CN112147444B - 一种电力变压器工作状态监测方法及系统 - Google Patents

Abstract

本发明公开了一种电力变压器工作状态监测方法及系统。所述方法包括：获取变压器多个监测点的声信号，得到多个变压器声信号时间序列；对变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各变压器声信号时间序列子片段的相关系数矩阵；计算各相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到变压器声信号时间序列的奇异谱熵融合曲线；计算变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；由加权灰色关联度确定变压器的工作状态。本发明能够提高电力变压器工作状态的监测效率和监测的准确性。

Description

一种电力变压器工作状态监测方法及系统

技术领域

本发明涉及信号监测领域，特别是涉及一种电力变压器工作状态监测方法及系统。

背景技术

电力变压器作为电压转换和电能传输的一次设备，在电力系统中有着十分重要的地位，并被称为电力系统的心脏，其安全稳定运行对电网的可靠性及稳定性意义重大。电力系统中的变压器用量大，容量等级和规格繁多，在长期运行过程中的故障及事故总是无法完全避免，一旦变压器出现故障，将可能对电网带来巨大的经济损失，并危及运维人员人身安全。因此，对运行中的电力变压器的工作状态进行及时有效的监测分析，及早发现潜在故障隐患，指导变压器的运行维护和状态检修，一直是电力行业设备运维人员的关注热点。

电力变压器在运行过程中，其铁芯和绕组在交变电磁场作用下产生周期性振动，这些机械振动通过变压器的固体结构件、绝缘油等传递至变压器箱壁，并和冷却系统振动一起经空气介质向四周辐射形成声音信号。显然，运行中的变压器声信号中包含着与变压器机械结构等密切相关的状态信息，且可利用声压传感器或麦克风等设备进行变电站现场变压器的声信号采集，具有操作简捷、测量频带宽、受安装方式影响小等优势，同时与变压器之间存在电气隔离，可在完全不影响设备正常运行的情况下实现带电监测。在以往的变电站现场检修工作中亦发现，有经验的运维人员可通过绝缘棒的一端紧贴设备箱壁外壳，在绝缘棒的另一端利用耳朵听取变压器辐射的声信号判断变压器是否处于异常运行状态。除了对某些未危及绝缘的早期机械类故障隐患之外，声信号监测法还可以对诸如过励磁、直流偏磁、放电声、过热等引发的绝缘油沸腾声等多种变压器缺陷类型进行监测分析，涵盖范围广且时效性强，这是现有诸多变压器故障检测方法所不具备的，日益成为变压器状态监测技术的研究热点。

运行中的变压器的声信号经变压器箱体向四周进行辐射传播时，不可避免地会受到诸如周围环境、信号衰减等多种因素的影响，故实际中通常会对变压器的声信号进行多方位监测，从而可以更加细化地体现声信号的多角度、多维度、及时空特征。而现有的变压器声信号主流分析方法如快速傅里叶变换与小波分析等大都对单一监测点的声信号进行分析，效率低；快速傅里叶算法较难以分析非平稳的故障声信号，小波分析会受到所选小波基的局限，准确度低。因此，现有的变压器监测方法无法实现对变压器工作状态的高效、准确判断。

发明内容

基于此，有必要提供一种电力变压器工作状态监测方法及系统，基于时空特征寻求声信号时间序列中蕴含的变压器工作状态模式信息，以提高电力变压器工作状态的监测效率和监测的准确性。

为实现上述目的，本发明提供了如下方案：

一种电力变压器工作状态监测方法，包括：

获取变压器多个监测点的声信号，得到多个变压器声信号时间序列；

对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵；

计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线；

计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；

由所述加权灰色关联度确定所述变压器的工作状态。

可选的，在所述获取变压器多个监测点的声信号，得到多个变压器声信号序列之后，还包括：

对各所述变压器声信号序列分别进行Z-score标准化处理，得到多个标准化后的变压器声信号序列。

可选的，所述对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵，具体包括：

采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列，得到C个长度为l₁的变压器声信号时间序列子片段；

判断是否满足l₁≤N₁-C×l₁；N₁为第i个变压器声信号时间序列的长度；

若是，则将第C个变压器声信号时间序列子片段的结束点作为第i个变压器声信号时间序列的左端点，并返回采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列的步骤；

若否，则计算各所述变压器声信号时间序列子片段的相关系数矩阵

其中，A为第j个变压器声信号时间序列子片段的相关系数矩阵；r_NN为相关系数矩阵中第N行第N列的元素。

可选的，所述计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线，具体包括：

对第j个变压器声信号时间序列子片段的相关系数矩阵进行奇异值分解，得到W个奇异值；

基于所述奇异值计算第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵

其中，H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；P_m为第m个奇异值与全部的W个奇异值之和的比值；δ_m为第m个奇异值；

将所有的变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵按照时间顺序进行排列，得到变压器声信号时间序列的奇异谱熵融合曲线。

可选的，所述计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度，具体为：

γ_j＝(γ'_j)^α[exp(-η_j)]^β

其中，γ为变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；C为变压器声信号时间序列子片段的总数；γ_j′为第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；γ_j为灰色加权后的第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；α、β均为权重系数，0≤α≤1，0≤β≤1，α+β＝1；ξ为分辨系数；η_j第j个变压器声信号时间序列子片段对应的中间变量；H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；H_j′为历史声信号时间序列中第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵。

本发明还提供了一种电力变压器工作状态监测系统，包括：

声信号获取模块，用于获取变压器多个监测点的声信号，得到多个变压器声信号时间序列；

相关系数矩阵计算模块，用于对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵；

奇异谱熵融合曲线确定模块，用于计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线；

加权灰色关联度计算模块，用于计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；

工作状态监测模块，用于由所述加权灰色关联度确定所述变压器的工作状态。

可选的，所述电力变压器工作状态监测系统还包括：

数据处理模块，用于对各所述变压器声信号序列分别进行Z-score标准化处理，得到多个标准化后的变压器声信号序列。

可选的，所述相关系数矩阵计算模块，具体包括：

滑窗切割单元，用于采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列，得到C个长度为l₁的变压器声信号时间序列子片段；

判断单元，用于判断是否满足l₁≤N₁-C×l₁；N₁为第i个变压器声信号时间序列的长度；若是，则将第C个变压器声信号时间序列子片段的结束点作为第i个变压器声信号时间序列的左端点，并返回所述滑窗切割单元；若否，则计算各所述变压器声信号时间序列子片段的相关系数矩阵

其中，A为第j个变压器声信号时间序列子片段的相关系数矩阵；r_NN为相关系数矩阵中第N行第N列的元素。

可选的，所述奇异谱熵融合曲线确定模块，具体包括：

奇异值分解单元，用于对第j个变压器声信号时间序列子片段的相关系数矩阵进行奇异值分解，得到W个奇异值；

奇异谱熵计算单元，用于基于所述奇异值计算第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵

其中，H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；P_m为第m个奇异值与全部的W个奇异值之和的比值；δ_m为第m个奇异值；

排序单元，用于将所有的变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵按照时间顺序进行排列，得到变压器声信号时间序列的奇异谱熵融合曲线。

可选的，所述加权灰色关联度计算模块，具体为：

γ_j＝(γ'_j)^α[exp(-η_j)]^β

其中，γ为变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；C为变压器声信号时间序列子片段的总数；γ_j′为第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；γ_j为灰色加权后的第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；α、β均为权重系数，0≤α≤1，0≤β≤1，α+β＝1；ξ为分辨系数；η_j第j个变压器声信号时间序列子片段对应的中间变量；H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；H_j′为历史声信号时间序列中第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵。

与现有技术相比，本发明的有益效果是：

本发明提出了一种电力变压器工作状态监测方法及系统，通过计算分析变压器不同监测点处声信号时间序列的奇异谱熵融合曲线的加权灰色关联度的变化，从而对变压器的工作状态进行判别。采用本发明的发明法或系统，可以实现变压器工作状态的声信号诊断，高效、灵敏地监测出变压器工作状态的变化情况；同时，通过将多个测点的声信号时间序列的时空特征进行融合分析，可以尽可能地细化并体现变压器工作状态的多角度多维度信息，提高监测结果的可靠性及鲁棒性，监测效率和监测的准确性高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的电力变压器工作状态监测方法的流程图；

图2为本发明实施例提供的采集的变压器声信号的示意图；

图3为本发明实施例提供的电力变压器工作状态监测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例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做出创造性劳动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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本实施例考虑到变压器声信号时间序列中蕴含着其随时间变化的历史趋势，且历史信息是未来发展的起因和基础，故可从变压器多方位的声信号出发，基于时空特征寻求声信号时间序列中的蕴含的变压器工作状态模式信息，为变压器的工作状态监测提供重要依据。

本实施例以一500kV变压器为对象进行状态监测。图1为本发明实施例提供的电力变压器工作状态监测方法的流程图。

参见图1，本实施例的电力变压器工作状态监测方法，包括：

步骤101：获取变压器多个监测点的声信号，得到多个变压器声信号时间序列。

所述步骤101，具体包括：

使用麦克风传感器采集变压器一段声信号s_i(t),i＝1,2,…,N，此处，N为声信号监测点的个数，采样频率为f_s，采集时间为T_s，此处，f_s＝51.2kHz；T_s＝4s，N＝6，采用如下测试方法：

1a.在离开变压器油箱壁一定距离处放置N个麦克风传感器，此处，N＝6。

1b.利用声信号采集系统采集运行中的变压器声信号，所述声信号采集系统由信号采集模块和信号分析显示终端其组成，其中，信号采集系统与麦克风传感器相连接，对采集到的声信号进行采集，并传送至信号分析显示终端，分析显示终端存储并显示采集的变压器声信号，得到N个变压器声信号时间序列。如图2所示，图2的(a)部分为测点1的变压器声信号的示意图，图2的(b)部分为测点2的变压器声信号示意图，图2的(c)部分为测点3的变压器声信号示意图，图2的(d)部分为测点4的变压器声信号示意图，图2的(e)部分为测点5的变压器声信号示意图。

步骤102：对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵。

所述步骤102，具体包括：

1)对N个麦克风传感器采集到的变压器声信号时间序列分别进行Z-score标准化处理，得到N个标准化后的变压器声信号序列y_i(t),i＝1,2,…,N，其中，第i个变压器声信号时间序列的Z-score标准化处理公式为：

N₁＝f_sT_s

其中，N₁为第i个变压器声信号时间序列s_i(t)的长度；

为第i个变压器声信号时间序列s_i(t)的均值；α_i为第i个变压器声信号时间序列s_i(t)的标准差；s_i(k)为第i个变压器声信号时间序列s_i(t)中第k个采样点的值。

2)对标准化后的N个变压器声信号时间序列进行滑窗分割，得到N个标准化后的变压器声信号时间序列子片段的相关系数矩阵，具体过程为：

3a.预设一个长度为l₁、覆盖所有N个标准化后的变压器声信号时间序列子片段y_i(t),i＝1,2,…,N的滑窗，此处，l₁＝600。

3b.从第i个变压器声信号时间序列y_i(t),i＝1,2,…,N的左端点开始，自左向右依次切割第i个变压器声信号时间序列y_i(t),i＝1,2,…,N，得到C个长度为l₁的变压器声信号时间序列子片段，此处，C＝512。

3c.对第i个变压器声信号时间序列y_i(t),i＝1,2,…,N来说，若满足l₁≤N₁-C×l₁，则将第C个变压器声信号时间序列子片段的结束点作为第i个变压器声信号时间序列的左端点，重复步骤3b，否则，停止切割，得到C个长度为l₁的N维声信号时间序列子片段。

3d.对第j个长度为l₁的N维变压器声信号时间序列子片段C(j),j＝1,2,…,INT(N₁/l₁)来说，此处，INT()为取整函数，将C个声信号时间序列子片段两两组合，计算其相关系数，写成矩阵的形式，用矩阵A表示，第j个变压器声信号时间序列子片段的相关系数矩阵A的行数为N，列数为N，表达式为：

其中，相关系数计算方法采用本领域常用的数学方法即可，在此不再进行赘述。

步骤103：计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线。

所述步骤103，具体包括：

4a.对第j个变压器声信号时间序列子片段的相关系数矩阵进行奇异值分解，此处，j＝1,2,…,C，记计算得到的矩阵A的W个奇异值为δ₁,δ₂,…,δ_W，且满足δ₁≥δ₂≥…≥δ_W。

4b.基于所述奇异值计算第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵

其中，H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；P_m为第m个奇异值与全部的W个奇异值之和的比值；δ_m为第m个奇异值；

4c.将所有的变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵按照时间顺序进行排列，得到变压器声信号时间序列的奇异谱熵融合曲线。

步骤104：计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度。

所述加权灰色关联度的计算公式为

γ_j＝(γ'_j)^α[exp(-η_j)]^β

其中，γ为变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；C为变压器声信号时间序列子片段的总数；γ_j′为第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；γ_j为灰色加权后的第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；α、β均为权重系数，0≤α≤1，0≤β≤1，α+β＝1；ξ为分辨系数；η_j第j个变压器声信号时间序列子片段对应的中间变量；H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；H_j′为历史声信号时间序列中第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵。

步骤105：由所述加权灰色关联度确定所述变压器的工作状态。

所述步骤105，具体为：根据加权灰色关联度对变压器工作状态进行判别：若加权灰色关联度γ大于0.8，则判断变压器工作状态正常；若加权灰色关联度γ小于0.8，则判断变压器工作状态发生变化，此时需要及时进行检修处理，避免形成重大故障。

本实施例的电力变压器工作状态监测方法，通过计算分析变压器不同监测点处声信号时间序列的奇异谱熵融合曲线的加权灰色关联度的变化，从而对变压器的工作状态进行判别。与现有技术相比，本发明具有以下有益效果：

步骤101中对多个监测点处的变压器声信号进行采集，能够充分体现变压器声信号的时间与空间分布特征，避免单个测点声信号中可能存在的信息缺失。

步骤102中对多个监测点处的变压器声信号进行标准化处理，能够将原始声信号幅值转化为无量纲的参数，消除了因麦克风传感器放置位置导致的声信号强度差异对计算结果的影响。

步骤102中对声信号时间序列进行滑窗分割和两两计算时间序列子片段的相关系数，可在兼顾声信号空间特征的同时准确提取声信号时间序列的变化模式。

步骤103中选用奇异谱熵作为时间序列子片段的相关系数矩阵的特征量，可更为准确地获取多个测点处声信号时间序列中蕴含的时空模式信息，提高监测结果的准确性。

步骤104中选用加权灰色关联度作为特征判据，充分考虑了变压器绕组状态检测用声信号时间序列奇异谱熵融合曲线的距离及形状信息。

步骤105中给出了变压器工作状态的定量检测标准，为变压器的检修维护提供了依据。

本发明还提供了一种电力变压器工作状态监测系统，图3为本发明实施例提供的电力变压器工作状态监测系统的结构示意图。

参见图3，本实施例的电力变压器工作状态监测系统包括：

声信号获取模块301，用于获取变压器多个监测点的声信号，得到多个变压器声信号时间序列。

相关系数矩阵计算模块302，用于对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵。

奇异谱熵融合曲线确定模块303，用于计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线。

加权灰色关联度计算模块304，用于计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度。

工作状态监测模块305，用于由所述加权灰色关联度确定所述变压器的工作状态。

作为一种可选的实施方式，所述电力变压器工作状态监测系统还包括：

数据处理模块，用于对各所述变压器声信号序列分别进行Z-score标准化处理，得到多个标准化后的变压器声信号序列。

作为一种可选的实施方式，所述相关系数矩阵计算模块302，具体包括：

滑窗切割单元，用于采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列，得到C个长度为l₁的变压器声信号时间序列子片段。

判断单元，用于判断是否满足l₁≤N₁-C×l₁；N₁为第i个变压器声信号时间序列的长度；若是，则将第C个变压器声信号时间序列子片段的结束点作为第i个变压器声信号时间序列的左端点，并返回所述滑窗切割单元；若否，则计算各所述变压器声信号时间序列子片段的相关系数矩阵

其中，A为第j个变压器声信号时间序列子片段的相关系数矩阵；r_NN为相关系数矩阵中第N行第N列的元素。

作为一种可选的实施方式，所述奇异谱熵融合曲线确定模块303，具体包括：

奇异值分解单元，用于对第j个变压器声信号时间序列子片段的相关系数矩阵进行奇异值分解，得到W个奇异值。

奇异谱熵计算单元，用于基于所述奇异值计算第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵

其中，H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；P_m为第m个奇异值与全部的W个奇异值之和的比值；δ_m为第m个奇异值。

排序单元，用于将所有的变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵按照时间顺序进行排列，得到变压器声信号时间序列的奇异谱熵融合曲线。

作为一种可选的实施方式，所述加权灰色关联度计算模块304，具体为：

γ_j＝(γ'_j)^α[exp(-η_j)]^β

其中，γ为变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；C为变压器声信号时间序列子片段的总数；γ_j′为第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；γ_j为灰色加权后的第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；α、β均为权重系数，0≤α≤1，0≤β≤1，α+β＝1；ξ为分辨系数；η_j第j个变压器声信号时间序列子片段对应的中间变量；H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；H_j′为历史声信号时间序列中第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种电力变压器工作状态监测方法，其特征在于，包括：

获取变压器多个监测点的声信号，得到多个变压器声信号时间序列；

对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵；

计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线；

计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；

由所述加权灰色关联度确定所述变压器的工作状态；

所述计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线，具体包括：

对第j个变压器声信号时间序列子片段的相关系数矩阵进行奇异值分解，得到W个奇异值；

基于所述奇异值计算第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵

其中，H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；P_m为第m个奇异值与全部的W个奇异值之和的比值；δ_m为第m个奇异值；

将所有的变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵按照时间顺序进行排列，得到变压器声信号时间序列的奇异谱熵融合曲线。

2.根据权利要求1所述的一种电力变压器工作状态监测方法，其特征在于，在所述获取变压器多个监测点的声信号，得到多个变压器声信号序列之后，还包括：

对各所述变压器声信号序列分别进行Z-score标准化处理，得到多个标准化后的变压器声信号序列。

3.根据权利要求1所述的一种电力变压器工作状态监测方法，其特征在于，所述对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵，具体包括：

采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列，得到C个长度为l₁的变压器声信号时间序列子片段；

判断是否满足l₁≤N₁-C×l₁；N₁为第i个变压器声信号时间序列的长度；

若是，则将第C个变压器声信号时间序列子片段的结束点作为第i个变压器声信号时间序列的左端点，并返回采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列的步骤；

若否，则计算各所述变压器声信号时间序列子片段的相关系数矩阵

其中，A为第j个变压器声信号时间序列子片段的相关系数矩阵；r_NN为相关系数矩阵中第N行第N列的元素。

4.根据权利要求1所述的一种电力变压器工作状态监测方法，其特征在于，所述计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度，具体为：

γ_j＝(γ'_j)^α[exp(-η_j)]^β

其中，γ为变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；C为变压器声信号时间序列子片段的总数；γ_j′为第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；γ_j为灰色加权后的第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；α、β均为权重系数，0≤α≤1，0≤β≤1，α+β＝1；ξ为分辨系数；η_j第j个变压器声信号时间序列子片段对应的中间变量；H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；H_j′为历史声信号时间序列中第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵。

5.一种电力变压器工作状态监测系统，其特征在于，包括：

声信号获取模块，用于获取变压器多个监测点的声信号，得到多个变压器声信号时间序列；

相关系数矩阵计算模块，用于对所述变压器声信号时间序列进行滑窗分割，得到多个变压器声信号时间序列子片段，并计算各所述变压器声信号时间序列子片段的相关系数矩阵；

奇异谱熵融合曲线确定模块，用于计算各所述相关系数矩阵的奇异谱熵，并将所有的奇异谱熵融合得到所述变压器声信号时间序列的奇异谱熵融合曲线；

加权灰色关联度计算模块，用于计算所述变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；

工作状态监测模块，用于由所述加权灰色关联度确定所述变压器的工作状态；

所述奇异谱熵融合曲线确定模块，具体包括：

奇异值分解单元，用于对第j个变压器声信号时间序列子片段的相关系数矩阵进行奇异值分解，得到W个奇异值；

奇异谱熵计算单元，用于基于所述奇异值计算第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵

其中，H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；P_m为第m个奇异值与全部的W个奇异值之和的比值；δ_m为第m个奇异值；

排序单元，用于将所有的变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵按照时间顺序进行排列，得到变压器声信号时间序列的奇异谱熵融合曲线。

6.根据权利要求5所述的一种电力变压器工作状态监测系统，其特征在于，还包括：

数据处理模块，用于对各所述变压器声信号序列分别进行Z-score标准化处理，得到多个标准化后的变压器声信号序列。

7.根据权利要求5所述的一种电力变压器工作状态监测系统，其特征在于，所述相关系数矩阵计算模块，具体包括：

滑窗切割单元，用于采用长度为l₁且覆盖所有的变压器声信号时间序列的滑窗，从第i个变压器声信号时间序列的左端点开始，从左向右依次切割第i个变压器声信号时间序列，得到C个长度为l₁的变压器声信号时间序列子片段；

判断单元，用于判断是否满足l₁≤N₁-C×l₁；N₁为第i个变压器声信号时间序列的长度；若是，则将第C个变压器声信号时间序列子片段的结束点作为第i个变压器声信号时间序列的左端点，并返回所述滑窗切割单元；若否，则计算各所述变压器声信号时间序列子片段的相关系数矩阵

其中，A为第j个变压器声信号时间序列子片段的相关系数矩阵；r_NN为相关系数矩阵中第N行第N列的元素。

8.根据权利要求5所述的一种电力变压器工作状态监测系统，其特征在于，所述加权灰色关联度计算模块，具体为：

γ_j＝(γ'_j)^α[exp(-η_j)]^β

其中，γ为变压器声信号时间序列的奇异谱熵融合曲线与对应的变压器历史声信号时间序列的奇异谱熵融合曲线的加权灰色关联度；C为变压器声信号时间序列子片段的总数；γ_j′为第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；γ_j为灰色加权后的第j个变压器声信号时间序列子片段的奇异谱熵与对应的历史值的相关度；α、β均为权重系数，0≤α≤1，0≤β≤1，α+β＝1；ξ为分辨系数；η_j第j个变压器声信号时间序列子片段对应的中间变量；H_j为第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵；H_j′为历史声信号时间序列中第j个变压器声信号时间序列子片段的相关系数矩阵的奇异谱熵。

Images