CN112149569B - 变压器基于模糊c均值聚类算法的声纹故障诊断方法 - Google Patents

变压器基于模糊c均值聚类算法的声纹故障诊断方法 Download PDF

Info

Publication number
CN112149569B
CN112149569B CN202011012308.XA CN202011012308A CN112149569B CN 112149569 B CN112149569 B CN 112149569B CN 202011012308 A CN202011012308 A CN 202011012308A CN 112149569 B CN112149569 B CN 112149569B
Authority
CN
China
Prior art keywords
voiceprint
fault
fuzzy
transformer
means clustering
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.)
Active
Application number
CN202011012308.XA
Other languages
English (en)
Other versions
CN112149569A (zh
Inventor
林瑞全
林剑峰
王俊
李振嘉
郑炜
程长春
章敏
谢欢
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202011012308.XA priority Critical patent/CN112149569B/zh
Publication of CN112149569A publication Critical patent/CN112149569A/zh
Application granted granted Critical
Publication of CN112149569B publication Critical patent/CN112149569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Testing Relating To Insulation (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Protection Of Transformers (AREA)

Abstract

本发明提出一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型。当变压器中出现声纹异常时，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以有效检测出声纹故障的类型。从而实现了由变压器由异常声纹引发的故障的诊断。

Description

变压器基于模糊C均值聚类算法的声纹故障诊断方法
技术领域
本发明属于变压器的故障诊断领域，尤其涉及一种变压器基于模糊C均值聚类算法的声纹故障诊断方法。
背景技术
随着电力系统的日益发展，电气设备的故障越来越引人重视，其中电力变压器的故障是电气设备的主要来源。绕组和铁芯是电力变压器的重要组成部分，绕组和铁芯的机械运行状况直接关系到变压器系统的安全。变压器箱的声纹与铁芯和绕组的机械状态密切相关，特别是交流电通过变压器绕组，在铁芯中产生周期性的振动响声是均匀的嗡嗡声。但是随着机器的长期运转，会出现一些异常的声纹，这些声纹可能由压紧铁芯的螺丝松动、绕组发生短路、分接开关因接触不良引起严重过热、变压器过负荷、电网过电压等都是引起变压器声纹故障的因素。而这些异常声纹信号往往很难判断其来源，因此，为了保证变压器的运行安全，从而提高供电可靠性，基于变压器绕组和铁芯的运行状态的声纹信号故障诊断是非常有必要的。
目前，对于变压器绕组的检测的主要方法有短路阻抗法、振动分析法、频率响应分析法、低压脉冲响应法，铁芯的检测方法有油色谱分析法和测试绝缘电阻法。这些早期的诊断方法虽然能起到一定的作用，但不能提前发现早期故障，特别是一些异常声纹信号，上述的诊断方法就很难诊断出该故障类型。
发明内容
为了填补现有技术的空白，本发明提出一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，从而实现对变压器由异常声纹引发的故障的诊断。
本发明具体采用以下技术方案：
一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于:利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型。
优选地，所述声纹故障数据通过非接触式、无电气连接安装的声纹采集器进行采集。
优选地，不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得。
优选地，利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类的过程具体包括以下步骤：
步骤S1：将样本空间用N×n的模式矩阵表示为：
Figure GDA0003581911420000021
其中，模式矩阵X的行为模式矢量,列为特征值，x为样本；
步骤S2：将模式矩阵X中的N个模式分成C类，2≤C≤N,并将分类关系用隶属函数表示为：
Figure GDA0003581911420000022
其中,R为实数，N×C矩阵为隶属函数矩阵，表示为：
Figure GDA0003581911420000023
式中,μik为第i个模式对第k个聚类的隶属度；
步骤S3：计算聚类中心向量，目标函数表达式为：
Figure GDA0003581911420000024
其中：Vi为聚类的中心矢量,Vi＝{v1,v2,…vc}；m为权重指数，m>1；式中Xk到聚类中心的距离为：
Figure GDA0003581911420000025
Xk为某一个数据点；
步骤S4：模糊C均值聚类的目标函数为：
Figure GDA0003581911420000026
引入拉格朗日乘数法,其中φ为参数，即：
Figure GDA0003581911420000031
其中一个声纹故障数据构成的数据集隶属度和为1，即
Figure GDA0003581911420000032
通过给定模式矩阵X,选取聚类个数1<C<N,权重指数m>1,终止误差ε>0,再初始化隶属函数矩阵U,根据式
Figure GDA0003581911420000033
式
Figure GDA0003581911420000034
Figure GDA0003581911420000035
式
Figure GDA0003581911420000036
进行迭代,直到满足式||U(l)-U(l-1)||<ε,即可计算出聚类中心和隶属度矩阵，完成声纹故障数据的分类。
优选地，不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得；所述终止误差通过模糊C均值聚类算法获得的故障分类和预设的故障分类的拟合程度进行迭代确定。
与现有技术相比，本发明及其优选方案有以下有益效果：通过声纹采集器采集声纹信号，采集器采用非接触式安装，没有电气连接，从而避免了测试过程中的人身危险问题。测量系统不受变电站电磁干扰的影响，降低了信号提取和处理的难度。当变压器中出现声纹异常时，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以有效检测出声纹故障的类型。从而实现了由变压器由异常声纹引发的故障的诊断。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例流程示意图；
图2为本发明实施例模糊C均值聚类算法诊断流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
如图1所示，本实施提供了一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，具体包括以下步骤：
步骤1：通过声纹采集器，获取变压器绕组和铁芯机械运行状态中的声纹故障数据；
步骤2：将收集到的声纹故障数据传送到数据采集终端，进行初始化分析，将清晰声纹提取为样本数据。
步骤3：利用模糊C均值算法对声纹数据进行分类标注，从而判断出具体的故障类型。
进一步地，如图2所示，本实施例还提供模糊C均值算法对声纹数据的诊断步骤如下所示：
步骤(3.1)：设样本空间用N×n的模式矩阵表示为：
Figure GDA0003581911420000041
式中，模式矩阵X的行称为模式矢量,列称为特征值。
步骤(3.2)：把X中的N个模式分成C(2≤C≤N)类,这种分类关系可用隶属
函数表示为：
Figure GDA0003581911420000042
式中,N×C矩阵为隶属函数矩阵为：
Figure GDA0003581911420000043
式中,μik——第i个模式对第k个聚类的隶属度。
步骤(3.3)计算聚类中心向量，目标函数表达式为：
Figure GDA0003581911420000051
式中：Vi——聚类的中心矢量,Vi＝{v1,v2,…vc}；m——权重指数，m>1.式中模式矩阵Xk到聚类中心的距离为：
Figure GDA0003581911420000052
步骤(3.4)引入拉格朗日乘数法,即：
Figure GDA0003581911420000053
通过给定模式矩阵X,选取聚类个数1<C<N,权重指数m>1,终止误差ε>0,再初始化隶属函数矩阵U,根据式
Figure GDA0003581911420000054
式
Figure GDA0003581911420000055
Figure GDA0003581911420000056
式
Figure GDA0003581911420000057
进行迭代,直到满足式||U(l)-U(l-1)||<ε,就可计算出聚类中心和隶属度矩阵，从而判别出声纹故障的类型。
基于上述的设计过程，以下对基于模糊C均值聚类算法的诊断流程再做说明。包括下列步骤：
(1)采集声纹故障信号，对采集到的信号进行初始化处理。
(2)设模式矩阵X，选取聚类个数C(1<C<N),终止误差ε；
(3)初始化聚类中心Vi，初始化隶属度矩阵U；
(4)计算隶属度矩阵U、聚类中心Vi，
根据上述步骤求出隶属度矩阵U、聚类中心Vi，直到满足式||U(l)-U(l-1)||<ε，停止迭代，得到每个类别的聚类中心Vi和隶属度矩阵U。
需要说明的是，本实施例提供的一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，利用模糊C均值对声纹数据进行处理，可以确定各个声纹数据样本的聚类中心，变压器声纹引起的故障类别有：由压紧铁芯的螺丝松动、绕组发生短路、分接开关因接触不良引起严重过热、变压器过负荷、电网过电压等。通过隶属度矩阵的行对应着所属类别，列对应着数据样本的顺序编号，隶属度矩阵每一列最大数据所在的行即为数据样本所对应的故障类别，这样就可以实现对声纹故障的诊断。
在本实施例中，不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得；所述终止误差通过模糊C均值聚类算法获得的故障分类和预设的故障分类的拟合程度进行迭代确定。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的变压器基于模糊C均值聚类算法的声纹故障诊断方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (4)

1.一种变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于:利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类，并利用分类的结果判断故障的类型；
利用模糊C均值聚类算法对变压器绕组和铁芯机械运行状态中产生的不同声纹故障数据进行分类的过程具体包括以下步骤：
步骤S1：将样本空间用N×n的模式矩阵表示为：
Figure FDA0003581911410000011
其中，模式矩阵X的行为模式矢量,列为特征值，x为样本；
步骤S2：将模式矩阵X中的N个模式分成C类，2≤C≤N,并将分类关系用隶属函数表示为：
Figure FDA0003581911410000012
其中,R为实数，N×C矩阵为隶属函数矩阵，表示为：
Figure FDA0003581911410000013
式中,μik为第i个模式对第k个聚类的隶属度；
步骤S3：计算聚类中心向量，目标函数表达式为：
Figure FDA0003581911410000014
其中：Vi为聚类的中心矢量,Vi＝{v1,v2,…vc}；m为权重指数，m>1；式中Xk到聚类中心的距离为：
Figure FDA0003581911410000015
Xk为数据点；
步骤S4：模糊C均值聚类的目标函数为：
Figure FDA0003581911410000021
引入拉格朗日乘数法,其中φ为参数，即：
Figure FDA0003581911410000022
其中一个声纹故障数据构成的数据集隶属度和为1，即
Figure FDA0003581911410000023
通过给定模式矩阵X,选取聚类个数1<C<N,权重指数m>1,终止误差ε>0,再初始化隶属函数矩阵U,根据式
Figure FDA0003581911410000024
式
Figure FDA0003581911410000025
Figure FDA0003581911410000026
式
Figure FDA0003581911410000027
进行迭代,直到满足式||U(l)-U(l-1)||<ε,即可计算出聚类中心和隶属度矩阵，完成声纹故障数据的分类。
2.根据权利要求1所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：所述声纹故障数据通过非接触式、无电气连接安装的声纹采集器进行采集。
3.根据权利要求2所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得。
4.根据权利要求1所述的变压器基于模糊C均值聚类算法的声纹故障诊断方法，其特征在于：不同的所述声纹故障数据通过主动制造不同类型的变压器故障获得；所述终止误差通过模糊C均值聚类算法获得的故障分类和预设的故障分类的拟合程度进行迭代确定。
CN202011012308.XA 2020-09-24 2020-09-24 变压器基于模糊c均值聚类算法的声纹故障诊断方法 Active CN112149569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011012308.XA CN112149569B (zh) 2020-09-24 2020-09-24 变压器基于模糊c均值聚类算法的声纹故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011012308.XA CN112149569B (zh) 2020-09-24 2020-09-24 变压器基于模糊c均值聚类算法的声纹故障诊断方法

Publications (2)

Publication Number Publication Date
CN112149569A CN112149569A (zh) 2020-12-29
CN112149569B true CN112149569B (zh) 2022-06-14

Family

ID=73896402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011012308.XA Active CN112149569B (zh) 2020-09-24 2020-09-24 变压器基于模糊c均值聚类算法的声纹故障诊断方法

Country Status (1)

Country Link
CN (1) CN112149569B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884044B (zh) * 2021-02-24 2024-03-22 南京航空航天大学 非对齐多视图环境下机器人故障检测方法
CN113190728A (zh) * 2021-04-06 2021-07-30 国网浙江省电力有限公司湖州供电公司 一种基于聚类优化的油浸式变压器故障诊断方法
CN113793626A (zh) * 2021-08-09 2021-12-14 邹平市供电有限公司 一种电力设备运行状态监测系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013185405A1 (zh) * 2012-06-13 2013-12-19 江苏省电力公司南京供电公司 电力变压器铁芯松动故障诊断与故障初步定位系统及方法
CN107273911A (zh) * 2017-04-24 2017-10-20 国网江西省电力公司赣州供电分公司 一种基于模糊c均值聚类分析的台区负荷精确分类方法
CN107656154A (zh) * 2017-09-18 2018-02-02 杭州安脉盛智能技术有限公司 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN107748314A (zh) * 2017-10-18 2018-03-02 国网重庆市电力公司北碚供电分公司 基于声波震荡检测的变压器故障分析系统
CN110133410A (zh) * 2019-05-31 2019-08-16 国网河北省电力有限公司石家庄供电分公司 基于模糊c均值聚类算法的变压器故障诊断方法及系统
CN110634493A (zh) * 2019-09-09 2019-12-31 国网湖南省电力有限公司 基于声纹图像特征的变压器状态识别方法、系统及介质
CN111191698A (zh) * 2019-12-22 2020-05-22 中国人民解放军陆军工程大学 基于非负矩阵分解和模糊c均值的聚类方法
CN111537919A (zh) * 2020-05-14 2020-08-14 莫毓昌 一种基于声纹特征的变压器故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013185405A1 (zh) * 2012-06-13 2013-12-19 江苏省电力公司南京供电公司 电力变压器铁芯松动故障诊断与故障初步定位系统及方法
CN107273911A (zh) * 2017-04-24 2017-10-20 国网江西省电力公司赣州供电分公司 一种基于模糊c均值聚类分析的台区负荷精确分类方法
CN107656154A (zh) * 2017-09-18 2018-02-02 杭州安脉盛智能技术有限公司 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN107748314A (zh) * 2017-10-18 2018-03-02 国网重庆市电力公司北碚供电分公司 基于声波震荡检测的变压器故障分析系统
CN110133410A (zh) * 2019-05-31 2019-08-16 国网河北省电力有限公司石家庄供电分公司 基于模糊c均值聚类算法的变压器故障诊断方法及系统
CN110634493A (zh) * 2019-09-09 2019-12-31 国网湖南省电力有限公司 基于声纹图像特征的变压器状态识别方法、系统及介质
CN111191698A (zh) * 2019-12-22 2020-05-22 中国人民解放军陆军工程大学 基于非负矩阵分解和模糊c均值的聚类方法
CN111537919A (zh) * 2020-05-14 2020-08-14 莫毓昌 一种基于声纹特征的变压器故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Transformer Fault Diagnosis Technique Based on Voiceprint and Vibration;Yu Zhangting at el.;《High Voltage Apparatus》;20191130;第55卷(第11期);全文 *
可能性模糊均值聚类的变压器故障诊断研究;陈波等;《工业技术创新》;20160825(第04期);全文 *
基于 50Hz 倍频倒谱系数与门控循环单元的;刘云鹏 等;《中国电机工程学报》;20200720;第44卷(第14期);全文 *

Also Published As

Publication number Publication date
CN112149569A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112149569B (zh) 变压器基于模糊c均值聚类算法的声纹故障诊断方法
CN116879662B (zh) 基于数据分析的变压器故障检测方法
CN103499382B (zh) 一种基于振动数据融合和图像识别的变压器故障诊断方法
CN112200032A (zh) 一种基于注意力机制的高压断路器机械状态在线监测方法
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN111382809B (zh) 一种基于电机输出功率的隔离开关机械故障诊断方法
US11867763B2 (en) Method for monitoring circuit breaker and apparatus and internet of things using the same
Akhmetov et al. A new diagnostic technique for reliable decision-making on transformer FRA data in interturn short-circuit condition
CN109828168A (zh) 基于核密度估计的变换器故障诊断方法
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN109342882A (zh) 基于多源特征值分析的电缆故障在线监测方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
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
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
Kakolaki et al. Comprehensive study on transformer fault detection via frequency response analysis
CN117630797A (zh) 基于工作电流的电表健康状态检测方法、系统及存储介质
CN112132226A (zh) 一种±1100kV复合绝缘子缺陷诊断方法
CN115728628A (zh) 一种断路器控制回路故障在线监测预警方法及装置
CN116125260A (zh) 一种基于多元数据融合的断路器机电故障边缘诊断方法
Kumar et al. Classification of PD faults using features extraction and K-means clustering techniques
CN116166980A (zh) 一种电力设备的故障诊断方法及装置
CN110208658B (zh) 一种对局部放电诊断结果进行多元互补交叉验证的方法
CN106443238A (zh) 高压设备状态评估方法、在线监测装置评估方法及装置
CN112906489A (zh) 一种基于lmd与排列熵的变压器机绕组松动识别方法
CN113608074B (zh) 一种多表位耐压试验装置自动化在线监测方法及系统

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