CN110634493A

CN110634493A - 基于声纹图像特征的变压器状态识别方法、系统及介质

Info

Publication number: CN110634493A
Application number: CN201910849754.7A
Authority: CN
Inventors: 吴晓文; 卢铃; 曹浩; 胡胜; 陈炜; 彭继文; 吕建红
Original assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd; State Grid Hunan Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd; State Grid Hunan Electric Power Co Ltd
Priority date: 2019-09-09
Filing date: 2019-09-09
Publication date: 2019-12-31

Abstract

本发明公开了一种基于声纹图像特征的变压器状态识别方法、系统及介质，本发明识别方法为根据声音信号生成声纹特征图像，提取声纹特征图像中的声纹图像特征信息，将声纹图像特征信息和预设的变压器状态特征识别库进行比对或者将声纹图像特征信息输入预先训练好的人工智能机器学习模型，识别出目标变压器与噪声相关的状态。本发明可利用声纹图像特征识别变压器与噪声相关的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，可大幅提高与噪声有关的变压器运行状态诊断准确率，具有诊断准确率高、诊断速度快的优点。

Description

基于声纹图像特征的变压器状态识别方法、系统及介质

技术领域

本发明涉及电力变压器运行状态评价技术领域，具体涉及一种基于声纹图像特征的变压器状态识别方法、系统及介质，可利用声纹图像特征识别变压器噪声相关异常运行状态。

背景技术

电力变压器运行故障是导致电力系统大范围停电事故的关键原因。变压器30%以上典型故障缺陷（如：过励磁、三相不平衡负载、谐波负载、冷却系统缺陷、直流偏磁、绕组与铁心松动、附件松动、过载等）可利用噪声进行检测。现有与变压器噪声有关的故障检测方法主要依靠运行人员利用人耳听、利用经验判断故障类型，或者利用声音信号的波形、频谱并从中提取一定数量的声音特征作为区分不同运行状态的依据。前者主要依赖人员经验，存在难以普遍适用、误判几率大、识别准确度低等问题；后者由于变压器故障类型较多，能够明显区别不同故障类型的声音特征提取十分困难，容易造成特征信息不足、故障诊断准确率较低的问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于声纹图像特征的变压器状态识别方法、系统及介质，本发明可利用声纹图像特征识别变压器与噪声相关的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，能够不依赖人员经验诊断与噪声有关的变压器异常运行状态并进行分类识别，可大幅提高与噪声有关的变压器运行状态诊断准确率，具有诊断准确率高、诊断速度快的优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于声纹图像特征的变压器状态识别方法，实施步骤包括：

1）采集目标变压器在运行状态下的声音信号；

2）根据声音信号生成声纹特征图像；

3）提取声纹特征图像中的声纹图像特征信息；

4）将声纹图像特征信息和预设的变压器状态特征识别库进行比对或者将声纹图像特征信息输入预先训练好的人工智能机器学习模型，识别出目标变压器与噪声相关的状态，所述变压器状态特征识别库包含声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系，所述人工智能机器学习模型被预先训练建立了声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系。

可选地，步骤2）中生成的声纹特征图像为二维彩色图像，且横轴、纵轴分别为时间与频率，以彩色图像颜色的深浅表示信号幅值的大小。

可选地，步骤3）中提取声纹特征图像中的声纹图像特征信息具体是指提取声纹特征图像中的噪声信号频谱范围，以及噪声信号频谱范围内的集中的目标频率整数倍频率分量；或者步骤3）中提取声纹特征图像中的声纹图像特征信息具体是指采用卷积神经网络提取声纹特征图像中的特征得到声纹图像特征信息。

可选地，步骤4）中将声纹图像特征信息和预设的变压器状态特征识别库进行比对的详细步骤包括：

4.1）确定目标变压器的电压等级、设备厂家、结构类型、冷却方式；

4.2）将目标变压器的声纹图像特征信息和预设的变压器状态特征识别库中相同电压等级、设备厂家、结构类型、冷却方式的变压器的声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系进行比对，或者将目标变压器的声纹图像特征信息输入预先训练好的、相同电压等级、设备厂家、结构类型、冷却方式的变压器对应的人工智能机器学习模型，最终识别出目标变压器与噪声相关的状态。

可选地，步骤4）中变压器与噪声相关的不同状态包括：正常、过励磁、三相不平衡负载、谐波负载、冷却系统缺陷、直流偏磁、绕组与铁心松动、附件松动、过载中的一种或多种。

可选地，步骤3）之前建立变压器状态特征识别库的步骤，详细步骤包括：

A1）分别采集不同电压等级、设备厂家、结构类型、冷却方式的变压器在不同状态条件下的声音信号样本；

A2）根据声音信号样本生成声纹特征图像；

A3）提取声纹特征图像中的声纹图像特征信息，

A4）根据相同电压等级、设备厂家、结构类型、冷却方式的变压器的声音信号样本的声纹图像特征信息，建立该电压等级、设备厂家、结构类型、冷却方式的变压器的声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系，最终得到所有电压等级、设备厂家、结构类型、冷却方式的变压器的声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系构成的变压器状态特征识别库。

可选地，步骤3）之前训练人工智能机器学习模型的步骤，详细步骤包括：

B1）分别采集不同电压等级、设备厂家、结构类型、冷却方式的变压器在不同状态条件下的声音信号样本；

B2）根据声音信号样本生成声纹特征图像；

B3）提取声纹特征图像中的声纹图像特征信息，将声纹图像特征信息附加上对应变压器的状态标签构建训练集和测试集；

B4）针对每一种相同电压等级、设备厂家、结构类型、冷却方式的变压器分别建立人工智能机器学习模型，且通过对应的训练集对人工智能机器学习模型进行训练，且在通过测试集进行测试准确率达到预设要求的时候完成并结束对人工智能机器学习模型的训练。

本发明还提供一种基于声纹图像特征的变压器状态识别系统，包括：

声音信号采集程序单元，用于采集目标变压器在运行状态下的声音信号；

图像生成程序单元，用于根据声音信号生成声纹特征图像；

声纹图像特征提取程序单元，用于提取声纹特征图像中的声纹图像特征信息，

变压器状态识别程序单元，用于将声纹图像特征信息和预设的变压器状态特征识别库进行比对或者将声纹图像特征信息输入预先训练好的人工智能机器学习模型，识别出目标变压器与噪声相关的状态，所述变压器状态特征识别库包含声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系，所述人工智能机器学习模型被预先训练建立了声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系。

本发明还提供一种基于声纹图像特征的变压器状态识别系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于声纹图像特征的变压器状态识别方法的步骤。

本发明还提供一种基于声纹图像特征的变压器状态识别系统，包括计算机设备，该计算机设备的存储介质上存储有被编程或配置以执行所述基于声纹图像特征的变压器状态识别方法的计算机程序。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述基于声纹图像特征的变压器状态识别方法的计算机程序。

和现有技术相比，本发明具有下述优点：本发明根据声音信号生成声纹特征图像，提取声纹特征图像中的声纹图像特征信息，基于声纹图像特征信息识别出目标变压器与噪声相关的状态，本发明可利用声纹图像特征识别变压器与噪声相关的异常运行状态，而且由于声纹特征图像中包含了所检测声音信号的全部时域与频域信息，并且利用颜色深浅对其幅值进行差异化显示，以此为特征能够包含信号中所能反应的全部故障信息，通过基于声纹图像特征信息识别出目标变压器与噪声相关的状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，能够不依赖人员经验诊断与噪声有关的变压器异常运行状态并进行分类识别，可大幅提高与噪声有关的变压器运行状态诊断准确率，具有诊断准确率高、诊断速度快的优点。

附图说明

图1为本发明实施例一方法的基本流程示意图。

图2为本发明实施例一中正常变压器声纹图像。

图3为本发明实施例一中处于直流偏磁异常运行状态的变压器声纹图像。

图4为本发明实施例二方法的基本流程示意图。

具体实施方式

实施例一：

如图1所示，本实施例基于声纹图像特征的变压器状态识别方法的实施步骤包括：

1）采集目标变压器在运行状态下的声音信号；

2）根据声音信号生成声纹特征图像；

3）提取声纹特征图像中的声纹图像特征信息；

4）将声纹图像特征信息和预设的变压器状态特征识别库，识别出目标变压器与噪声相关的状态，所述变压器状态特征识别库包含声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系。

本实施例中，步骤2）中生成的声纹特征图像为二维彩色图像，且横轴、纵轴分别为时间与频率，以彩色图像颜色的深浅表示信号幅值的大小。

如图2所示，该图下侧为红色、上侧为蓝色，右侧对比色条中上侧为红色、下侧为蓝色；正常运行条件下，变压器噪声信号主要集中在500Hz范围内100Hz整数倍频率分量上且幅值较低。如图3所示，该图下侧为红色、上侧为蓝色，右侧对比色条中上侧为红色、下侧为蓝色，在发生直流偏磁异常运行状态时，变压器声纹特征图谱发生显著变化，噪声信号频谱范围显著增大至1500Hz左右且主要集中在50Hz整数倍频率分量上，幅值相对于图2正常情况显著提高。对比正常与异常情况下的声纹图谱，能够有效区分出变压器是否处于直流偏磁状态。通过检测大量不同变压器在不同直流偏磁程度下的声纹图谱，并赋予异常运行状态标签，即可建立变压器直流偏磁声纹图谱特征数据库。对于其他异常运行状态，对应的声纹图谱数据库可按照相同的方式进行处理。

本实施例中，步骤3）中提取声纹特征图像中的声纹图像特征信息具体是指提取声纹特征图像中的噪声信号频谱范围，以及噪声信号频谱范围内的集中的目标频率整数倍频率分量。

本实施例中，步骤4）中将声纹图像特征信息和预设的变压器状态特征识别库进行比对的详细步骤包括：

4.2）将目标变压器的声纹图像特征信息和预设的变压器状态特征识别库中相同电压等级、设备厂家、结构类型、冷却方式的变压器的声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系进行比对。

本实施例中，步骤4）中变压器与噪声相关的不同状态包括：正常、过励磁、三相不平衡负载、谐波负载、冷却系统缺陷、直流偏磁、绕组与铁心松动、附件松动、过载中的一种或多种。

本实施例中，步骤3）之前建立变压器状态特征识别库的步骤，详细步骤包括：

A1）分别采集不同电压等级、设备厂家、结构类型、冷却方式的变压器在不同状态条件下的声音信号样本，以尽可能地增加声音样本数量以提高训练的精确度；

A2）根据声音信号样本生成声纹特征图像；

A3）提取声纹特征图像中的声纹图像特征信息，

此外，本实施例还提供一种基于声纹图像特征的变压器状态识别系统，包括：

图像生成程序单元，用于根据声音信号生成声纹特征图像；

此外，本实施例还提供一种基于声纹图像特征的变压器状态识别系统，包括计算机设备，该计算机设备被编程或配置以执行前述基于声纹图像特征的变压器状态识别方法的步骤。本实施例中，计算机设备声纹特征检测终端利用传声器检测变压器声音信号，通过4G无线专网远程传输至计算机设备，通过计算机设备利用声纹图像特征分析软件将声信号转换为声纹特征图像，通过预设方法对声信号是否异常以及异常原因进行匹配识别，并将声纹特征图像存储至声纹图谱数据库，以进一步扩充数据库样本数量。

此外，本实施例还提供一种基于声纹图像特征的变压器状态识别系统，包括计算机设备，该计算机设备的存储介质上存储有被编程或配置以执行前述基于声纹图像特征的变压器状态识别方法的计算机程序。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述基于声纹图像特征的变压器状态识别方法的计算机程序。

实施例二：

本实施例与实施例一基本相同，其主要区别点为：

1、步骤3）中提取声纹特征图像中的声纹图像特征信息的方式不同。本实施例步骤3）中提取声纹特征图像中的声纹图像特征信息具体是指采用卷积神经网络提取声纹特征图像中的特征得到声纹图像特征信息，该方式相对实施例一的方式而言，通用性更好。

2、步骤4）中基于声纹图像特征信息识别出目标变压器与噪声相关的状态的方式不同。如图4所示，本实施例步骤4）中基于声纹图像特征信息识别出目标变压器与噪声相关的状态的方式具体为：将声纹图像特征信息输入预先训练好的人工智能机器学习模型，识别出目标变压器与噪声相关的状态，其中人工智能机器学习模型被预先训练建立了声纹图像特征信息、变压器与噪声相关的不同状态之间的映射关系。本实施例中的人工智能机器学习模型具体采用深度学习神经网络，此外也可以根据需要采用其他机器学习分类模型。

对应地，本实施例步骤4）中将声纹图像特征信息和预设的变压器状态特征识别库进行比对的详细步骤包括：

4.2）将目标变压器的声纹图像特征信息输入预先训练好的、相同电压等级、设备厂家、结构类型、冷却方式的变压器对应的人工智能机器学习模型，最终识别出目标变压器与噪声相关的状态。

本实施例中，步骤3）之前训练人工智能机器学习模型的步骤，详细步骤包括：

B1）分别采集不同电压等级、设备厂家、结构类型、冷却方式的变压器在不同状态条件下的声音信号样本，以尽可能地增加声音样本数量以提高训练的精确度；

B2）根据声音信号样本生成声纹特征图像；

图像生成程序单元，用于根据声音信号生成声纹特征图像；

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于声纹图像特征的变压器状态识别方法，其特征在于实施步骤包括：

1）采集目标变压器在运行状态下的声音信号；

2）根据声音信号生成声纹特征图像；

3）提取声纹特征图像中的声纹图像特征信息；

2.根据权利要求1所述的基于声纹图像特征的变压器状态识别方法，其特征在于，步骤2）中生成的声纹特征图像为二维彩色图像，且横轴、纵轴分别为时间与频率，以彩色图像颜色的深浅表示信号幅值的大小。

3.根据权利要求1所述的基于声纹图像特征的变压器状态识别方法，其特征在于，步骤3）中提取声纹特征图像中的声纹图像特征信息具体是指提取声纹特征图像中的噪声信号频谱范围，以及噪声信号频谱范围内的集中的目标频率整数倍频率分量；或者步骤3）中提取声纹特征图像中的声纹图像特征信息具体是指采用卷积神经网络提取声纹特征图像中的特征得到声纹图像特征信息。

4.根据权利要求1所述的基于声纹图像特征的变压器状态识别方法，其特征在于，步骤4）中将声纹图像特征信息和预设的变压器状态特征识别库进行比对的详细步骤包括：

5.根据权利要求1所述的基于声纹图像特征的变压器状态识别方法，其特征在于，步骤4）中变压器与噪声相关的不同状态包括：正常、过励磁、三相不平衡负载、谐波负载、冷却系统缺陷、直流偏磁、绕组与铁心松动、附件松动、过载中的一种或多种。

6.根据权利要求1～5中任意一项所述的基于声纹图像特征的变压器状态识别方法，其特征在于，步骤3）之前建立变压器状态特征识别库的步骤，详细步骤包括：

A2）根据声音信号样本生成声纹特征图像；

A3）提取声纹特征图像中的声纹图像特征信息，

7.根据权利要求1～5中任意一项所述的基于声纹图像特征的变压器状态识别方法，其特征在于，步骤3）之前训练人工智能机器学习模型的步骤，详细步骤包括：

B2）根据声音信号样本生成声纹特征图像；

8.一种基于声纹图像特征的变压器状态识别系统，其特征在于包括：

图像生成程序单元，用于根据声音信号生成声纹特征图像；

9.一种基于声纹图像特征的变压器状态识别系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～7中任意一项所述基于声纹图像特征的变压器状态识别方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述基于声纹图像特征的变压器状态识别方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述基于声纹图像特征的变压器状态识别方法的计算机程序。