CN110412366A - 一种基于动态时间算法的变压器带电检测方法 - Google Patents
一种基于动态时间算法的变压器带电检测方法 Download PDFInfo
- Publication number
- CN110412366A CN110412366A CN201910480106.9A CN201910480106A CN110412366A CN 110412366 A CN110412366 A CN 110412366A CN 201910480106 A CN201910480106 A CN 201910480106A CN 110412366 A CN110412366 A CN 110412366A
- Authority
- CN
- China
- Prior art keywords
- sound
- transformer
- vibration signal
- signal
- dynamic time
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于动态时间算法的变压器带电检测方法,涉及变压器故障诊断技术领域,利用声振阵列对多种正常状态下运行的变压器采集变压器声振信号,利用谱减算法对采集到的变压器声振信号进行预处理,得到纯净的声振信号;通过建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数对纯净的声振信号提取特征量,即模板特征;采用信噪比管理谱减算法检测待测试的变压器的声振信号;利用上述同样方法进行提取特征量;利用声振信号特征向量的时间序列与模板特征进行相似度比较,将相似度最高的特征量进行统计,得到识别结果,从而有效地解决了针对故障变压器声振信号识别中速度较慢的问题。
Description
技术领域
本发明属于变压器故障诊断技术领域,尤其涉及一种基于动态时间算法的变压器带电检测方法。
背景技术
在电力系统的各种设备中,变压器是比较昂贵且很重要的设备之一,其安全运行对保证电网安全意义重大。单以其本身价格计算,进口的250MVA/500kV变压器价格基本在400万美元/3台左右,平均每台133万美元,按到岸价格计算,其价格为人民币1676万元/台,而目前国内同规格的约为1000万元/台。如果一台大型电力变压器在运行时发生事故,可能导致大面积停电,而检修期一般要半年以上,不但花费很大,影响面也很广。
我国对在线检测的重要性认识较早,60年代就提出过不少带电试验的方法,开展电力设备在线监测已有二十余年,对提高电力设备的运行维护水平,及时发现事故隐患,减少停电事故起到积极作用。近年来,国内外对变电设备的在线检测进行了大量的研究,取得了很大进展,还有不少形成了产品和系统,其发展大体经历了带电测试阶段,从传统模拟测量转变到数字测量的阶段,以数字信号采集和微处理技术为核心的微机多功能在线检测系统阶段。但是我国在声振阵列及声纹成像的变压器带电检测系统方面缺乏发展,没有形成较好的系统性方法,在该方法上的算法也缺乏研究。
发明内容
本发明的目的在于提供一种基于动态时间算法的变压器带电检测方法,从而克服了针对传统的变压器故障诊断的方法,如短路阻抗法、频率响应法、低压脉冲法、溶解气体分析法等的缺点和不足,以及基于声振阵列及声纹成像的变压器带电检测系统的算法开发较少,给变压器故障诊断带来的较差精度、计算速度较慢的问题。
为实现上述目的,本发明提供了一种基于动态时间算法的变压器带电检测方法,包括以下步骤:
S1、利用声振阵列对多种正常状态下运行的变压器采集变压器声振信号;
S2、利用谱减算法对S1采集到的变压器声振信号进行预处理,得到纯净的声振信号;
S3、利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数对S2得到的纯净的声振信号提取特征量,所得特征量为模板特征;
S4、采用信噪比管理谱减算法检测待测试的变压器的声振信号;
S5、利用谱减算法对S4得到的待测试的变压器的声振信号进行预处理,并将预处理后的声振信号进行声纹成像和通过利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数提取特征量;
S6、利用动态时间规整对S3和S5得到的声振信号进行动态时间归整得到相似的特征量;
S7、对S6得到的特征量进行统计匹配结果,通过对所述匹配结果进行判断,即可得到变压器的诊断结果。
进一步的,所示S7中的判断为:若匹配结果大于85%,则待测试的变压器正常;若匹配结果大于45%、小于85%,则待测试的变压器需要进一步进行诊断;若匹配结果小于45%,则待测试的变压器发生故障。
进一步的,所述S2具体步骤为:
S21、设s(t)为纯净的声振信号,n(t)为噪声信号,y(t)为带噪声的声振信号,则有y(t)=s(t)+n(t);
S22、对y(t)进行傅里叶变换得到Y(ω)=S(ω)+N(ω),Y(ω),S(ω),N(ω)分别为y(t),s(t),n(t)的傅里叶变换;
S23、假设s(t),n(t)相互独立,则E|Y(ω)|2=E|S(ω)|2+E|N(ω)|2;
S24、假设s(t)声振信号短时平稳,对y(t)进行加窗处理,因此可得|Yi(ω)|2=|Si(ω)|2+|Ni(ω)|2,式中i表示加窗分帧后的第i帧;
S25、计算s(t)纯净的声振信号的频谱|Si(ω)|=[|Yi(ω)|2-|Ni(ω)|2]1/2,对Si(ω)进行傅里叶逆变换就可以得到纯净的声振信号。
进一步的,所述S3中特征量提取的公式为:
式(1)中,Cn为信号特征量,M为信号总数,x'(k)为原信号,n=1,2,3,…,L,L为特征量个数。
进一步的,所述S6具体为:对S5得到的声振信号的时间轴进行不均匀的扭曲和弯曲,使其特征和S3中的对应的模板特征对齐,并在S3与S5的声振信号两者之间不断地进行两个矢量最小的匹配路径计算,得到相似的特征量。
与现有的技术相比,本发明具有如下有益效果:
本发明所提供的一种基于动态时间算法的变压器带电检测方法,利用声振阵列对多种正常状态下运行的变压器采集变压器声振信号,利用谱减算法对采集到的变压器声振信号进行预处理,得到纯净的声振信号;通过建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数对纯净的声振信号提取特征量,所得特征量为模板特征;采用信噪比管理谱减算法检测待测试的变压器的声振信号;利用谱减算法对待测试的变压器的声振信号进行预处理,并将预处理后的声振信号进行声纹成像和通过利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数提取特征量;通过谱减算法和动态时间对声振信号进行处理,改进谱减算法测算法进行声信号增强,实现了采用动态时间规整算法对变压器的声振信号进行检测,提高变压器故障的诊断的准确率;利用声振信号特征向量的时间序列与模板特征进行相似度比较,将相似度最高的特征量进行统计,得到识别结果,从而有效地解决了针对故障变压器声振信号识别中速度较慢的问题。同时,能够大大降低环境噪声所引起的畸变严重对声纹成像的影响,同时对语音进行消噪来提高信噪比,提高声纹成像的性能。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于动态时间算法的变压器带电检测方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明所提供的基于动态时间算法的变压器带电检测方法包括以下步骤:
S1、利用声振阵列对多种正常状态下运行的变压器采集变压器声振信号。
S2、利用谱减算法对S1采集到的变压器声振信号进行预处理,得到纯净的声振信号。
谱减算法的基本思想是从带噪语音的功率谱中减去噪声的功率谱,从而得到较为纯净的语音信号。设s(t)为纯净的声振信号,n(t)为噪声信号,y(t)为带噪声的声振信号,则有y(t)=s(t)+n(t)。对其做傅里叶变换Y(ω)=S(ω)+N(ω),Y(ω),S(ω),N(ω)分别为y(t),s(t),n(t)的傅里叶变换,假设s(t),n(t)相互独立则E|Y(ω)|2=E|S(ω)|2+E|N(ω)|2,假设声振信号短时平稳,对声振信号进行加窗处理,因此可得|Yi(ω)|2=|Si(ω)|2+|Ni(ω)|2,式中i表示加窗分帧后的第i帧。根据下式即可得到纯净的声振信号的频谱|Si(ω)|=[|Yi(ω)|2-|Ni(ω)|2]1/2,对Si(ω)进行傅里叶逆变换就可以得到纯净的声振信号。
S3、利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数对S2得到的纯净的声振信号提取特征量,所得特征量为模板特征。提取特征量算式如下:
式(1)中,Cn为信号特征量,M为信号总数,x'(k)为原信号,n=1,2,3,…,L,L为特征量个数。
S4、采用信噪比管理谱减算法检测待测试的变压器的声振信号。
S5、利用谱减算法对S4得到的待测试的变压器的声振信号进行预处理,并将预处理后的声振信号进行声纹成像和通过利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数提取特征量。
S6、利用动态时间规整对S3和S5得到的声振信号进行动态时间归整得到相似的特征量。
动态时间归为时间规整和间距测量计算结合起来,即对S5得到的声振信号的时间轴进行不均匀的扭曲和弯曲,使其特征和S3中的对应的模板特征对齐,并在S3与S5的声振信号两者之间不断地进行两个矢量最小的匹配路径计算,得到相似的特征量。
S7、对S6得到的特征量进行统计匹配结果,若匹配结果大于85%,则待测试的变压器正常;若匹配结果大于45%、小于85%,则待测试的变压器需要进一步进行诊断;若匹配结果小于45%,则待测试的变压器发生故障。
综上,本发明提出了一种基于动态时间算法的变压器带电检测方法,通过谱减算法和动态时间对声振信号进行处理,改进谱减算法测算法进行声信号增强,实现了采用动态时间规整算法对变压器的声振信号进行检测,提高变压器故障的诊断的准确率。利用声振信号特征向量的时间序列与模板特征进行相似度比较,将相似度最高的特征量进行统计,得到识别结果,从而有效地解决了针对故障变压器声振信号识别中速度较慢的问题。能够大大降低环境噪声所引起的畸变严重对声纹成像的影响,同时对语音进行消噪来提高信噪比,提高声纹成像的性能。
以上所揭露的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于动态时间算法的变压器带电检测方法,其特征在于:包括以下步骤:
S1、利用声振阵列对多种正常状态下运行的变压器采集变压器声振信号;
S2、利用谱减算法对S1采集到的变压器声振信号进行预处理,得到纯净的声振信号;
S3、利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数对S2得到的纯净的声振信号提取特征量,所得特征量为模板特征;
S4、采用信噪比管理谱减算法检测待测试的变压器的声振信号;
S5、利用谱减算法对S4得到的待测试的变压器的声振信号进行预处理,并将预处理后的声振信号进行声纹成像和通过利用建立在傅里叶和倒谱分析基础上的梅尔频标倒谱系数提取特征量;
S6、利用动态时间规整对S3和S5得到的声振信号进行动态时间归整得到相似的特征量;
S7、对S6得到的特征量进行统计匹配结果,通过对所述匹配结果进行判断,即可得到变压器的诊断结果。
2.根据权利要求1所述的基于动态时间算法的变压器带电检测方法,其特征在于:所示S7中的判断为:若匹配结果大于85%,则待测试的变压器正常;若匹配结果大于45%、小于85%,则待测试的变压器需要进一步进行诊断;若匹配结果小于45%,则待测试的变压器发生故障。
3.根据权利要求1所述的基于动态时间算法的变压器带电检测方法,其特征在于:所述S2具体步骤为:
S21、设s(t)为纯净的声振信号,n(t)为噪声信号,y(t)为带噪声的声振信号,则有y(t)=s(t)+n(t);
S22、对y(t)进行傅里叶变换得到Y(ω)=S(ω)+N(ω),Y(ω),S(ω),N(ω)分别为y(t),s(t),n(t)的傅里叶变换;
S23、假设s(t),n(t)相互独立,则E|Y(ω)|2=E|S(ω)|2+E|N(ω)|2;
S24、假设s(t)声振信号短时平稳,对y(t)进行加窗处理,因此可得|Yi(ω)|2=|Si(ω)|2+|Ni(ω)|2,式中i表示加窗分帧后的第i帧;
S25、计算s(t)纯净的声振信号的频谱|Si(ω)|=[|Yi(ω)|2-|Ni(ω)|2]1/2,对Si(ω)进行傅里叶逆变换就可以得到纯净的声振信号。
4.根据权利要求1所述的基于动态时间算法的变压器带电检测方法,其特征在于:所述S3中特征量提取的公式为:
式(1)中,Cn为信号特征量,M为信号总数,x'(k)为原信号,n=1,2,3,…,L,L为特征量个数。
5.根据权利要求1所述的基于动态时间算法的变压器带电检测方法,其特征在于:所述S6具体为:对S5得到的声振信号的时间轴进行不均匀的扭曲和弯曲,使其特征和S3中的对应的模板特征对齐,并在S3与S5的声振信号两者之间不断地进行两个矢量最小的匹配路径计算,得到相似的特征量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480106.9A CN110412366B (zh) | 2019-06-04 | 2019-06-04 | 一种基于动态时间算法的变压器带电检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480106.9A CN110412366B (zh) | 2019-06-04 | 2019-06-04 | 一种基于动态时间算法的变压器带电检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110412366A true CN110412366A (zh) | 2019-11-05 |
CN110412366B CN110412366B (zh) | 2021-06-22 |
Family
ID=68358425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910480106.9A Active CN110412366B (zh) | 2019-06-04 | 2019-06-04 | 一种基于动态时间算法的变压器带电检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412366B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926626A (zh) * | 2021-01-28 | 2021-06-08 | 浙江大学 | 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001330067A (ja) * | 2000-05-23 | 2001-11-30 | Nissan Motor Co Ltd | ストッパを具えるマウントインシュレータユニット |
CN102483916A (zh) * | 2009-08-28 | 2012-05-30 | 国际商业机器公司 | 声音特征量提取装置、声音特征量提取方法及声音特征量提取程序 |
CN103456310A (zh) * | 2013-08-28 | 2013-12-18 | 大连理工大学 | 一种基于谱估计的瞬态噪声抑制方法 |
CN106682080A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种变压器故障分析方法及系统 |
CN109444519A (zh) * | 2018-10-30 | 2019-03-08 | 国网上海市电力公司 | 面向复杂声环境的变电站噪声源分离方法 |
-
2019
- 2019-06-04 CN CN201910480106.9A patent/CN110412366B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001330067A (ja) * | 2000-05-23 | 2001-11-30 | Nissan Motor Co Ltd | ストッパを具えるマウントインシュレータユニット |
CN102483916A (zh) * | 2009-08-28 | 2012-05-30 | 国际商业机器公司 | 声音特征量提取装置、声音特征量提取方法及声音特征量提取程序 |
CN103456310A (zh) * | 2013-08-28 | 2013-12-18 | 大连理工大学 | 一种基于谱估计的瞬态噪声抑制方法 |
CN106682080A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种变压器故障分析方法及系统 |
CN109444519A (zh) * | 2018-10-30 | 2019-03-08 | 国网上海市电力公司 | 面向复杂声环境的变电站噪声源分离方法 |
Non-Patent Citations (2)
Title |
---|
刘玉芝 等: "基于振动特征的变压器的故障诊断", 《河北师范大学学报/自然科学版/》 * |
赵林 等: "基于振动特征的变压器绕组与铁心故障诊断方法", 《电气应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926626A (zh) * | 2021-01-28 | 2021-06-08 | 浙江大学 | 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法 |
CN112926626B (zh) * | 2021-01-28 | 2022-06-24 | 浙江大学 | 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110412366B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
CN107462614B (zh) | 一种基于极化损耗和电导损耗的油纸绝缘含水量评估方法 | |
CN105606975B (zh) | 一种可定位的特高频电缆局部放电检测方法和装置 | |
CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN108960339A (zh) | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及系统 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN110991481B (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
CN109507554A (zh) | 一种电气设备绝缘状态评估方法 | |
CN110412366A (zh) | 一种基于动态时间算法的变压器带电检测方法 | |
CN112556828A (zh) | 一种变压器绕组松动故障检测方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN111912519A (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
CN111157843B (zh) | 一种基于时频域行波信息的配电网选线方法 | |
CN111398721A (zh) | 一种引入调节因子的配电网电压暂降源分类识别方法 | |
CN113466616A (zh) | 一种电缆故障点快速定位方法以及装置 | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
CN105447289B (zh) | 一种确定特高压单回路可听噪声修正值的方法 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN115452378A (zh) | 基于功率正则化倒谱系数的滚动轴承故障声纹识别方法 | |
CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 |
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 |