CN110398647A - 变压器状态监测方法 - Google Patents

Abstract

本申请涉及一种变压器状态监测方法。所述变压器状态监测方法通过构建听觉特征参数提取模型模拟人耳的听觉特性，主动滤噪。所述变压器状态监测方法减小了环境噪声对判别所述待测变压器状态的影响，提高了所述待测变压器状态判别的准确性。此外，所述变压器状态监测方法通过所述信息熵大小进行加权使得含有特征信息更多的特征参数在相关度分析占更大的比重，能更准确地反映特征参数之间的相关程度。所述变压器状态监测方法设置了状态判别标准，有效了避免人为因素的干扰，进一步提高了所述待测变压器状态判别的准确性。

Description

变压器状态监测方法

技术领域

本申请涉及检测技术领域，特别是涉及一种变压器状态监测方法。

背景技术

变压器是电力系统中的关键设备之一，其运行状态直接关系到整个电力系统的安全稳定运行。对变压器进行状态监测，可以实时掌握变压器的运行状态，及时地进行故障预警，防范于未然。同时指导变压器的运行维护和状态检修，避免非计划性停电，延迟变压器的使用寿命，这对确保变压器及电力系统的安全稳定运行意义重大。

变压器第一声音信号的分析处理常采用快速傅里叶变换算法与小波分析算法。但是，快速傅里叶算法较难以分析非平稳的故障声信号，而小波分析会受到所选小波基的局限。采用快速傅里叶变换算法与小波分析算法判断变压器的运行状态准确性不高。怎样才能提高变压器状态判别准确性是亟待解决的问题。

发明内容

基于此，有必要针对怎样才能提高变压器状态判别准确性的问题，提供一种变压器状态监测方法。

一种变压器状态监测方法包括：

设定所述变压器的声音信号的采样频率和采样时长，并采集所述变压器的第一声音信号。

根据所述第一声音信号，构建听觉特征参数提取模型。

获取正常运行状态下的所述变压器的第二声音信号，并带入所述听觉特征参数提取模型，得到标准听觉特征参数矩阵。

获取待测所述变压器的第三声音信号，并带入所述听觉特征参数提取模型，得到待测听觉特征参数矩阵。

计算所述待测听觉特征参数矩阵与所述标准听觉特征参数矩阵的信息熵加权灰色关联度。

根据所述信息熵加权灰色关联度判断所述变压器运行是否正常。

在一个实施例中，对所述第一声音信号进行处理，并构建听觉特征参数提取模型的步骤包括：

对所述第一声音信号进行压缩变换，得到所述第一声音信号的一维压缩序列。

基于所述第一声音信号，构建耳蜗滤波器组。

基于所述一维压缩序列和所述耳蜗滤波器组，构建所述听觉特征参数矩阵。

在一个实施例中，对所述第一声音信号进行压缩变换，得到所述第一声音信号的一维压缩序列的步骤，包括：

对所述第一声音信号进行加窗分段处理，得到多段第一声音信号段，每个所述第一声音信号段包含多个采样点。

将所述多段第一声音信号段包含的所述多个采样点表示成样本矩阵。

对所述样本矩阵进行矩阵变换，并得到所述一维压缩序列。

在一个实施例中，对所述样本矩阵进行矩阵变换，并得到所述一维压缩序列的步骤包括：

对所述样本矩阵进行矩阵变换，得到目标矩阵：

基于所述目标矩阵，获得所述一维压缩序列。

在一个实施例中，对所述第一声音信号进行加窗分段处理，得到多段第一声音信号段，每个所述第一声音信号段包含多个采样点的步骤中，相邻两段所述第一声音信号段部分重合。

在一个实施例中，基于所述第一声音信号，构建耳蜗滤波器组的步骤包括：

对所述第一声音信号进行离散傅里叶变换，得到所述第一声音信号的频谱分布。

根据所述第一声音信号的频谱分布，设计耳蜗滤波器组。

在一个实施例中，基于所述一维压缩序列和所述耳蜗滤波器组，构建所述听觉特征参数矩阵的步骤包括：

将所述一维压缩序列代入所述耳蜗滤波器组，计算每个滤波器所覆盖的频谱范围内的耳蜗特征系数，并得到耳蜗特征系数矩阵。

根据所述耳蜗特征系数矩阵，构建所述听觉特征参数矩阵。

在一个实施例中，根据所述耳蜗特征系数矩阵，构建所述听觉特征参数矩阵的步骤还包括：

采用矩形窗对所述耳蜗特征系数矩阵进行截取。

计算所述矩形窗的平均功率，并得到所述功率系数矩阵。

对功率系数矩阵进行非线性离散余弦变换，得到所述听觉特征参数矩阵。

在一个实施例中，在对功率系数矩阵进行非线性离散余弦变换，得到所述听觉特征参数矩阵的步骤之后，还包括：

对所述听觉特征参数矩阵进行归一化处理。

在一个实施例中，计算所述待测听觉特征参数矩阵与所述标准听觉特征参数矩阵的信息熵加权灰色关联度的步骤包括：

对归一化后的所述听觉特征参数矩阵按行计算信息熵与信息熵权值。

根据所述信息熵权值，计算所述信息熵加权灰色关联度。

在一个实施例中，根据所述信息熵加权灰色关联度判断所述待测变压器运行是否正常的步骤包括：

若所述信息熵加权灰色关联度大于或等于设定值，则判断所述待测变压器运行正常。

本申请提供的所述变压器状态监测方法，包括设定采样频率和采样时长，并采集所述变压器的第一声音信号。对所述第一声音信号进行处理，并构建听觉特征参数提取模型。获取正常运行状态下的所述变压器的第二声音信号，并带入所述听觉特征参数提取模型，得到标准听觉特征参数矩阵。获取待测所述变压器的第三声音信号，并带入所述听觉特征参数提取模型，得到待测听觉特征参数矩阵。计算所述待测听觉特征参数矩阵与所述标准听觉特征参数矩阵的信息熵加权灰色关联度。根据所述信息熵加权灰色关联度判断所述待测变压器运行是否正常。

所述变压器状态监测方法通过构建听觉特征参数提取模型模拟人耳的听觉特性，主动滤噪。所述变压器状态监测方法减小了环境噪声对判别所述待测变压器状态的影响，提高了所述待测变压器状态判别的准确性。此外，所述变压器状态监测方法通过所述信息熵大小进行加权使得含有特征信息更多的特征参数在相关度分析占更大的比重，能更准确地反映特征参数之间的相关程度。所述变压器状态监测方法设置了状态判别标准，有效了避免人为因素的干扰，进一步提高了所述待测变压器状态判别的准确性。

附图说明

图1为本申请一个实施例中提供的所述变压器状态监测方法的流程示意图；

图2为本申请另一个实施例中提供的所述变压器状态监测方法的流程示意图；

图3为本申请另一个实施例中提供的所述变压器状态监测方法的流程示意图；

图4为本申请另一个实施例中提供的所述待测变压器的所述第三声音信号的波形图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

请参见图1，本申请实施例提供一种变压器状态监测方法，包括：

S100，设定所述变压器的声音信号的采样频率和采样时长，并采集所述变压器的第一声音信号。

S200，根据所述第一声音信号，构建听觉特征参数提取模型。

S300，获取正常运行状态下的所述变压器的第二声音信号，并带入所述听觉特征参数提取模型，得到标准听觉特征参数矩阵。

S400，获取待测所述变压器的第三声音信号，并带入所述听觉特征参数提取模型，得到待测听觉特征参数矩阵。

S500，计算所述待测听觉特征参数矩阵与所述标准听觉特征参数矩阵的信息熵加权灰色关联度。

S600，根据所述信息熵加权灰色关联度判断所述变压器运行是否正常。

本申请提供的所述变压器状态监测方法，通过构建听觉特征参数提取模型模拟人耳的听觉特性，主动滤噪。所述变压器状态监测方法减小了环境噪声对判别所述待测变压器状态的影响，提高了所述待测变压器状态判别的准确性。此外，所述变压器状态监测方法通过所述信息熵大小进行加权使得含有特征信息更多的特征参数在相关度分析占更大的比重，能更准确地反映特征参数之间的相关程度。所述变压器状态监测方法设置了状态判别标准，有效了避免人为因素的干扰，进一步提高了所述待测变压器状态判别的准确性。

在所述步骤S100中所述变压器的声音信号包括所述第一声音信号、所述第二声音信号和所述第三声音信号。所述第一声音信号、所述第二声音信号和所述第三声音信号的所述采样频率和所述采样时长可以分别不同，也可以分别相同。所述第一声音信号表征物理参数，用于所述声音信号的程序处理。本申请中，所述第一声音信号不代表具体数值，所述第一声音信号表征物理参数，用于所述声音信号的程序处理。

请一并参见图2，在一个实施例中，所述步骤S200包括：

S210，对所述第一声音信号进行压缩变换，得到所述第一声音信号的一维压缩序列。对所述变压器的所述第一声音信号进行压缩变换，能在保证所述变压器运行状态判别结果准确的前提下对所述第一声音信号进行压缩，提高了计算效率。此外，所选取的变换矩阵能够在高频噪声环境下增强参数模型的鲁棒性。

S220，基于所述第一声音信号，构建耳蜗滤波器组。

S230，基于所述一维压缩序列和所述耳蜗滤波器组，构建所述听觉特征参数矩阵。

人的听觉系统在听音辨物方面有独特的优越性，且具有优良的抗噪声性能。人的听觉系统能在极低的信噪比下有效提取目标语音特征。所述耳蜗滤波器的滤波器冲激响应与人耳耳蜗中行波传输特性相一致。所述耳蜗滤波器的带宽和中心频率可以在符合人耳听觉特性的前提下，根据变压器的频谱分布设置。所述耳蜗滤波器既具有人耳听觉系统良好地抗噪性，又符合变压器自身特征，使得所述变压器的声音信号特征得到有效地提取。

所述变压器的所述第一声音信号的所述听觉特征参数矩阵的计算过程模拟了人耳的听觉特性，具有良好的抗噪判别能力，进一步增强了参数模型的噪声鲁棒性。

请一并参见图3，在一个实施例中，所述步骤S210包括：

S211，对所述第一声音信号进行加窗分段处理，得到多段第一声音信号段，每个所述第一声音信号段包含多个采样点。

S212，将所述多段第一声音信号段包含的所述多个采样点表示成样本矩阵，其中所述样本矩阵为：

其中，i为第一声音信号段，共L段所述第一声音信号段，j表示采样点，每段所述第一声音信号段包含N个所述采样点，x表示声压，X_L×N表示样本矩阵。所述第一声音信号段的选取以每段声信号能看作平稳信号为宜。

S213，对所述样本矩阵进行矩阵变换，并得到所述一维压缩序列。

在一个实施例中，所述步骤S213包括：

S11，对所述样本矩阵进行矩阵变换，得到目标矩阵，其中所述目标矩阵为：

Y_L×M＝X_L×N×Φ_N×M Y∈R^L×M (2)

其中，Φ_N×M为变换矩阵，所述目标矩阵为Y_L×M。

S12，基于所述目标矩阵，获得所述一维压缩序列，其中所述一维压缩序列为：

y＝(y₁ y₂ … y_i … y_L)，1≤i≤L (4)

其中，为Φ_jk所述变换矩阵Φ_N×M的第j行第k列元素，y为所述一维压缩序列。

在一个实施例中，在所述步骤S211中相邻两段所述第一声音信号段部分重合，避免相邻两段所述第一声音信号段的变化过大，保证检测的的准确性。

在一个实施例中，所述步骤S220包括：

S221，对所述第一声音信号进行离散傅里叶变换，得到所述第一声音信号的频谱分布，其中所述离散傅里叶变换的计算公式为：

Z(f)＝Z((k×f_s)/N₀)0≤f≤f_s/2 (8)

其中，N₀为第一声音信号频谱分布的长度，k为离散频谱线号，f为谱线号k对应的频率，s(n)为所述第一声音信的s(t)离散化表示，Z(f)为所述频谱分布。

S222，根据所述第一声音信号的频谱分布，设计耳蜗滤波器组。其中第i个耳蜗滤波器的离散时间冲激响应函数及中心频率分别为：

1≤i≤P(11)

其中，为所述离散时间冲激响应函数，f_ci为所述中心频率，P为所述耳蜗滤波器的个数，Q₀为品质因子，B₀为最小带宽，α、β为正实数，θ为初始相位，u(t)为单位阶跃函数，f_L和f_H分别为耳蜗滤波器组的最低中心频率和截止频率，由变压器声信号的频谱分布决定，a_i为第i个耳蜗滤波器的尺度因子，有a_i＝f_L/f_ci，b是时移因子，其变化范围为从1到N_s。

在一个实施例中，所述步骤S230包括：

S231，将所述一维压缩序列代入所述耳蜗滤波器组，计算每个滤波器所覆盖的频谱范围内的耳蜗特征系数，并得到耳蜗特征系数矩阵。所述耳蜗特征系数矩阵的第i行向量可表示为：

为所述耳蜗特征系数矩阵。

S232，根据所述耳蜗特征系数矩阵，构建所述听觉特征参数矩阵。

在一个实施例中，所述步骤S232包括：

S21，采用矩形窗对所述耳蜗特征系数矩阵进行截取。所述矩形窗为[R_wi,L_R]，i＝1,2,…,P，其中，R_wi为对耳蜗特征系数矩阵的第i行向量进行截取时的矩形窗的长度，L_R为矩形窗的移动长度，所述的矩形窗的长度R_wi和移动长度L_R可分别表示为：

v＝N/M (14)

其中，v为压缩比。矩形窗的窗长随不同中心频率变化而改变，能够实现所述变压器的所述第一声音信号中的高频与低频分量对不同时间分辨率的不同需求，避免了长时间窗引起的高频分量信息丢失，提高了计算精度。

S22，计算所述矩形窗的平均功率，并得到所述功率系数矩阵。所述功率系数矩阵为：

S_P×Q＝{S_ij}i＝1,2,…,P且j＝1,2,…,Q (16)

其中，表示取整，S_P×Q为功率系数矩阵。

S23，对功率系数矩阵进行非线性离散余弦变换，得到所述听觉特征参数矩阵。

ω_ij＝[S_ij]1/3i＝1,2,…,P且j＝1,2,…,Q (20)

其中，C为所述听觉特征参数矩阵，ω_ij为系数矩阵ω的第i行第j列元素，C_ij为所述听觉特征参数矩阵C的第i行第j列元素。

在一个实施例中，所述步骤S23之后还包括：

S24，对所述听觉特征参数矩阵进行归一化处理。所述的归一化处理的计算公式为：

其中，为归一化处理的所述听觉特征参数矩阵，U_i为听觉特征参数矩阵C第i行的均值，δ_i为听觉特征参数矩阵C第i行的方差。

所述步骤S24中的归一化处理过程也可以减小声音采集器距离所述变压器的远近对所述声音信号的影响。所述声音采集器距离所述变压器越远采集得到的信号越微弱，但声音的时频谱分布规律是不随采集距离远近而改变的。因此归一化处理可以有效避免采集距离变化的影响。

在一个实施例中，所述步骤S500包括：

S510，对归一化后的所述听觉特征参数矩阵按行计算信息熵与信息熵权值。所述听觉特征参数矩阵的第i行的所述信息熵的计算公式为：

所述听觉特征参数矩阵的第i行的所述信息熵权值的计算公式为：

其中，为所述信息熵权值，E_i为所述信息熵，D为归一化后听觉特征参数矩阵的第i行的最大值与最小值组成的连续区间的分段数目，R_i1,R_i2,…,R_ik,…,R_iD(1≤k≤D)为听觉特征参数矩阵的第i行的元素分别落入第k段区间的数目，若则认为

S520，根据所述信息熵权值，计算所述信息熵加权灰色关联度。所述信息熵加权灰色关联度的计算公式为：

其中，γ为所述信息熵加权灰色关联度，γi为所述听觉特征参数矩阵C第i行和所述标准听觉特征参数矩阵C'第i行的灰色关联度，ρ为分辨系数，且有0＜ρ＜1。通过所述信息熵大小进行加权使得含有特征信息更多的特征向量在相关度分析占更大的比重，能更准确地反映特征参数之间的相关程度。

在一个实施例中，所述步骤S600包括：

S610，若所述信息熵加权灰色关联度大于或等于设定值，判断所述待测变压器运行正常。所述步骤S610给了所述变压器状态监测的定量评判标准，为变压器的监测提供了依据。

在一个实施例中，所述设定值为0.8，当所述信息熵加权灰色关联度大于或等于0.8时，所述待测变压器运行正常。若信息熵加权灰色关联度γ小于0.8，则判断变压器工作状态发生变化，此时需要及时对所述变压器进行检修处理，避免形成重大故障。

请一并参见图4，在一个实施例中，在所述步骤S100中，所述采样频率为f_s＝51200Hz，所述采集时间为T_s＝2s，采集到的所述第一声音信号如图4所示。

在所述步骤S200中，将所述声音信号s(t)分为L＝12段所述第一声音信号段。每段信号长度为N＝12288。相邻两段信号的重叠长度为G＝4096，以长度为N的每段声信号能看作平稳信号为宜。

在所述步骤S11中，所述的变换矩阵Φ的第一列为由1或-1组成的随机序列。第二列的第一个元素为第一列末尾元素乘以系数λ。且λ＞1。第二列的第j个元素依次为第一列的第j-1个元素。其中，2≤j≤N，以此类推，直到得到矩阵Φ的第M列为止，M＝3072。λ＝1.45。

在所述步骤S12中，N_s＝36864。

在所述步骤S222中，P＝18。Q₀＝9.26449。B₀＝24.7Hz。f_L＝50Hz。f_H＝1200Hz。α＝3。β＝0.2。θ＝0。

在所述步骤S520中，ρ＝0.5，所述设定值为0.8。对听觉特征参数矩阵C与历史听觉特征参数矩阵C'进行信息熵加权灰色关联度计算的结果为0.86，从而判断所述变压器的运行状态为正常。所述变压器状态监测方法能够高效、灵敏地检测出变压器工作状态的变化情况。

以上所述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，但并不能因此而理解为对本申请专利范围的限制。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 (11)

1.一种变压器状态监测方法，其特征在于，包括：

设定所述变压器的声音信号的采样频率和采样时长，并采集所述变压器的第一声音信号；

根据所述第一声音信号，构建听觉特征参数提取模型；

获取正常运行状态下的所述变压器的第二声音信号，并带入所述听觉特征参数提取模型，得到标准听觉特征参数矩阵；

获取待测所述变压器的第三声音信号，并带入所述听觉特征参数提取模型，得到待测听觉特征参数矩阵；

计算所述待测听觉特征参数矩阵与所述标准听觉特征参数矩阵的信息熵加权灰色关联度；

根据所述信息熵加权灰色关联度判断所述变压器运行是否正常。

2.如权利要求1所述的变压器状态监测方法，其特征在于，对所述第一声音信号进行处理，并构建听觉特征参数提取模型的步骤包括：

对所述第一声音信号进行压缩变换，得到所述第一声音信号的一维压缩序列；

基于所述第一声音信号，构建耳蜗滤波器组；

基于所述一维压缩序列和所述耳蜗滤波器组，构建所述听觉特征参数矩阵。

3.如权利要求2所述的变压器状态监测方法，其特征在于，对所述第一声音信号进行压缩变换，得到所述第一声音信号的一维压缩序列的步骤，包括：

对所述第一声音信号进行加窗分段处理，得到多段第一声音信号段，每个所述第一声音信号段包含多个采样点；

将所述多段第一声音信号段包含的所述多个采样点表示成样本矩阵；

对所述样本矩阵进行矩阵变换，并得到所述一维压缩序列。

4.如权利要求3所述的变压器状态监测方法，其特征在于，对所述样本矩阵进行矩阵变换，并得到所述一维压缩序列的步骤包括：

对所述样本矩阵进行矩阵变换，得到目标矩阵：

基于所述目标矩阵，获得所述一维压缩序列。

5.如权利要求3所述的变压器状态监测方法，其特征在于，对所述第一声音信号进行加窗分段处理，得到多段第一声音信号段，每个所述第一声音信号段包含多个采样点的步骤中，相邻两段所述第一声音信号段部分重合。

6.如权利要求4所述的变压器状态监测方法，其特征在于，基于所述第一声音信号，构建耳蜗滤波器组的步骤包括：

对所述第一声音信号进行离散傅里叶变换，得到所述第一声音信号的频谱分布；

根据所述第一声音信号的频谱分布，设计耳蜗滤波器组。

7.如权利要求6所述的变压器状态监测方法，其特征在于，基于所述一维压缩序列和所述耳蜗滤波器组，构建所述听觉特征参数矩阵的步骤包括：

将所述一维压缩序列代入所述耳蜗滤波器组，计算每个滤波器所覆盖的频谱范围内的耳蜗特征系数，并得到耳蜗特征系数矩阵；

根据所述耳蜗特征系数矩阵，构建所述听觉特征参数矩阵。

8.如权利要求7所述的变压器状态监测方法，其特征在于，根据所述耳蜗特征系数矩阵，构建所述听觉特征参数矩阵的步骤还包括：

采用矩形窗对所述耳蜗特征系数矩阵进行截取；

计算所述矩形窗的平均功率，并得到所述功率系数矩阵；

对功率系数矩阵进行非线性离散余弦变换，得到所述听觉特征参数矩阵。

9.如权利要求8所述的变压器状态监测方法，其特征在于，在对功率系数矩阵进行非线性离散余弦变换，得到所述听觉特征参数矩阵的步骤之后，还包括：

对所述听觉特征参数矩阵进行归一化处理。

10.如权利要求9所述的变压器状态监测方法，其特征在于，计算所述待测听觉特征参数矩阵与所述标准听觉特征参数矩阵的信息熵加权灰色关联度的步骤包括：

对归一化后的所述听觉特征参数矩阵按行计算信息熵与信息熵权值；

根据所述信息熵权值，计算所述信息熵加权灰色关联度。

11.如权利要求10所述的变压器状态监测方法，其特征在于，根据所述信息熵加权灰色关联度判断所述待测变压器运行是否正常的步骤包括：

若所述信息熵加权灰色关联度大于或等于设定值，则判断所述待测变压器运行正常。