判断所述待测试变压器的工作状态。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种变压器工作状态检测方法,其特征在于,所述方法包括:
获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
根据所述重构分量判断所述待测试变压器的工作状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述频谱矩阵提取历史基矩阵,包括:
对所述频谱矩阵进行归一化处理,得到归一化频谱矩阵;
从所述归一化频谱矩阵中提取所述历史基矩阵。
3.根据权利要求2所述的方法,其特征在于,所述从所述归一化频谱矩阵中提取所述历史基矩阵,包括:
建立预设历史基矩阵和预设系数矩阵,其中,所述预设历史基矩阵的行数与所述归一化频谱矩阵的行数相同,所述预设历史基矩阵的列数与所述预设系数矩阵的行数相同,所述预设系数矩阵的列数与所述归一化频谱矩阵的列数相同;
对所述预设系数矩阵进行初始化迭代计算,得到中间系数矩阵,其中,所述中间系数矩阵内的所有元素均为正值;
对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算,直至所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差小于预设误差限值,得到所述历史基矩阵。
4.根据权利要求3所述的方法,其特征在于,所述对所述预设系数矩阵进行初始化迭代计算,得到中间系数矩阵,包括:
对所述预设系数矩阵进行初始化,得到初始化系数矩阵;
对所述初始化系数矩阵进行迭代计算,得到所述中间系数矩阵。
5.根据权利要求4所述的方法,其特征在于,所述对所述预设系数矩阵进行初始化,得到初始化系数矩阵,包括:
根据公式Sj={sij}得到所述初始化系数矩阵,其中,Sj为所述初始化系数矩阵第j列向量的初始值;
Sj={sij}i=1,2,L,r,j=1,2,L,N
R=rand(r,N)
sij为向量Sj的元素,N为所述初始化系数矩阵的列数,r为所述初始化系数矩阵的行数,且有r<P,P为所述归一化频谱矩阵的行数,矩阵R为行数为r,列数为N的随机矩阵,R的元素为0~1之间随机数,Rij为矩阵R的第i行第j列元素,L1为向量Sj的一阶范数,Sh为所述初始化系数矩阵的系数分布参数,且0<Sh<1。
6.根据权利要求5所述的方法,其特征在于,所述对所述初始化系数矩阵进行迭代计算,得到所述中间系数矩阵,包括:
建立集合Z,并对所述集合Z赋初值,令Z={};
从第一列开始至最后一列依次对所述初始化系数矩阵中的各列向量Sj(j=1,2,…,N)通过公式(1)进行迭代计算:
其中,Sj(k)为第k次迭代后向量Sj的值,mk为第k次迭代后的系数分配向量,mik为向量mk的元素,Sj(k+1)为第k+1次迭代后向量Sj的值,γ的取值使得向量Sj(k+1)满足||Sj(k+1)||2=1;
判断向量Sj(k+1)的元素sij(k+1)是否满足
若否,则令
Z=ZU{i|sij(k+1)<0}
重新通过公式(1)进行迭代计算,其中,Z为向量Sj(k+1)中的负数元素所在行的序号组成的集合;
若是,则停止迭代,得到所述中间系数矩阵。
7.根据权利要求6所述的方法,其特征在于,对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算,直至所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差小于预设误差限值,得到所述历史基矩阵,包括:
根据公式(3)对所述预设历史基矩阵和所述中间系数矩阵进行迭代计算,得到所述历史基矩阵:
其中,wij(k+1)为第k+1次迭代后所述预设历史基矩阵中的元素,wij(k)为第k次迭代后所述预设历史基矩阵中的元素,bjq(k)为第k次迭代后所述中间系数矩阵中的元素,Y为所述归一化频谱矩阵,W(k)为第k次迭代后的所述预设历史基矩阵,其中,初始值W(0)由Y的N列元素中随机选择r列元素组成,B(k)为第k次迭代后的所述中间系数矩阵,B(k+1)为第k+1次迭代后的所述中间系数矩阵,μ为计算步长;
判断所述预设历史基矩阵和所述中间系数矩阵乘积与所述归一化频谱矩阵的误差是否小于所述预设误差限值;
若否,则重新通过公式(3)进行迭代计算;
若是,则迭代结束,得到所述历史基矩阵。
8.根据权利要求1所述的方法,其特征在于,所述根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量,包括:
获取所述待测试变压器的声音信号的频谱分量;
根据所述历史基矩阵采用正交匹配跟踪算法计算所述待测试变压器的声音信号的频谱分量的重构分量。
9.根据权利要求8所述的方法,其特征在于,所述根据所述历史基矩阵采用正交匹配跟踪算法计算所述频谱分量的重构分量,包括:
建立预设重构信号索引集、预设重构原子矩阵和预设重构残差向量;
对所述预设重构信号索引集、所述预设重构原子矩阵和所述预设重构残差向量分别进行初始化,得到初始重构信号索引集、初始重构原子矩阵和初始重构残差向量;
根据所述历史基矩阵对所述预设重构信号索引集和所述预设重构原子矩阵进行迭代计算,得到迭代重构信号索引集和迭代重构原子矩阵;
根据所述初始重构残差向量和所述迭代信号索引集,计算重构稀疏系数的估计值;
根据所述重构稀疏系数的估计值和所述待测试变压器的声音信号的频谱分量更新所述初始重构残差向量,得到更新重构残差向量;
当残差向量变化率小于等于预设变化率阈值或迭代次数大于归一化频谱矩阵的列数时,停止迭代,得到重构原子矩阵,其中所述残差向量变化率是指两次迭代所得的所述更新重构残差向量的差值;
根据所述重构原子矩阵和所述重构稀疏系数的估计值计算所述频谱分量的重构分量。
10.根据权利要求9所述的方法,其特征在于,所述根据所述历史基矩阵对所述预设重构信号索引集和所述预设重构原子矩阵进行迭代计算,得到迭代重构信号索引集和迭代重构原子矩阵,包括:
计算所述历史基矩阵每个列向量与所述重构残差向量的内积,并获取所述内积中最大值对应的列向量的序号;
将所述内积中最大值对应的列向量的序号更新至所述预设重构信号索引集,得到所述迭代重构信号索引集;
将所述内积中最大值对应的列向量更新至所述预设重构原子矩阵,得到所述迭代重构原子矩阵。
11.根据权利要求8所述的方法,其特征在于,所述根据所述重构分量判断所述待测试变压器的工作状态,包括:
获取所述待测试变压器的声音信号的频谱分量与所述重构分量的相对误差模值;
若所述相对误差模值小于预设误差阈值,则所述待测试变压器运行正常;
否则,所述待测试变压器运行异常。
12.根据权利要求1所述的方法,其特征在于,所述获取多段变压器的标准声音信号,包括:
获取所述变压器的连续声音信号,其中,所述连续声音信号是指变压器在正常运行情况下的连续的历史声音信号;
对所述连续声音信号进行分段加窗处理,得到多段所述标准声音信号。
13.一种变压器工作状态检测装置,其特征在于,所述装置包括:
标准信号获取模块,用于获取多段变压器的标准声音信号,其中,所述标准声音信号是指变压器在正常运行情况下的历史声音信号;
频谱转换模块,用于对各所述标准声音信号进行离散傅里叶变换,并获取各所述标准声音信号的频谱分量幅值,形成频谱矩阵;
基矩阵提取模块,用于根据所述频谱矩阵提取历史基矩阵,其中,所述历史基矩阵是指表征所述标准声音信号的特征的矩阵;
重构分量获取模块,用于根据所述历史基矩阵计算待测试变压器声音信号的频谱分量的重构分量;
状态判断模块,用于根据所述重构分量判断所述待测试变压器的工作状态。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559944.5A CN110376455B (zh) | 2019-06-26 | 2019-06-26 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559944.5A CN110376455B (zh) | 2019-06-26 | 2019-06-26 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376455A true CN110376455A (zh) | 2019-10-25 |
CN110376455B CN110376455B (zh) | 2021-11-16 |
Family
ID=68249484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559944.5A Active CN110376455B (zh) | 2019-06-26 | 2019-06-26 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376455B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307998A (zh) * | 2020-11-06 | 2021-02-02 | 华北电力大学 | 一种利用模式判决的变压器运行状态振声检测方法和系统 |
CN112539827A (zh) * | 2020-12-04 | 2021-03-23 | 五凌电力有限公司 | 基于频率能量占比的机组机械振动评估方法和系统 |
CN112697270A (zh) * | 2020-12-07 | 2021-04-23 | 广州极飞科技有限公司 | 故障检测方法、装置、无人设备及存储介质 |
CN113250961A (zh) * | 2021-05-10 | 2021-08-13 | 广东葆德科技有限公司 | 一种压缩机故障检测方法及检测系统 |
CN113266569A (zh) * | 2021-05-10 | 2021-08-17 | 广东葆德科技有限公司 | 一种基于噪声的压缩机的故障检测方法和检测系统 |
CN113985156A (zh) * | 2021-09-07 | 2022-01-28 | 绍兴电力局柯桥供电分局 | 一种基于变压器声纹大数据的智能故障识别方法 |
CN114089224A (zh) * | 2021-11-16 | 2022-02-25 | 国网湖南省电力有限公司 | 一种利用声音检测判断变压器铁芯松动的方法及系统 |
CN114113837A (zh) * | 2021-11-15 | 2022-03-01 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于声学特征的变压器带电检测方法及系统 |
CN114137444A (zh) * | 2021-11-29 | 2022-03-04 | 国网山东省电力公司日照供电公司 | 一种基于声信号的变压器运行状态监测方法及系统 |
CN114279727A (zh) * | 2021-12-03 | 2022-04-05 | 国网江苏省电力有限公司宿迁供电分公司 | 一种判断变压器冷却装置老化的方法 |
CN114659620A (zh) * | 2022-03-28 | 2022-06-24 | 广东电网有限责任公司 | 一种断路器的声信号提取方法及系统 |
CN116798119A (zh) * | 2023-05-25 | 2023-09-22 | 福莱克斯电子(深圳)有限公司 | 变压器噪声预测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823180A (zh) * | 2014-02-27 | 2014-05-28 | 国家电网公司 | 一种配电开关机械故障诊断方法 |
CN103983850A (zh) * | 2014-05-13 | 2014-08-13 | 天津大学 | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 |
CN107101714A (zh) * | 2017-05-09 | 2017-08-29 | 华北电力大学(保定) | 一种基于多测点振动信号特征的变压器健康状况评估方法 |
CN108957262A (zh) * | 2018-07-26 | 2018-12-07 | 深圳友讯达科技股份有限公司 | 信号降噪方法及装置 |
CN109374119A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 变压器振动信号特征量提取方法 |
-
2019
- 2019-06-26 CN CN201910559944.5A patent/CN110376455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823180A (zh) * | 2014-02-27 | 2014-05-28 | 国家电网公司 | 一种配电开关机械故障诊断方法 |
CN103983850A (zh) * | 2014-05-13 | 2014-08-13 | 天津大学 | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 |
CN107101714A (zh) * | 2017-05-09 | 2017-08-29 | 华北电力大学(保定) | 一种基于多测点振动信号特征的变压器健康状况评估方法 |
CN108957262A (zh) * | 2018-07-26 | 2018-12-07 | 深圳友讯达科技股份有限公司 | 信号降噪方法及装置 |
CN109374119A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 变压器振动信号特征量提取方法 |
Non-Patent Citations (1)
Title |
---|
RUOCHEN DUAN, FENGHUA WANG: "Fault Diagnosis of On-Load Tap-Changer in Converter Transformer Based on Time–Frequency Vibration Analysis", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307998A (zh) * | 2020-11-06 | 2021-02-02 | 华北电力大学 | 一种利用模式判决的变压器运行状态振声检测方法和系统 |
CN112307998B (zh) * | 2020-11-06 | 2021-11-19 | 华北电力大学 | 一种利用模式判决的变压器运行状态振声检测方法和系统 |
CN112539827A (zh) * | 2020-12-04 | 2021-03-23 | 五凌电力有限公司 | 基于频率能量占比的机组机械振动评估方法和系统 |
CN112697270A (zh) * | 2020-12-07 | 2021-04-23 | 广州极飞科技有限公司 | 故障检测方法、装置、无人设备及存储介质 |
CN113250961A (zh) * | 2021-05-10 | 2021-08-13 | 广东葆德科技有限公司 | 一种压缩机故障检测方法及检测系统 |
CN113266569A (zh) * | 2021-05-10 | 2021-08-17 | 广东葆德科技有限公司 | 一种基于噪声的压缩机的故障检测方法和检测系统 |
CN113985156A (zh) * | 2021-09-07 | 2022-01-28 | 绍兴电力局柯桥供电分局 | 一种基于变压器声纹大数据的智能故障识别方法 |
CN114113837A (zh) * | 2021-11-15 | 2022-03-01 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于声学特征的变压器带电检测方法及系统 |
CN114113837B (zh) * | 2021-11-15 | 2024-04-30 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于声学特征的变压器带电检测方法及系统 |
CN114089224A (zh) * | 2021-11-16 | 2022-02-25 | 国网湖南省电力有限公司 | 一种利用声音检测判断变压器铁芯松动的方法及系统 |
CN114137444A (zh) * | 2021-11-29 | 2022-03-04 | 国网山东省电力公司日照供电公司 | 一种基于声信号的变压器运行状态监测方法及系统 |
CN114137444B (zh) * | 2021-11-29 | 2024-04-02 | 国网山东省电力公司日照供电公司 | 一种基于声信号的变压器运行状态监测方法及系统 |
CN114279727A (zh) * | 2021-12-03 | 2022-04-05 | 国网江苏省电力有限公司宿迁供电分公司 | 一种判断变压器冷却装置老化的方法 |
CN114279727B (zh) * | 2021-12-03 | 2024-02-09 | 国网江苏省电力有限公司宿迁供电分公司 | 一种判断变压器冷却装置老化的方法 |
CN114659620A (zh) * | 2022-03-28 | 2022-06-24 | 广东电网有限责任公司 | 一种断路器的声信号提取方法及系统 |
CN114659620B (zh) * | 2022-03-28 | 2024-01-26 | 广东电网有限责任公司 | 一种断路器的声信号提取方法及系统 |
CN116798119A (zh) * | 2023-05-25 | 2023-09-22 | 福莱克斯电子(深圳)有限公司 | 变压器噪声预测方法、装置、电子设备及存储介质 |
CN116798119B (zh) * | 2023-05-25 | 2024-01-30 | 福莱克斯电子(深圳)有限公司 | 变压器噪声预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110376455B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376455A (zh) | 变压器工作状态检测方法、装置、计算机设备和存储介质 | |
Gao et al. | Missing data recovery by exploiting low-dimensionality in power system synchrophasor measurements | |
Belagoune et al. | Deep learning through LSTM classification and regression for transmission line fault detection, diagnosis and location in large-scale multi-machine power systems | |
Gao et al. | A physically inspired data-driven model for electricity theft detection with smart meter data | |
Cai et al. | Wide-area monitoring of power systems using principal component analysis and $ k $-nearest neighbor analysis | |
Ardakanian et al. | Event detection and localization in distribution grids with phasor measurement units | |
Majidi et al. | Distribution system state estimation using compressive sensing | |
Guo et al. | A novel radial basis function neural network principal component analysis scheme for PMU-based wide-area power system monitoring | |
Zhou et al. | Power distribution network dynamic topology awareness and localization based on subspace perturbation model | |
CN109241944A (zh) | 一种基于改进多分类支持向量机的配电网故障识别方法 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
Jin et al. | Mode identification of low‐frequency oscillations in power systems based on fourth‐order mixed mean cumulant and improved TLS‐ESPRIT algorithm | |
Shi et al. | Diagnosis of the single phase‐to‐ground fault in distribution network based on feature extraction and transformation from the waveforms | |
Nguyen et al. | Distributed dynamic state-input estimation for power networks of Microgrids and active distribution systems with unknown inputs | |
Zhang et al. | Detection of single-phase-to-ground faults in distribution networks based on Gramian Angular Field and Improved Convolutional Neural Networks | |
CN109635430B (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
Gholami et al. | D-PMU data generation and anomaly detection using statistical and clustering techniques | |
Hao et al. | Smart grid health monitoring via dynamic compressive sensing | |
Zhu et al. | Auto-starting semisupervised-learning-based identification of synchrophasor data anomalies | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach | |
CN112731150B (zh) | 电压暂降状态估计方法、装置、计算机设备和存储介质 | |
CN112632762B (zh) | 光伏电站故障监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |