CN112927710A - 一种基于无监督方式的电力变压器工况噪声分离方法 - Google Patents

Abstract

本发明涉及一种基于无监督方式的电力变压器工况噪声分离方法，与现有技术相比解决了难以从电力变压器声纹信号中分离出噪声的缺陷。本发明包括以下步骤：电力变压器声纹数据的采集；声纹数据的预处理；变压器声纹的压缩；变压器工况噪声的分离。本发明通过采集的变压器音频，经去噪处理后，综合运用频率压缩方法、频率特征提取变压器声纹特征并进行有效融合；针对变压器工况声音由稳定工作状况发出的声音与不稳定的瞬时杂音加性叠加问题，提出一种基于特征向量夹角相似度算法，实现了声纹叠加的分离检测，分离出变压器工况噪声特性，为变压器工作状态的判断检测打下了基础。

Description

一种基于无监督方式的电力变压器工况噪声分离方法

技术领域

本发明涉及电力设备技术领域，具体来说是一种基于无监督方式的电力变压器工况噪声分离方法。

背景技术

由于大型电力变压器(电抗器)内部放电、过热、绕组变形、机械部件松动及设备绝缘老化等潜伏性故障因素的影响，随着时间积累会导致电力变压器(电抗器)运行过程中出现严重故障。传统的人工判断方法是通过用人耳听取设备运行声音来判断故障类型与故障位置。此类方法具有一定的局限性、模糊性、主观性与缺乏持久性，具体表现为不同技术人员对变压器故障的判断标准可能存在不一致，且一些细微声信号无法判定，需要一定知识与经验的积累。

长久以来，电力变压器(电抗器)的声纹信号被当作噪声而忽略了其价值。电力变压器(电抗器)的不同的故障类型影响着电力变压器(电抗器)的振动状态，进而会产生不同的声波信号，因此应用声纹传感器装置可采集变压器运行中的持续声纹信号，通过对声纹信号的分析与识别可实现对电力变压器(电抗器)进行工况检测与诊断。但是，电力变压器工作时产生的声纹信号较丰富，在正常电器振动产生的声纹信号中夹杂着噪声，而这些声纹信号若不能区别出噪声特性，会对基于声纹信号分析电力变压器故障带来不利影响。

那么，如何从电力变压器(电抗器)的声纹信号分离出正常振动声和噪声已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中难以从电力变压器声纹信号中分离出噪声特性的缺陷，提供一种基于无监督方式的电力变压器工况噪声分离方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于无监督方式的电力变压器工况噪声分离方法，包括以下步骤：

11)电力变压器声纹数据的采集：通过声纹采集传感器实地采集获取电力变压器音频数据；

12)声纹数据的预处理：运用分段、分帧、音频加窗预处理方法对所采集的变压器声纹进行去噪处理；

13)变压器声纹的压缩：运用频率压缩方法对预处理后的声纹数据进行频率压缩，得到帧信号的压缩特征；

14)变压器工况噪声的分离：基于特征向量夹角相似度算法进行声纹叠加的分离检测，分离出变压器工况噪声特性。

所述声纹数据的预处理包括以下步骤：

21)对采集的变压器音频s(t)进行分段操作：

对获得的变压器音频数据进行分段切分成s(t)＝{s₁(t),s₂(t),...,s_q(t),...s_r(t)}，计算声纹数据的总长度L，其计算公式如下：

L＝time×fS_Sample＝r×r_L，

其中，fs_sample为该音频的采样频率,time是采样时间，r为分段数量，r_L为分段长度；

22)对已经分段的变压器音频数据s_q(t)进行分帧处理：

将变压器声纹帧长设为500ms，进行分帧处理为

s_q(t)＝{s_q1(t),s_q2(t),...,s_qp(t),...s_qLength(t)}，

其中，每一帧长度设定为500ms，每一段分为Length帧；

23)对分帧后变压器音频加窗处理：

对分帧数据进行端点平滑的加窗处理，使用hamming窗对帧进行加窗处理，Hamming窗的函数表示如下：

其中M为帧长；

针对每一帧得到时域信号f_qp(t)，其表达式如下：

f_qp(t)＝s_qp(t)*w(n)，

其中，f_qp(t)是第q段信号的第p帧的时域信号，w(n)为加窗函数，s_qp(t)为第q段信号的第p帧的信号值。

所述变压器声纹的压缩包括以下步骤：

31)利用离散傅里叶变换将每一帧的时域信号f_qp(t)变换到频域F_qp(w)，离散傅里叶变换的表达式如下：

其中，f_qp(t)为时域函数，F_qp(w)为其离散傅里叶变换后得到的频域函数；

32)对频域F_qp(w)进行压缩处理：

321)将声音的频谱信息w分为低频数据[L1,L2]、中频[M1,M2]、高频[H1,H2]三个频段；

322)对三种频段使用不同的频率压缩比例k1,k2,k3进行压缩，

其中k1>k2>k3；

323)采取最大值策略进行压缩取值，选取每个压缩区间最大值作为压缩结果，得到压缩后的数据为

其中，低频总维度w1＝(L2-L1)/k1，中频总维度w2＝(M2-M1)/k2，高频总维度w3＝(H2-H1)/k3；

表示低频压缩数据，

表示中频压缩数据，

表示高频压缩数据；

得到第q段第p帧信号的压缩特征Z_qp(i),0≤i≤w1+w2+w3。

所述变压器工况噪声的分离包括以下步骤：

41)设声纹提取的特征数据为Z₁₁,...,Z_qp,...,Z_rLength，共r*Length帧，Z_qp是第q段信号的第p帧的特征数据；

42)利用相似度置换方法将音频分离成稳定部分与不稳定部分；

43)针对语音信号的特征向量Z_qp，计算此信号与全部信号Z₁₁,...,Z_qp,...,Z_rLength的特征向量夹角相似度值集合

Similarity＝{cosθ(Z_qp,Z_qp)＝(Z_qp*Z_qp)/||Z_qp||||Z_qp||,1≤q≤r,1≤p≤Length}；

44)在相似度值集合中寻找最大的a个相似度值，对应向量为

45)选取第b个向量

使用该向量替换原帧向量；

46)重复41)步骤、42)步骤和43)步骤，直到得到一个近似的稳定向量组

47)将Z₁₁,...,Z_qp,...,Z_rLength与

进行差值计算，得到对应的不稳定向量组

不稳定向量组为分离出的变压器工况噪声特性。

有益效果

本发明的一种基于无监督方式的电力变压器工况噪声分离方法，与现有技术相比通过采集的变压器音频，经去噪处理后，综合运用频率压缩方法、频率特征提取变压器声纹特征并进行有效融合；针对变压器工况声音由稳定工作状况发出的声音与不稳定的瞬时杂音加性叠加问题，提出一种基于特征向量夹角相似度算法，实现了声纹叠加的分离检测，分离出变压器工况噪声特性，为变压器工作状态的判断检测打下了基础。

附图说明

图1为本发明的方法顺序图；

图2为现有技术中Matlab读取的wav文件时域谱线图；

图3为Matlab读取的波形分解图；

图4a为Matlab读取的原始音频图；

图4b为Matlab读取的分离出后稳定音频图；

图4c为Matlab读取的分离出后不稳定音频(噪声)图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种基于无监督方式的电力变压器工况噪声分离方法，包括以下步骤：

第一步，电力变压器声纹数据的采集：通过声纹采集传感器实地采集获取电力变压器音频。

第二步，声纹数据的预处理：运用分段、分帧、音频加窗预处理方法对所采集的变压器声纹进行去噪处理。其具体步骤如下：

(1)对采集的变压器音频s(t)进行分段操作。为了使输入的变压器音频都包含统一时长的信息，需要对时长进行限制。一般的，需要对获得的变压器音频数据进行分段切分。由于变压器声纹数据是一些列离散点，每个点对应一个采样点。

对获得的变压器音频数据进行分段切分成s(t)＝{s₁(t),s₂(t),...,s_q(t),...s_r(t)}，计算声纹数据的总长度L，其计算公式如下：

L＝time×fS_Sample＝r×r_L，

其中，fs_sample为该音频的采样频率，time是采样时间，r为分段数量，r_L为分段长度。

(2)对已经分段的变压器音频数据s_q(t)进行分帧处理，以减少数据处理的运算量，一般认为声音信号在长时间内呈现多变性，在短时间内呈现不变性,变压器声纹相对语音声纹，其变化较少。

声音信号一般在长时间内呈现多变性，在短时间内呈现不变性。即在极短时间内，声音的特征可以看似成固定不变的，因此本发明对整个变压器声纹数据进行进一步切分。

将变压器声纹帧长设为500ms，进行分帧处理为

s_q(t)＝{s_q1(t),s_q2(t),...,s_qp(t),...s_qLength(t)}，

其中，每一帧长度设定为500ms,，每一段分为Length帧。

(3)对分帧后变压器音频加窗处理。分帧在减少计算量的同时也会对声音信号带来不好的影响，因为其直接对音频波形进行简单切分(矩形窗)，导致其在边界出现锐利的高频信号，其一般表现为在频谱中高频谐波分量增加，出现吉布斯效应，对后续信号处理产生不利影响。为了减少这种影响，需要对分帧数据进行端点平滑的加窗处理，本发明使用hamming窗对帧进行加窗处理。

对分帧数据进行端点平滑的加窗处理，使用hamming窗对帧进行加窗处理，Hamming窗的函数表示如下：

其中M为帧长；

针对每一帧得到时域信号f_qp(t)，其表达式如下：

f_qp(t)＝s_qp(t)*w(n)，

其中，f_qp(t)是第q段信号的第p帧的时域信号，w(n)为加窗函数，s_qp(t)为第q段信号的第p帧的信号值。

第三步，变压器声纹的压缩：运用频率压缩方法对预处理后的声纹数据进行频率压缩，得到帧信号的压缩特征。

图2中显示的是声音数据的时域谱线，即时间与波形振幅对应关系。在声音信号分析中，瞬时波形的振幅对应数据瞬时的能量，因此当振幅越大时，其能量越大。由图2可知，该数据在起止处出现了两次峰值，分析可知该处出现了较大的摩擦声。该方法虽然能够直观的展现较大能量杂音出现位置，但是在其他时间时域无法区分声音异常，能量特征无法单独检测杂音位置，需要进一步使用其他方法分析。为了更深入的分析声音波形振动特征，一般认为任何一段声音可以分解为一系列不同周期与幅度的三角函数(正弦函数、余弦函数)的叠加，如图3所示。故可以使用这一系列三角函数的频率与幅度来表达这段声音的特征，这种对应关系与时间无关，而与频率有关，故与时域谱对应称为频域。时域向频域的变化使用傅里叶变换(FourierTransform)实现。

变压器声纹的压缩包括以下步骤：

(1)利用离散傅里叶变换将每一帧的时域信号f_qp(t)变换到频域F_qp(w)，离散傅里叶变换的表达式如下：

其中，f_qp(t)为时域函数，F_qp(w)为其离散傅里叶变换后得到的频域函数。

(2)对频域F_qp(w)进行压缩处理。

虽然梅尔频率系数有降维优势，且在高频压缩效果非常出色，但是梅尔频率在变压器的应用中低频压缩太宽泛导致低频分辨率的不足，即在低频中其分辨率即使已经达到与变压器工作频率对应，也无法分辨非正常工作频率的信号，这将导致无法准确的判断是否存在非正常工作频率噪音。因此需要进一步增加低频分辨率，基于梅尔频率“分辨率从高到低变化“的思想，使用类似的频率压缩策略。得到第q段第p帧信号的压缩特征Z_qp(i),0≤i≤w1+w2+w3，一个在低频拥有足够的分辨率，同时有效减少中高频特征维度的频率压缩特征。

A1)将声音的频谱信息w分为低频数据[L1,L2]、中频[M1,M2]、高频[H1,H2]三个频段；

A2)对三种频段使用不同的频率压缩比例k1,k2,k3进行压缩，

其中k1>k2>k3；

A3)采取最大值策略进行压缩取值，选取每个压缩区间最大值作为压缩结果，得到压缩后的数据为

其中，低频总维度w1＝(L2-L1)/k1，中频总维度w2＝(M2-M1)/k2，高频总维度w3＝(H2-H1)/k3；

表示低频压缩数据，

表示中频压缩数据，

表示高频压缩数据；

得到第q段第p帧信号的压缩特征Z_qp(i),0≤i≤w1+w2+w3。

第四步，变压器工况噪声的分离：基于特征向量夹角相似度算法进行声纹叠加的分离检测，分离出变压器工况噪声特性。

采集的变压器工况声音一般是由稳定工作状况发出的声音与不稳定的瞬时杂音加性叠加的，忽略可能存在的互相干扰。同时一段音频应该在绝大部分时间是相似的，即稳定的，不稳定信号相比之下非常少，且与稳定信号区别很大。当持续出现的杂音频率大于帧采样频率时，可以认为是一种稳定的信号。而且不稳定信号应该是瞬时出现信号，或者短时间持续出现的信号，或者间隔大的信号。

变压器工况噪声的分离包括以下步骤：

(1)设声纹提取的特征数据为Z₁₁,...,Z_qp,...,Z_rLength，共r*Length帧，Z_qp是第q段信号的第p帧的特征数据；

(2)利用相似度置换方法将音频分离成稳定部分与不稳定部分；

(3)针对语音信号的特征向量Z_qp，计算此信号与全部信号Z₁₁,...,Z_qp,...,Z_rLength的特征向量夹角相似度值集合

Similarity＝{cosθ(Z_qp,Z_qp)＝(Z_qp*Z_qp)/||Z_qp||||Z_qp||,1≤q≤r,1≤p≤Length}；

(4)在相似度值集合中寻找最大的a个相似度值，对应向量为

(5)选取第b个向量

使用该向量替换原帧向量；

(6)重复上述(1)步骤、(2)步骤和(3)步骤，直到得到一个近似的稳定向量组

(7)将Z₁₁,...,Z_qp,...,Z_rLength与

进行差值计算，得到对应的不稳定向量组

不稳定向量组为分离出的变压器工况噪声特性。

如图4a、图4b、图4c所示，基于某主变某时段音频的音频分离效果，使用本发明所述方法，得到一个近似的稳定向量组，根据之前的稳定与不稳定加性叠加假设，通过直接做差值计算，就可以获得对应的不稳定向量组，即为分离出的电力变压器工况噪声特性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于无监督方式的电力变压器工况噪声分离方法，其特征在于，包括以下步骤：

11)电力变压器声纹数据的采集：通过声纹采集传感器实地采集获取电力变压器音频数据；

12)声纹数据的预处理：运用分段、分帧、音频加窗预处理方法对所采集的变压器声纹进行去噪处理；

13)变压器声纹的压缩：运用频率压缩方法对预处理后的声纹数据进行频率压缩，得到帧信号的压缩特征；

14)变压器工况噪声的分离：基于特征向量夹角相似度算法进行声纹叠加的分离检测，分离出变压器工况噪声特性。

2.根据权利要求1所述的一种基于无监督方式的电力变压器工况噪声检测方法，其特征在于，所述声纹数据的预处理包括以下步骤：

21)对采集的变压器音频s(t)进行分段操作：

对获得的变压器音频数据进行分段切分成s(t)＝{s₁(t),s₂(t),...,s_q(t),...s_r(t)}，计算声纹数据的总长度L，其计算公式如下：

L＝time×fS_Sample＝r×r_L，

其中，fs_sample为该音频的采样频率,time是采样时间，r为分段数量，r_L为分段长度；

22)对已经分段的变压器音频数据s_q(t)进行分帧处理：

将变压器声纹帧长设为500ms，进行分帧处理为s_q(t)＝{s_q1(t),s_q2(t),...,s_qp(t),...s_qLength(t)}，

其中，每一帧长度设定为500ms，每一段分为Length帧；

23)对分帧后变压器音频加窗处理：

对分帧数据进行端点平滑的加窗处理，使用hamming窗对帧进行加窗处理，Hamming窗的函数表示如下：

其中M为帧长；

针对每一帧得到时域信号f_qp(t)，其表达式如下：

f_qp(t)＝s_qp(t)*w(n)，

其中，f_qp(t)是第q段信号的第p帧的时域信号，w(n)为加窗函数，s_qp(t)为第q段信号的第p帧的信号值。

3.根据权利要求1所述的一种基于无监督方式的电力变压器工况噪声检测方法，其特征在于，所述变压器声纹的压缩包括以下步骤：

31)利用离散傅里叶变换将每一帧的时域信号f_qp(t)变换到频域F_qp(w)，离散傅里叶变换的表达式如下：

其中，f_qp(t)为时域函数，F_qp(w)为其离散傅里叶变换后得到的频域函数；

32)对频域F_qp(w)进行压缩处理：

321)将声音的频谱信息w分为低频数据[L1,L2]、中频[M1,M2]、高频[H1,H2]三个频段；

322)对三种频段使用不同的频率压缩比例k1,k2,k3进行压缩，

其中k1>k2>k3；

323)采取最大值策略进行压缩取值，选取每个压缩区间最大值作为压缩结果，得到压缩后的数据为

其中，低频总维度w1＝(L2-L1)/k1，中频总维度w2＝(M2-M1)/k2，高频总维度w3＝(H2-H1)/k3；

表示低频压缩数据，

表示中频压缩数据，

表示高频压缩数据；

得到第q段第p帧信号的压缩特征Z_qp(i),0≤i≤w1+w2+w3。

4.根据权利要求1所述的一种基于无监督方式的电力变压器工况噪声检测方法，其特征在于，所述变压器工况噪声的分离包括以下步骤：

41)设声纹提取的特征数据为Z₁₁,...,Z_qp,...,Z_rLength，共r*Length帧，Z_qp是第q段信号的第p帧的特征数据；

42)利用相似度置换方法将音频分离成稳定部分与不稳定部分；

43)针对语音信号的特征向量Z_qp，计算此信号与全部信号Z₁₁,...,Z_qp,...,Z_rLength的特征向量夹角相似度值集合

Similarity＝{cosθ(Z_qp,Z_qp)＝(Z_qp*Z_qp)/||Z_qp||||Z_qp||,1≤q≤r,1≤p≤Length}；

44)在相似度值集合中寻找最大的a个相似度值，对应向量为

45)选取第b个向量

使用该向量替换原帧向量；

46)重复41)步骤、42)步骤和43)步骤，直到得到一个近似的稳定向量组

47)将Z₁₁,...,Z_qp,...,Z_rLength与

进行差值计算，得到对应的不稳定向量组

不稳定向量组为分离出的变压器工况噪声特性。

Images