CN111625763A - 一种基于数学模型的运行风险预测方法和预测系统 - Google Patents

一种基于数学模型的运行风险预测方法和预测系统 Download PDF

Info

Publication number
CN111625763A
CN111625763A CN202010459409.5A CN202010459409A CN111625763A CN 111625763 A CN111625763 A CN 111625763A CN 202010459409 A CN202010459409 A CN 202010459409A CN 111625763 A CN111625763 A CN 111625763A
Authority
CN
China
Prior art keywords
mel
transformer
frequency
noise signal
noise signals
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.)
Pending
Application number
CN202010459409.5A
Other languages
English (en)
Inventor
陈灿
王鹏德
杨津瑾
焦建锋
张昕喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Aeronautics
Original Assignee
Zhengzhou University of Aeronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Aeronautics filed Critical Zhengzhou University of Aeronautics
Priority to CN202010459409.5A priority Critical patent/CN111625763A/zh
Publication of CN111625763A publication Critical patent/CN111625763A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Discrete Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明提供一种基于数学模型的运行风险预测方法和预测系统，预测方法为：获取变压器在各种故障类型下的噪声信号，求取其梅尔倒谱系数并对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；在变压器工作过程中检测其噪声信号，求取其梅尔倒谱系数并结合所述卷积神经网络模型预测变压器的运行是否存在风险；获取噪声信号梅尔倒谱系数的方法为：对噪声信号中各时间段的噪声信号进行快速傅里叶变换得到其频谱图；根据所述频谱图计算噪声信号的梅尔频率并设计三角带通滤波器组；对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。本发明提供的技术方案能够解决对变压器运行风险检测可靠性较差的问题。

Description

一种基于数学模型的运行风险预测方法和预测系统
技术领域
本发明属于数学模型应用技术领域，具体涉及一种基于数学模型的运行风险预测方法和预测系统。
背景技术
变压器是一种利用电磁感应原理改变交流电压的设备，其结构主要包括初级线圈、次级线圈和铁芯，其主要功能包括电压变换、电流变换、阻抗变换、电气隔离、稳压等。
作为电力系统中电压转换与电能分配的重要设备，变压器的运行状态关系着整个电网运行的安全和稳定。近年来，随着对电力需求的快速增长，变压器朝着大容量方向发展。新的不同种类、容量的变压器对稳定性和可靠性的要求更高，尤其是能够及时发现并解决故障提出了更高的要求。
目前对变压器进行故障检测的方法主要有三种：一是针对变压器的电压、电流、谐波等局部放电信号进行检测，根据检测结果判断变压器是否存在故障；二是针对变压器的温度进行红外测温或利用红外成像进行温度检测，根据变压器的温度判断其是否存在异常；三是通过监测色谱对变压器油中气体的含量进行检测，根据检测结果判断变压器是否存在故障。
但是上述三种检测方法都只能对变压器特定类型的故障进行检测，存在较大的局限性，对变压器运行风险预测的可靠性较差。
发明内容
本发明的目的是提供一种基于数学模型的运行风险预测方法和预测系统，用于解决现有技术中对变压器运行风险检测方法可靠性较差的问题。
为实现上述目的，本发明采用如下技术方案：
一种基于数学模型的运行风险预测方法，包括如下步骤：
(1)获取变压器在各种故障类型下所发出的噪声信号，求取其梅尔倒谱系数，并根据其梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
(2)在变压器工作过程中检测变压器所产生的噪声信号，求取其梅尔倒谱系数，并结合训练后的卷积神经网络模型预测变压器的运行是否存在风险，以及其存在风险时的故障类型；
获取噪声信号梅尔倒谱系数的方法为：
首先对噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到其中各时间段的频谱图；
然后根据所述频谱图计算噪声信号的梅尔频率，并根据梅尔频率设计三角带通滤波器组；
最后对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。
进一步的，所述快速傅里叶变换时所采用的计算公式为：
Figure BDA0002510460170000021
其中X(k)表示频率k时噪声信号在频域上的幅值，x(n)表示时间为n时噪声信号在时域上的幅值，W(n)为傅里叶变换系数，N为采样数量。
进一步的，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3×3的卷积核，各池化层均为最大池化层。
进一步的，所述离散余弦变换所采用的公式为：
Figure BDA0002510460170000031
其中u和x在1到N之间取值，N为采样数量，F(u)为第u维梅尔倒谱系数，当u＝0时
Figure BDA0002510460170000032
当u≠0时C(u)＝1。
进一步的，第m个三角带通滤波器为
Figure BDA0002510460170000033
式中M为三角带通滤波器的数量，h为频域中的第h条频谱线，f(m)为第m个三角带通滤波器的中心频率，则
Figure BDA0002510460170000034
其中fl和fh分别为第m个三角带通滤波器的最低频率和最高频率，L为离散傅里叶变换窗宽，FS为采样率，
Figure BDA0002510460170000035
为Fmel的反函数，Fmel(b)是以mel为单位的频率：
Fmel(b)＝700(eb/2595-1)
其中b为函数Fmel(b)中的自变量。
一种基于数学模型的运行风险预测系统，包括存储器和处理器，所述存储器上存储有用于在处理器上执行的计算机程序；所述处理器执行所述计算机程序时，实现如下控制步骤：
(1)获取变压器在各种故障类型下所发出的噪声信号，求取其梅尔倒谱系数，并根据其梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
(2)在变压器工作过程中检测变压器所产生的噪声信号，求取其梅尔倒谱系数，并结合训练后的卷积神经网络模型预测变压器的运行是否存在风险，以及其存在风险时的故障类型；
获取噪声信号梅尔倒谱系数的方法为：
首先对噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到其中各时间段的频谱图；
然后根据所述频谱图计算噪声信号的梅尔频率，并根据梅尔频率设计三角带通滤波器组；
最后对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。
进一步的，所述快速傅里叶变换时所采用的计算公式为：
Figure BDA0002510460170000041
其中X(k)表示频率k时噪声信号在频域上的幅值，x(n)表示时间为n时噪声信号在时域上的幅值，W(n)为傅里叶变换系数，N为采样数量。
进一步的，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3×3的卷积核，各池化层均为最大池化层。
进一步的，所述离散余弦变换所采用的公式为：
Figure BDA0002510460170000042
其中u和x在1到N之间取值，N为采样数量，F(u)为第u维梅尔倒谱系数，当u＝0时
Figure BDA0002510460170000043
当u≠0时C(u)＝1。
进一步的，第m个三角带通滤波器为
Figure BDA0002510460170000051
式中M为三角带通滤波器的数量，h为频域中的第h条频谱线，f(m)为第m个三角带通滤波器的中心频率，则
Figure BDA0002510460170000052
其中fl和fh分别为第m个三角带通滤波器的最低频率和最高频率，L为离散傅里叶变换窗宽，FS为采样率，
Figure BDA0002510460170000053
为Fmel的反函数，Fmel(b)是以mel为单位的频率：
Fmel(b)＝700(eb/2595-1)
其中b为函数Fmel(b)中的自变量。
本发明所提供的技术方案，根据变压器所产生的噪声信号判断其是否存在故障以及其故障类型，从而对其运行风险进行预测。由于当变压器发生不同的故障时，其产生的噪声信号也将随之发生变化，因此通过检测变压器的噪声信号能够准确检测出其故障类型，能够解决现有技术中对变压器运行风险检测方法可靠性较差的问题。
附图说明
图1是本发明方法实施例中基于数学模型的运行风险预测方法的流程图；
图2是本发明方法实施例中计算噪声信号梅尔倒谱系数的流程图；
图3是本发明方法实施例中卷积神经网络模型的结构示意图。
具体实施方式
方法实施例：
本实施例提供一种基于数学模型的运行风险预测方法，用于对变压器的运行风险进行预测，解决对变压器运行风险预测准确性差的问题。
本实施例所提供的基于数学模型的运行风险预测方法，其流程如图1所示，包括如下步骤：
步骤一：获取各种故障类型下变压器的噪声信号，并对得到的噪声信号进行处理，得到其梅尔倒谱系数。
每种故障类型下检测一组变压器的噪声信号，每组噪声信号检测20次，每两次检测之间的时间间隔为1s，如此可以对隔断声波的高频特征进行单独辨识，以区分变压器的故障类型。
计算一组噪声信号梅尔倒谱系数的流程如图2所示，包括如下步骤：
(1)对该组噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到该组各时间段噪声信号的频谱图；
本实施例中在对噪声信号进行快速傅里叶变换时所采用的公式为：
Figure BDA0002510460170000061
利用上述公式将噪声信号的时程离散坐标x(n)转换为频域离散点X(k)，其中k为频率，n为时间点，X(k)是频率为k时在频域上的幅值，x(n)是时间点为n在时域上的幅值，用于将不同时段的时程曲线转换为频谱曲线，W(n)为傅里叶变换系数。将频谱曲线灰度量化，得到与频率和时间相关的声谱图，该声谱图与时间与频率均有关系，利用不同灰度来对各频率能量进行标识，可以实现对变压器噪声信号的识别。
(2)根据快速傅里叶变换得到的各时间段噪声信号的频谱得到其梅尔频率，并根据梅尔频率设计三角带通滤波器组。
第m个三角带通滤波器的传递函数为：
Figure BDA0002510460170000071
式中M为三角带通滤波器的数量，h为频域中的第h条频谱线，f(m)为第m个滤波器的中心频率，则
Figure BDA0002510460170000072
其中fl和fh分别为第m个滤波器的最低频率和最高频率，L为离散傅里叶变换窗宽，FS为采样率，
Figure BDA0002510460170000073
为Fmel的反函数，Fmel(b)是以mel为单位的频率：
Fmel(b)＝700(eb/2595-1)
其中b为函数Fmel(b)中的自变量。
根据梅尔频率均匀分布三角带通滤波器，每个三角带通滤波器的初始带通频率为上一三角带通滤波器的中心带同频率，其截止带通频率为下一三角带通滤波器的中心带同频率，每个滤波器的带宽为测量最大梅尔频率除以20，从而得到处理后的声谱图。处理的声谱图与未处理时的声谱图的不同在于：处理后的声谱图与人耳收听效果再高频部分线性相关，更能体现人耳接收效果。
设得到的梅尔频率为mel(f)，其中f为频率，则：
mel(f)＝2959×lg(1+f/700)
但是声谱图在频率上的维度较高，造成分析时数量较大，降低分析效率。
(3)对各时间段的梅尔频谱图进行离散余弦变换，得到不同时刻的梅尔倒谱系数。
离散余弦变换时采用如下公式：
Figure BDA0002510460170000074
其中u和x在1到N之间取值，F(u)为第u维梅尔倒谱系数，当u＝0时
Figure BDA0002510460170000081
当u≠0时C(u)＝1。F(u)为第u维梅尔倒谱系数，x是第x频率的当u的竖直越大时，可以描述越高频率的波动，取1-20维倒谱系数，组成20*20维的倒谱系数图，该倒谱系数图可以体现出不同频率的声强作用大小。对梅尔频谱图进行余弦变换后给声谱图进行压缩降维，能够提高分析效率。
步骤二：采用步骤一中得到的梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。
本实施例中的卷积神经网络的结构如图3所示，以频率为纵向坐标，时间为横向坐标，颜色代表噪声能量，其中卷积层所采用的是3×3的卷积核，卷积核的坐标为；池化层所采用的是2×2的最大池化层，最终将被卷积图像处理成5×5维的特征。
卷积层以及池化层作用在于对数据进行降维处理和特征提取，将分析维度进一步缩减为高频域以及低频域，并利用颜色特征体现其高频以及低频域的能量特征，将5×5维特征主要关注于声谱图各维度的颜色特征，即含有时间因素也含有时间频段因素，更好的对故障类型进行区分。
首先将步骤一中各类型故障下变压器的噪声信号作为输入量，将各故障类型设置成不同的数据加以区分，作为对应故障类型的输出量；输入量输入到卷积神经网络模型的输入层，经隐藏层后达到输出层并输出结果；
计算估计值域实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
最后，在反向传播的过程中，根据误差调整各参数的值，并按上述过程不断进行迭代，直至收敛，从而得到各权重的梯度，得到训练后的卷积神经网络模型。
本实施例所采用的卷积神经网络，其中的卷积层所采用的是3×3的卷积核，其卷积核坐标为[-1,0,1；-1,0,1；0,1,0]、[1，-1,1；1,1,0；-1,0,1]、[0,1,0；-1,0,1；-1,0,0]，池化层所采用的是2×2的最大池化层，最终将被卷积图像处理成为一个5×5维特征。
卷积层以及池化层作用在于对数据进行降维和特征提取，将分析维度进一步缩减为高频域以及低频域，并利用颜色特征体现其高频及低频域的能量特征，该5*5维特征主要关注与声谱图各维度的颜色特征，即含有时间因素(横向特征)也含有各时间段频率因素(纵向特征)，更好的对变压器故障类型进行区分。
选用RELU作为激活函数，利用反响传播法求取各权重梯度，利用Adam对学习效率进行优化，对1000组噪声梅尔倒谱系数图进行训练。
利用反向传播法求取各权重梯度的方法包括如下步骤：
2.1：将训练集数据输入到输入层，经过隐藏层达到输出层并输出结果；
2.2：计算估计值与实际值之间的误差，并将该误差从输出层想隐藏层反向传播，直至传播到输入层；
2.3：在反向传播的过程中根据误差调整各参数的值，并按上述过程进行不断迭代直至收敛，从而得到各权重梯度。
利用Adam对学习率进行优化的步骤包括：
3.1：确定Adam模型参数和随机目标函数，初始化参数向量、一阶矩阵向量、二阶矩阵向量和时间步；
3.2：当噪声参数没有收敛时，循环迭代地更新各个部分：时间步长加1并更新目标函数在该时间步长上对参数所求的梯度，同时更新偏差的一阶矩阵估计和二阶原始矩阵估计；
3.3：计算偏差修正的一阶矩阵估计和偏差修正的二阶矩阵估计，然后用以上计算出的值更新模型中的参数，最终得到优化后的模型。
步骤三：在变压器工作过程中采集其产生的噪声信号，对得到的噪声信号进行预处理后将其输入到训练后的卷积神经网络模型中，根据输出结果判断变压器运行过程中是否存在风险。
将变压器的噪声信号输入到训练后的卷积神经网络模型后，经过卷积神经网络模型的处理后输出结果，输入结果与哪种故障类型对应，变压器便出现此类型的故障。
系统实施例：
本实施例提供一种基于数学模型的运行风险预测系统，包括存储器和处理器，存储器上存储有用于在处理器上执行的计算机程序，处理器执行该计算机程序时，实现如上述方法实施例中所提供的基于数学模型的运行风险预测方法。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于数学模型的运行风险预测方法，其特征在于，包括如下步骤：
(1)获取变压器在各种故障类型下所发出的噪声信号，求取其梅尔倒谱系数，并根据其梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
(2)在变压器工作过程中检测其产生的噪声信号，求取其梅尔倒谱系数，并结合训练后的卷积神经网络模型预测变压器的运行是否存在风险，以及其存在风险时的故障类型；
获取噪声信号梅尔倒谱系数的方法为：
首先对噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到其中各时间段的频谱图；
然后根据所述频谱图计算噪声信号的梅尔频率，并根据梅尔频率设计三角带通滤波器组；
最后对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。
2.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，所述快速傅里叶变换时所采用的计算公式为：
Figure FDA0002510460160000011
其中X(k)表示频率k时噪声信号在频域上的幅值，x(n)表示时间为n时噪声信号在时域上的幅值，W(n)为傅里叶变换系数，N为采样数量。
3.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3×3的卷积核，各池化层均为最大池化层。
4.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，所述离散余弦变换所采用的公式为：
Figure FDA0002510460160000021
其中u和x在1到N之间取值，N为采样数量，F(u)为第u维梅尔倒谱系数，当u＝0时
Figure FDA0002510460160000022
当u≠0时C(u)＝1。
5.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，第m个三角带通滤波器为
Figure FDA0002510460160000023
式中M为三角带通滤波器的数量，h为频域中的第h条频谱线，f(m)为第m个三角带通滤波器的中心频率，则
Figure FDA0002510460160000024
其中fl和fh分别为第m个三角带通滤波器的最低频率和最高频率，L为离散傅里叶变换窗宽，FS为采样率，
Figure FDA0002510460160000025
为Fmel的反函数，Fmel(b)是以mel为单位的频率：
Fmel(b)＝700(eb/2595-1)
其中b为函数Fmel(b)中的自变量。
6.一种基于数学模型的运行风险预测系统，包括存储器和处理器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现如下控制步骤：
(1)获取变压器在各种故障类型下所发出的噪声信号，求取其梅尔倒谱系数，并根据其梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
(2)在变压器工作过程中检测其产生的噪声信号，求取其梅尔倒谱系数，并结合训练后的卷积神经网络模型预测变压器的运行是否存在风险，以及其存在风险时的故障类型；
获取噪声信号梅尔倒谱系数的方法为：
首先对噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到其中各时间段的频谱图；
然后根据所述频谱图计算噪声信号的梅尔频率，并根据梅尔频率设计三角带通滤波器组；
最后对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。
7.根据权利要求6所述的基于数学模型的运行风险预测系统，其特征在于，所述快速傅里叶变换时所采用的计算公式为：
Figure FDA0002510460160000031
其中X(k)表示频率k时噪声信号在频域上的幅值，x(n)表示时间为n时噪声信号在时域上的幅值，W(n)为傅里叶变换系数，N为采样数量。
8.根据权利要求6所述的基于数学模型的运行风险预测系统，其特征在于，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3×3的卷积核，各池化层均为最大池化层。
9.根据权利要求6所述的基于数学模型的运行风险预测系统，其特征在于，所述离散余弦变换所采用的公式为：
Figure FDA0002510460160000032
其中u和x在1到N之间取值，N为采样数量，F(u)为第u维梅尔倒谱系数，当u＝0时
Figure FDA0002510460160000041
当u≠0时C(u)＝1。
10.根据权利要求6所述的基于数学模型的运行风险预测系统，其特征在于，第m个三角带通滤波器为
Figure FDA0002510460160000042
式中M为三角带通滤波器的数量，h为频域中的第h条频谱线，f(m)为第m个三角带通滤波器的中心频率，则
Figure FDA0002510460160000043
其中fl和fh分别为第m个三角带通滤波器的最低频率和最高频率，L为离散傅里叶变换窗宽，FS为采样率，
Figure FDA0002510460160000044
为Fmel的反函数，Fmel(b)是以mel为单位的频率：
Fmel(b)＝700(eb/2595-1)
其中b为函数Fmel(b)中的自变量。
CN202010459409.5A 2020-05-27 2020-05-27 一种基于数学模型的运行风险预测方法和预测系统 Pending CN111625763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010459409.5A CN111625763A (zh) 2020-05-27 2020-05-27 一种基于数学模型的运行风险预测方法和预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010459409.5A CN111625763A (zh) 2020-05-27 2020-05-27 一种基于数学模型的运行风险预测方法和预测系统

Publications (1)

Publication Number Publication Date
CN111625763A true CN111625763A (zh) 2020-09-04

Family

ID=72272607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010459409.5A Pending CN111625763A (zh) 2020-05-27 2020-05-27 一种基于数学模型的运行风险预测方法和预测系统

Country Status (1)

Country Link
CN (1) CN111625763A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112472065A (zh) * 2020-11-18 2021-03-12 天机医用机器人技术(清远)有限公司 基于咳嗽声识别的病症检测方法及其相关设备
CN112910348A (zh) * 2021-01-26 2021-06-04 西安交通大学 一种基于模型预测控制的平行结构频谱优化方法与系统
CN113126764A (zh) * 2021-04-22 2021-07-16 中国水利水电科学研究院 一种基于智能手表的个人用水量检测方法
CN113823089A (zh) * 2021-09-19 2021-12-21 广州丹雅科技有限公司 交通量检测方法、装置、电子设备及可读存储介质
CN114019310A (zh) * 2021-11-08 2022-02-08 国网湖南省电力有限公司 一种储能变流器的开路故障预判方法、设备及介质
CN114220460A (zh) * 2021-12-16 2022-03-22 国网电子商务有限公司 音频的检测方法、装置、电子设备及存储介质
CN114234061A (zh) * 2021-12-20 2022-03-25 北京工业大学 一种基于神经网络的带压运行供水管道漏水音智能判别方法
CN114295910A (zh) * 2021-12-03 2022-04-08 国网河南省电力公司南阳供电公司 电压扰动监测模型构建方法及其应用
CN114861835A (zh) * 2022-07-04 2022-08-05 浙江大学 一种基于非对称卷积的噪声性听力损失预测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767785A (zh) * 2019-03-06 2019-05-17 河北工业大学 基于卷积神经网络的环境噪声识别分类方法
CN110010155A (zh) * 2019-04-11 2019-07-12 中国一拖集团有限公司 基于卷积神经网络和mfcc的颤振识别方法和系统
CN110164472A (zh) * 2019-04-19 2019-08-23 天津大学 基于卷积神经网络的噪声分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767785A (zh) * 2019-03-06 2019-05-17 河北工业大学 基于卷积神经网络的环境噪声识别分类方法
CN110010155A (zh) * 2019-04-11 2019-07-12 中国一拖集团有限公司 基于卷积神经网络和mfcc的颤振识别方法和系统
CN110164472A (zh) * 2019-04-19 2019-08-23 天津大学 基于卷积神经网络的噪声分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
石文雷 等: "基于频谱动态特征和CS-SVM的装甲车辆识别", 《计算机应用》, vol. 38, no. 1 *
郭鹏 等: "基于共稀疏模型的MAG焊熔透状态的识别", 南昌大学学报（工科版）, vol. 40, no. 04 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112472065A (zh) * 2020-11-18 2021-03-12 天机医用机器人技术(清远)有限公司 基于咳嗽声识别的病症检测方法及其相关设备
CN112910348A (zh) * 2021-01-26 2021-06-04 西安交通大学 一种基于模型预测控制的平行结构频谱优化方法与系统
CN113126764A (zh) * 2021-04-22 2021-07-16 中国水利水电科学研究院 一种基于智能手表的个人用水量检测方法
CN113823089A (zh) * 2021-09-19 2021-12-21 广州丹雅科技有限公司 交通量检测方法、装置、电子设备及可读存储介质
CN114019310A (zh) * 2021-11-08 2022-02-08 国网湖南省电力有限公司 一种储能变流器的开路故障预判方法、设备及介质
CN114019310B (zh) * 2021-11-08 2024-02-20 国网湖南省电力有限公司 一种储能变流器的开路故障预判方法、设备及介质
CN114295910A (zh) * 2021-12-03 2022-04-08 国网河南省电力公司南阳供电公司 电压扰动监测模型构建方法及其应用
CN114220460A (zh) * 2021-12-16 2022-03-22 国网电子商务有限公司 音频的检测方法、装置、电子设备及存储介质
CN114234061A (zh) * 2021-12-20 2022-03-25 北京工业大学 一种基于神经网络的带压运行供水管道漏水音智能判别方法
CN114861835A (zh) * 2022-07-04 2022-08-05 浙江大学 一种基于非对称卷积的噪声性听力损失预测系统
CN114861835B (zh) * 2022-07-04 2022-09-27 浙江大学 一种基于非对称卷积的噪声性听力损失预测系统

Similar Documents

Publication Publication Date Title
CN111625763A (zh) 一种基于数学模型的运行风险预测方法和预测系统
CN109357749B (zh) 一种基于dnn算法的电力设备音频信号分析方法
CN106500735B (zh) 一种基于压缩感知的fbg信号自适应修复方法
CN108701469A (zh) 咳嗽声音识别方法、设备和存储介质
CN111912519B (zh) 基于声纹频谱分离的变压器故障诊断方法及装置
CN102982351A (zh) 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法
CN111368892A (zh) 一种广义s变换和svm的电能质量扰动高效识别方法
CN112329819A (zh) 基于多网络融合的水下目标识别方法
CN112329914A (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN114970646B (zh) 一种人工源电磁伪随机信号去趋势和噪声识别方法
Li et al. Multisensory speech enhancement in noisy environments using bone-conducted and air-conducted microphones
CN112183225A (zh) 一种基于概率潜在语义分析的水下目标信号特征提取方法
Ramírez et al. Modeling plate and spring reverberation using a dsp-informed deep neural network
CN117110989B (zh) 用于电力设备的噪声故障定位检测方法及系统
CN117031194B (zh) 用于配电网的超声波隐患检测方法及系统
CN118013191A (zh) 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及系统
CN117116278A (zh) 一种基于深度学习的电缆火灾早期发热声信号识别方法
Duangpummet et al. A robust method for blindly estimating speech transmission index using convolutional neural network with temporal amplitude envelope
CN116884438A (zh) 基于声学特征的练琴音准检测方法及系统
CN114034375B (zh) 一种特高压输电线路噪声测量系统及方法
CN115204222A (zh) 基于同步压缩小波变换的雷电预测方法、装置以及设备
CN109871784B (zh) 遗传算法优化匹配追踪的全波核磁共振信号噪声滤除方法
CN113113052B (zh) 一种离散点的语音基音识别装置及计算机存储介质
CN117520926B (zh) 一种电能质量分析方法及装置

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