CN115410599A - 一种基于声纹感知的变压器运行状态识别的方法及系统 - Google Patents

Abstract

一种基于声纹感知的变压器运行状态识别的方法及系统，属变压器运行监控领域。包括利用传声器阵列采集变压器的运行声学信号；对采集信号进行降噪处理；提取变压器降噪信号中的特征信号，用以表征变压器的运行状态；结合神经网络模型，建立变压器运行状态与声学信号之间的映射关系，并在上位机人机交互平台上实时显示运行状态。其在采集前端及信号处理端进行声信号的降噪处理，以获取具有代表变压器的运行状态的声纹信号，基于该声纹特征评估变压器运行状态，实现在不影响变压器自身运行的情况下准确判断变压器是否发生故障，提高了变电站的运维管理能力。

Description

一种基于声纹感知的变压器运行状态识别的方法及系统

技术领域

本发明属于检测领域，尤其涉及一种用于电力变压器的运行状态识别的方法及系统。

背景技术

传统的变压器运行状态检测通常采用在线方式(油中溶解气体分析、油温监测、局部放电超声测量)以及离线方式(绝缘试验、纸板特性分析、频率响应分析、传递函数技术)等，但离线方式不能实时显示变压器的运行状态，只能判断该测试时间点的变压器是否发生故障，而现有的在线运行状态检测方式，要么过于复杂繁琐，要么只能检测到变压器的后期故障。

现有的基于声纹感知的变压器运行状态识别方法多为直接提取变压器辐射信号中的特征参数作为声纹特征，由于声音本身的扩散性，采集信号有较大概率耦合其他电力设备或其他相变压器的声信号，这就对变压器的状态识别造成干扰。

此外，现有的特征提取方法主要有提取特征频率、峭度、均值等信号的时频域特征、采用小波分解或者小波包分解的方法提取能量特征、提取梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCCs)特征向量等，这些方法能够有效的提取出变压器振声信号的有效信息，但是特征值的数量和选择是一个难点。提取的特征值过多，则会降低系统的灵敏度，导致故障检出率较低；提取的特征值过少，则无法全面的掌握振声信号的信号特征，导致系统的稳定性较差，虚警率过高。另一方面，在特征识别时，现有研究和专利所采用的方法主要包括矢量量化(VQ)、隐马尔可夫模型(HMM)、支持向量机(SVM)、专家分析系统、相关性分析等，这些方法最大的问题是：必须要有大量的故障样本作为前提，才能构建合理的分类模型，但是变压器的故障样本往往较少，在不平衡数据集的情况下，如何进行有效的故障识别，是亟待解决的核心关键问题。

发明内容

本发明所要解决的技术问题是提供一种基于声纹感知的变压器运行状态识别的方法及系统。其在采集前端及信号处理端进行声信号的降噪处理，以获取具有代表变压器的运行状态的声纹信号，基于该声纹特征评估变压器运行状态，实现在不影响变压器自身运行的情况下准确判断变压器是否发生故障，提高了变电站的运维管理能力。

本发明的技术方案是：提供一种基于声纹感知的变压器运行状态识别的方法，其特征在于，包括：

1)利用传声器阵列采集变压器的运行声学信号；

2)对采集信号进行降噪处理；

3)提取变压器降噪信号中的特征信号，用以表征变压器的运行状态；

4)结合神经网络模型，建立变压器运行状态与声学信号之间的映射关系，并在上位机人机交互平台上实时显示运行状态。

具体的，所述的传声器阵列，采集变压器处于正常状态下的声学信号、绕组损坏状态下的声学信号、铁芯故障状态下的声学信号和相间放电状态下的声学信号。

进一步的，所述传声器阵列采集变电站电力设备运行声信号采用的是远场声源信号模型：

式中，r为声源与传声器阵列中心的距离，L为各传声器之间的间距，λ为声信号的波长；

根据所述传声器的分布位置不同，不同位置上的传声器接收到的信号存在一定的时间延迟，以第一个传声器作为参考，则声信号到达其他传声器的时间相对于第一个传声器的时间延迟为：

τ_m＝d cosθ/c,m＝1,2,Λ,M,

式中，c为声速，d为相邻两个传声器之间的距离，θ为远场声源的入射角度，τ_m为时间延迟，M为阵元数；

阵列波束形成的输出为：

式中，W_m为加权系数，p_m为所对应阵元接收到的复声压信号，t为时间；

用矢量表示上式可得：

式中，X(t)为阵列的M×1维快拍数据矢量，w(θ)为各传声器的方向矢量，P(t)为阵列接受的空间信号源矢量，

为m阵元所对应的输出；

对阵列求协方差矩阵：

式中，E[]表示数学期望运算；

经过归一化的传统波束形成的方位谱估计为；

式中，w(θ)为各传声器的方向矢量。

进一步的，所述采集信号进行二次降噪处理采用的是局部尺度分解算法。

本发明的技术方案，还提供了一种上述识别方法的基于声纹感知的变压器运行状态识别的系统，其特征是包括：

采集模块，用于采集变压器辐射出的声信号，并利用波束形成空间滤波功能对信号进行初步降噪；

数据降噪处理模块，用于对每个通道的信号进行局部尺度分解降噪，进行二次降噪；

声纹特征分析模块，用于对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比；

故障诊断模块，用于将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，并采用10阶交叉验证方法对该模型进行循坏验证，识别变压器运行状态，若状态异常，则予以报警，并将声信号的原始数据、特征量以及对应的运行状态存储于存储器中。

具体的，所述的采集模块为传声器阵列。

进一步的，所述的系统，通过采集模块对变压器不同运行状态下辐射出的声信号进行采集，并利用波束形成算法的空间滤波功能，在采集前端即可对信号进行初步降噪。

具体的，所述的系统在数据降噪处理模块对每个通道的信号进行局部尺度分解降噪，进行二次降噪处理；通过双重降噪的方式滤除其他电力设备对检测对象的噪声干扰，获取更加纯净的声信号。

进一步的，所述的系统通过声纹特征分析模块对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比，最后再通过声纹特征分析模块将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，最终识别变压器运行状态。

本发明技术方案所述的系统按照如下步骤进行变压器运行状态的识别：

步骤1：使用螺旋形传声器阵列对不同运行状态的变压器的声学信号进行采集，利用波束形成的空间滤波功能对采集信号进行初步降噪，获取300组数据，每组数据的采集时长为20s，对每组数据进行切片，每个切片间隔为5s，得到1200组原始数据；

步骤2：将原始数据进行LCD降噪处理，即先将数据分解为8个内禀尺度分量与一个残差分量，从ISC筛选出能量较高的前6个分量进行重构，剔除能量较小的背景噪声，得到去噪后的变压器声学数据；

步骤3：对1200组降噪后的数据进行特征提取，计算1200组数据的频率复杂度、奇偶次谐波和主频占比，并随机选取900组特征值作为训练集，剩余的300组作为测试集，交叉验证10次，获得变压器状态识别模型；最后通过新的测试，代入数据得到变压器状态。

与现有技术相比，本发明具备以下优点：

1、本发明的技术方案中，通过采集模块对变压器不同运行状态下辐射出的声信号进行采集，并利用波束形成算法的空间滤波功能，在采集前端，即可对信号进行初步降噪；

2、在数据降噪处理模块对每个通道的信号进行局部尺度分解降噪，进行二次降噪处理；通过双重降噪的方式可有效滤除其他电力设备对检测对象的噪声干扰，获取更加纯净的声信号；然后通过声纹特征分析模块对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比，最后再通过声纹特征分析模块将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，最终识别变压器运行状态，并将数据及结果存储于存储器中；

3本发明的识别模式可以实现在不影响变压器自身运行的情况下准确判断变压器是否发生故障，提高了变电站的运维管理能力。

附图说明

图1为本发明变压器状态识别流程方框图；

图2为本发明传声器阵列的布局形式示意图；

图3a、图3b和图3c为本发明传声器阵列采集到的不同变压器运行状态下的声信号。

具体实施方式

下面结合附图对本发明做进一步说明。

本发明的技术方案，提供了一种基于声纹感知的变压器运行状态识别的方法，包括：

利用传声器阵列采集变压器的运行声学信号；

对采集信号进行降噪处理；

提取变压器降噪信号中的特征信号，用以表征变压器的运行状态；

结合神经网络模型，建立变压器运行状态与声学信号之间的映射关系，并在上位机人机交互平台上实时显示运行状态。

具体的，传声器阵列采集变压器处于正常状态下的声学信号、放电状态下的声学信号、机械故障状态下的声学信号等。

具体的，传声器阵列采集变电站电力设备运行声信号采用的是远场声源信号模型：

式中，r为声源与传声器阵列中心的距离，L为各传声器之间的间距，λ为声信号的波长；

根据传声器的分布位置不同，不同位置上的传声器接收到的信号存在一定的时间延迟，以第一个传声器作为参考，则声信号到达其他传声器的时间相对于第一个传声器的时间延迟为：

τ_m＝d cosθ/c,m＝1,2,Λ,M,

式中，c为声速，d为相邻两个传声器之间的距离，θ为远场声源的入射角度，τ_m为时间延迟，M为阵元数；

阵列波束形成的输出为：

式中，W_m为加权系数，p_m为所对应阵元接收到的复声压信号，t为时间；

用矢量表示上式可得：

式中，X(t)为阵列的M×1维快拍数据矢量，w(θ)为各传声器的方向矢量，P(t)为阵列接受的空间信号源矢量，

为m阵元所对应的输出；

对阵列求协方差矩阵：

R-E[X^H(t)X(t)]，

式中，E[]表示数学期望运算。

经过归一化的传统波束形成的方位谱估计为；

式中，w(θ)为各传声器的方向矢量。

利用波束形成算法，改变各传声器接收信号的权重，从而形成空间聚焦，提取期望方向上的声信号，即对信号进行初步降噪。

具体的，采集信号进行二次降噪处理采用的是局部尺度分解算法。

参照图1-3，本发明公开了一种基于声纹感知的变压器运行状态识别的系统，用于执行基于声纹感知的变压器运行状态识别的方法，包括：

采集模块，用于采集变压器辐射出的声信号，并利用波束形成空间滤波功能对信号进行初步降噪；

数据降噪处理模块，用于对每个通道的信号进行局部尺度分解降噪，进行二次降噪；

声纹特征分析模块，用于对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比；

故障诊断模块，用于将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，并采用10阶交叉验证方法对该模型进行循坏验证，识别变压器运行状态，若状态异常，则予以报警，并将声信号的原始数据、特征量以及对应的运行状态存储于存储器中。

具体的，采集模块为传声器阵列。

具体的，传声器阵列为螺旋形传声器阵列。

使用原理：

步骤1：使用螺旋形传声器阵列(如图2中所示)对不同运行状态的变压器(例如正常状态、绕组损坏、铁芯故障、相间放电)的声学信号进行采集，利用波束形成的空间滤波功能对采集信号进行初步降噪，获取300组数据，每组数据的采集时长为20s，对每组数据进行切片，每个切片间隔为5s，得到1200组原始数据；

步骤2：将原始数据进行LCD降噪处理，即先将数据分解为8个内禀尺度分量与一个残差分量，从ISC筛选出能量较高的前6个分量进行重构，剔除能量较小的背景噪声，得到去噪后的变压器声学数据；

步骤3：对1200组降噪后的数据进行特征提取，计算1200组数据的频率复杂度、奇偶次谐波和主频占比，并随机选取900组特征值作为训练集，剩余的300组作为测试集，交叉验证10次，获得变压器状态识别模型。最后通过新的测试，代入数据得到变压器状态。

通过上述步骤后，采集到的不同变压器运行状态下的声信号如图3a、图3b和图3c中所示。

其中，图3a所示为变压器存在机械松动故障，图3b所示为变压器存在局部放电故障，图3c所示为变压器存在击穿放电故障。

本发明的技术方案，在采集前端即对信号进行初步降噪，通过双重降噪的方式有效滤除了其他电力设备对检测对象的噪声干扰，获取更加纯净的声信号；然后通过声纹特征分析模块对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比，最后再通过声纹特征分析模块将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，最终识别变压器运行状态，可以实现在不影响变压器自身运行的情况下准确判断变压器是否发生故障，提高了变电站的运维管理能力。

本发明可广泛用于电力变压器的运行管理和故障监控领域。

Claims (10)

1.一种基于声纹感知的变压器运行状态识别的方法，其特征在于，包括：

1)利用传声器阵列采集变压器的运行声学信号；

2)对采集信号进行降噪处理；

3)提取变压器降噪信号中的特征信号，用以表征变压器的运行状态；

4)结合神经网络模型，建立变压器运行状态与声学信号之间的映射关系，并在上位机人机交互平台上实时显示运行状态。

2.按照权利要求1所述的基于声纹感知的变压器运行状态识别的方法，其特征是所述的传声器阵列，采集变压器处于正常状态下的声学信号、绕组损坏状态下的声学信号、铁芯故障状态下的声学信号和相间放电状态下的声学信号。

3.按照权利要求1所述的基于声纹感知的变压器运行状态识别的方法，其特征是所述传声器阵列采集变电站电力设备运行声信号采用的是远场声源信号模型：

式中，r为声源与传声器阵列中心的距离，L为各传声器之间的间距，λ为声信号的波长；

根据所述传声器的分布位置不同，不同位置上的传声器接收到的信号存在一定的时间延迟，以第一个传声器作为参考，则声信号到达其他传声器的时间相对于第一个传声器的时间延迟为：

τ_m＝dcosθ/c,m＝1,2,Λ,M,

式中，c为声速，d为相邻两个传声器之间的距离，θ为远场声源的入射角度，τ_m为时间延迟，M为阵元数；

阵列波束形成的输出为：

式中，W_m为加权系数，p_m为所对应阵元接收到的复声压信号，t为时间；

用矢量表示上式可得：

式中，X(t)为阵列的M×1维快拍数据矢量，w(θ)为各传声器的方向矢量，P(t)为阵列接受的空间信号源矢量，

为m阵元所对应的输出；

对阵列求协方差矩阵：

R-E[X^H(t)X(t)]，

式中，E[]表示数学期望运算；

经过归一化的传统波束形成的方位谱估计为；

式中，w(θ)为各传声器的方向矢量。

4.按照权利要求1所述的基于声纹感知的变压器运行状态识别的方法，其特征是所述采集信号进行二次降噪处理采用的是局部尺度分解算法。

5.一种采用权利要求1至4任意一项所述识别方法的基于声纹感知的变压器运行状态识别的系统，其特征是包括：

采集模块，用于采集变压器辐射出的声信号，并利用波束形成空间滤波功能对信号进行初步降噪；

数据降噪处理模块，用于对每个通道的信号进行局部尺度分解降噪，进行二次降噪；

声纹特征分析模块，用于对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比；

故障诊断模块，用于将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，并采用10阶交叉验证方法对该模型进行循坏验证，识别变压器运行状态，若状态异常，则予以报警，并将声信号的原始数据、特征量以及对应的运行状态存储于存储器中。

6.按照权利要求5所述的基于声纹感知的变压器运行状态识别的系统，其特征是所述的采集模块为传声器阵列。

7.按照权利要求5所述的基于声纹感知的变压器运行状态识别的系统，其特征是所述的系统，通过采集模块对变压器不同运行状态下辐射出的声信号进行采集，并利用波束形成算法的空间滤波功能，在采集前端即可对信号进行初步降噪。

8.按照权利要求5所述的基于声纹感知的变压器运行状态识别的系统，其特征是所述的系统在数据降噪处理模块对每个通道的信号进行局部尺度分解降噪，进行二次降噪处理；通过双重降噪的方式滤除其他电力设备对检测对象的噪声干扰，获取更加纯净的声信号。

9.按照权利要求5所述的基于声纹感知的变压器运行状态识别的系统，其特征是所述的系统通过声纹特征分析模块对降噪数据进行特征提取，输出频率复杂度、奇偶次谐波比以及主频占比，最后再通过声纹特征分析模块将特征值代入神经网络模型进行训练，构建变压器故障诊断模型，最终识别变压器运行状态。

10.按照权利要求5所述的基于声纹感知的变压器运行状态识别的系统，其特征是所述的系统按照如下步骤进行变压器运行状态的识别：

步骤1：使用螺旋形传声器阵列对不同运行状态的变压器的声学信号进行采集，利用波束形成的空间滤波功能对采集信号进行初步降噪，获取300组数据，每组数据的采集时长为20s，对每组数据进行切片，每个切片间隔为5s，得到1200组原始数据；

步骤2：将原始数据进行LCD降噪处理，即先将数据分解为8个内禀尺度分量与一个残差分量，从ISC筛选出能量较高的前6个分量进行重构，剔除能量较小的背景噪声，得到去噪后的变压器声学数据；

步骤3：对1200组降噪后的数据进行特征提取，计算1200组数据的频率复杂度、奇偶次谐波和主频占比，并随机选取900组特征值作为训练集，剩余的300组作为测试集，交叉验证10次，获得变压器状态识别模型；最后通过新的测试，代入数据得到变压器状态。

Images