CN115615539A - 一种基于声纹识别模型的电力变压器故障监测方法 - Google Patents
一种基于声纹识别模型的电力变压器故障监测方法 Download PDFInfo
- Publication number
- CN115615539A CN115615539A CN202211367065.0A CN202211367065A CN115615539A CN 115615539 A CN115615539 A CN 115615539A CN 202211367065 A CN202211367065 A CN 202211367065A CN 115615539 A CN115615539 A CN 115615539A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- transformer
- signal
- time
- real
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种基于声纹识别模型的电力变压器故障监测方法,包括在变压器上设置的至少一个声纹信号传感器,实时获取变压器声纹信号,提取实时声纹信号特征,将实时声纹信号特征输入一个声纹识别模型得到当前变压器工作状态,所述声纹信号特征是对变压器声纹信号进行特征提取后与设备特征绑定的声纹信号特征,所述设备特征是变压器的实时运行时间以及实时环境温湿度和变压器规格;所述声纹识别模型是事先根据变压器正常工作状态和故障工作状态的声纹信号提取的所述声纹信号特征样本集进行训练构建的声纹识别模型。本发明通过同时将正常工作时的振动信号特征和声信号特征作为判别标准,并辅以环境温湿度,提高了变压器故障监测的准确性。
Description
技术领域
本发明涉及一种基于声纹识别模型的电力变压器故障监测方法。
背景技术
电力变压器设备运行在非正常工作状态或故障缺陷状态时,其内部结构组件会产生一定量的形变,电力变压器产生的振动信号与声信号也会随之发生改变,这种变化可作为状态监测的特征参量,通过数据特征的深度挖掘就能在一定程度上反映运行缺陷以及故障征兆。
现有技术中所存在的一些通过电力变压器声纹信号对识别模型进行训练以监测电力变压器工作状态的监测方法,仅仅采集电力变压器异常状态时的声纹信号,比较识别电力变压器反馈的实时声纹信号与异常状态时的声纹信号之间的相似度,进而判断电力变压器是否工作异常,容易出现电力变压器工作状态的误判问题。
发明内容
本发明的目的是提出一种基于声纹识别模型的电力变压器故障监测方法,通过同时将正常工作时的振动信号特征和声信号特征作为判别标准,并辅以环境温湿度,提高了变压器故障监测的准确性。
为了实现上述目的,本发明的技术方案是:
一种基于声纹识别模型的电力变压器故障监测方法,包括在变压器上设置的声纹信号传感器,实时获取变压器声纹信号,提取实时声纹信号特征,将实时声纹信号特征输入一个声纹识别模型得到当前变压器工作状态,其中:所述声纹信号特征是对变压器声纹信号进行特征提取后与设备特征绑定的声纹信号特征,所述设备特征是变压器的实时运行时间以及实时环境温湿度和变压器规格;所述声纹识别模型是事先根据变压器正常工作状态和故障工作状态的声纹信号提取的所述声纹信号特征样本集进行训练构建的声纹识别模型。
方案进一步是:所述变压器声纹信号包括变压器振动信号和变压器声响信号,所述振动信号是通过振动传感器获取的,所述声响信号是通过拾音传感器获取的。
方案进一步是:所述对变压器声纹信号进行特征提取,是提取在一个相同频段内的变压器振动信号和变压器声响信号。
方案进一步是:所述声纹信号传感器有多个,多个声纹信号传感器设置在变压器的不同位置,所述实时获取变压器声纹信号是多个声纹信号的平均值。
方案进一步是:所述运行时间是以按季度或者月进行划分的时间区间,所述环境温湿度是季度湿度区间、季度温度区间或者月湿度区间、月温度区间的温度平均值以及湿度平均值,所述变压器规格包括变压器额定容量、额定电压及其分接、额定频率、绕组联结组以及额定性能数据和变压器总重。
方案进一步是:所述与设备特征绑定是将设备特征用不同的字符串表示后添加到变压器声纹信号进行特征提取后的表达式中。
本发明的有益效果是:通过同时将正常工作时的振动信号特征和声信号特征作为判别标准,并辅以环境温湿度,提高了变压器故障监测的准确性。
下面结合附图和实施例对本发明作一详细描述。
附图说明
图1为本发明变压器声纹识别模型训练方法的整体流程示意图。
具体实施方式
对运行中的电力变压器来说,振动信号以及声信号中包含了丰富的设备状态信息,当电力变压器异常工作状态时,电力变压器所形成的振动信号特征以及所发出的声信号特征也会产生相应变化。通过对电力变压器的振动信号以及声纹信号进行连续采样以及分析,可以有效监测电力变压器的工作状态,及时对电力变压器进行保养维护,避免出现因电压变压器工作异常而导致的如火灾又或者停电等问题;随着电力变压器运行时间的增加,其中的机械部件不可避免地会出现老化问题。机械部件老化问题的存在,导致了电力变压器工作过程中声纹信号的变化。而不同型号的电力变压器在不同使用环境中,运行时间相同的电力变压器,其声纹信号也存在一定的差异。
因此,一种基于声纹识别模型的电力变压器故障监测方法,包括在变压器上设置的声纹信号传感器,实时获取变压器声纹信号,提取实时声纹信号特征,将实时声纹信号特征输入一个声纹识别模型得到当前变压器工作状态,其中:所述声纹信号特征是对变压器声纹信号进行特征提取后与设备特征绑定的声纹信号特征,所述设备特征是变压器的实时运行时间以及实时环境温湿度和变压器规格;所述声纹识别模型是事先根据变压器正常工作状态和故障工作状态的声纹信号提取的所述声纹信号特征样本集进行训练构建的声纹识别模型。
其中:
所述变压器声纹信号包括变压器振动信号和变压器声响信号,所述振动信号是通过振动传感器获取的,所述声响信号是通过拾音传感器获取的。
所述对变压器声纹信号进行特征提取,是提取在一个相同频段内的变压器振动信号和变压器声响信号。
所述声纹信号传感器有多个,多个声纹信号传感器设置在变压器的不同位置,所述实时获取变压器声纹信号是多个声纹信号的平均值。
所述运行时间是以按季度或者月进行划分的时间区间,所述环境温湿度是季度湿度区间、季度温度区间或者月湿度区间、月温度区间的温度平均值以及湿度平均值,所述变压器规格包括变压器额定容量、额定电压及其分接、额定频率、绕组联结组以及额定性能数据(阻抗电压、空载电流、空载损耗和负载损耗)和变压器总重。
所述与设备特征绑定是将设备特征用不同的字符串表示后添加到变压器声纹信号进行特征提取后的表达式中。
如图1所示:
S1,通过安装在电力变压器的至少一个声纹采集模块,采集电力变压器的正常声纹信号。
具体而言,声纹采集模块包括但不限于声纹传感器以及声纹采集器。若声纹采集模块包括多个,多个声纹采集模块安装在电力变压器的不同位置,以采集不同位置上的电力变压器的正常声纹信号。
S2,获取电力变压器的设备特征,提取正常声纹信号中的正常时声纹特征,将正常声纹特征与设备特征进行绑定。
具体而言,电力变压器的设备特征包括运行时间以及使用环境温湿度。通过将电力变压器的正常声纹特征与设备特征进行绑定,可以获取电力变压器不同工作状态下的正常声纹特征。
S3,获取多个电力变压器异常状态发生时的异常声纹信号以及对应的设备特征,提取异常声纹信号中的异常声纹特征。
S4,构建声纹识别模型,通过正常声纹特征、设备特征以及异常声纹特征对声纹识别模型进行训练。
在这里,声纹识别模型优选为多个,不同的声纹识别模型,对应不同的电力变压器的设备特征。如此一来,可以针对性地利用不同的声纹识别模型,对目标电力变压器进行声纹信号的比较识别,提高目标电力变压器工作状态的识别准确度。
所述电力变压器声纹识别模型训练方法通过获取多个不同电力变压器的正常声纹信号、异常声纹信号以及对应的设备特征,利用多个不同电力变压器的正常声纹信号、异常声纹信号以及对应的设备特征对声纹识别模型进行训练,可以针对性地获取与不同设备特征相对应的训练好的声纹识别模型。
获取与不同设备特征相对应的训练好的声纹识别模型后,通过训练好的声纹识别模型对目标变压器的实时声纹信号进行识别判断,可以判断目标电力变压器的工作状态,其将电力变压器因运行时间、使用环境因素变化而导致的声纹信号的变化考虑在内,可以提高目标电力变压器工作状态的识别准确度,避免出现误判问题。
优选地,多个电力变压器,其具有相同的规格型号以及技术参数,技术参数包括但不限于 额定容量、额定电压及其分接、额定频率、绕组联结组以及额定性能数据 (阻抗电压、空载电流、空载损耗和负载损耗)和总重等。
S41,利用同一类型设备特征所对应的异常声纹特征以及正常声纹特征对声纹识别模型进行训练。
训练好的声纹识别模型,分别与不同类型的设备特征相对应。
如此一来,则可以针对性地利用不同的声纹识别模型,对目标电力变压器进行声纹信号的比较识别,提高目标电力变压器工作状态的识别准确度。
声纹识别模型包括但不限于为神经网络,其通过比较实时声纹特征与异常声纹特征之间的相似度,判断目标电力变压器是否存在工作异常的问题。
若实时声纹特征与异常声纹特征之间的相似度大于预设相似度阈值,则可以判定目标电力变压器工作异常,认为目标电力变压器存在故障缺陷,比如机械部件卡涩、匝间短路又或者分合闸不到位等。
所述电力变压器声纹识别模型训练还包括如下方法:若选择与实时设备特征相匹配的训练好的声纹识别模型,并通过选择的声纹识别模型对实时声纹特征进行识别后,判断目标电力变压器工作正常,则将实时声纹特征输入其它的声纹识别模型,由其它的声纹识别模型对实时声纹特征进行识别;若其它的声纹识别模型识别到实时声纹特征与异常声纹特征相似度大于预警阈值,则判定目标变压器处在预警状态。
在一些情况下,即便相应的声纹识别模型根据实时声纹特征判断目标变压器处在工作工作状态,由于实时声纹特征与某一个异常声纹特征相似度大于预警阈值,该目标电力变压器仍有可能已经处在故障预警状态。即该目标电力变压器的机械部件产生了一定程度的老化问题,并且老化程度严重,随时有可能导致故障缺陷的发生。
通过上述方法,在对应声纹识别模型判断目标电力变压器工作正常后,再利用其它声纹识别模型对目标电力变压器的实时声纹特征进行识别,判断目标电力变压器是否存在预警状态,可以对目标电力变压器的工作状态作进一步的识别,保证目标电力变压器的长时间正常运行。
在这里,其它的声纹识别模型,指的是与实时设备特征没有匹配一致的训练好的声纹识别模型。
Claims (6)
1.一种基于声纹识别模型的电力变压器故障监测方法,包括在变压器上设置的至少一个声纹信号传感器,实时获取变压器声纹信号,提取实时声纹信号特征,将实时声纹信号特征输入一个声纹识别模型得到当前变压器工作状态,其特征在于,所述声纹信号特征是对变压器声纹信号进行特征提取后与设备特征绑定的声纹信号特征,所述设备特征是变压器的实时运行时间以及实时环境温湿度和变压器规格;所述声纹识别模型是事先根据变压器正常工作状态和故障工作状态的声纹信号提取的所述声纹信号特征样本集进行训练构建的声纹识别模型。
2.根据权利要求1所述的电力变压器故障监测方法,其特征在于,所述变压器声纹信号包括变压器振动信号和变压器声响信号,所述振动信号是通过振动传感器获取的,所述声响信号是通过拾音传感器获取的。
3.根据权利要求2所述的电力变压器故障监测方法,其特征在于,所述对变压器声纹信号进行特征提取,是提取在一个相同频段内的变压器振动信号和变压器声响信号。
4.根据权利要求1所述的电力变压器故障监测方法,其特征在于,所述声纹信号传感器有多个,多个声纹信号传感器设置在变压器的不同位置,所述实时获取变压器声纹信号是多个声纹信号的平均值。
5.根据权利要求1所述的电力变压器故障监测方法,其特征在于,所述运行时间是以按季度或者月进行划分的时间区间,所述环境温湿度是季度湿度区间、季度温度区间或者月湿度区间、月温度区间的温度平均值以及湿度平均值,所述变压器规格包括变压器额定容量、额定电压及其分接、额定频率、绕组联结组以及额定性能数据和变压器总重。
6.根据权利要求1所述的电力变压器故障监测方法,其特征在于,所述与设备特征绑定是将设备特征用不同的字符串表示后添加到变压器声纹信号进行特征提取后的表达式中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367065.0A CN115615539A (zh) | 2022-11-03 | 2022-11-03 | 一种基于声纹识别模型的电力变压器故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367065.0A CN115615539A (zh) | 2022-11-03 | 2022-11-03 | 一种基于声纹识别模型的电力变压器故障监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115615539A true CN115615539A (zh) | 2023-01-17 |
Family
ID=84876272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211367065.0A Pending CN115615539A (zh) | 2022-11-03 | 2022-11-03 | 一种基于声纹识别模型的电力变压器故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115615539A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168727A (zh) * | 2023-04-26 | 2023-05-26 | 智洋创新科技股份有限公司 | 一种变压器异常声音检测方法、系统、设备及存储介质 |
CN116774109A (zh) * | 2023-06-26 | 2023-09-19 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹检测信息的变压器故障识别系统 |
CN117272246A (zh) * | 2023-11-21 | 2023-12-22 | 国网江西省电力有限公司超高压分公司 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
-
2022
- 2022-11-03 CN CN202211367065.0A patent/CN115615539A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168727A (zh) * | 2023-04-26 | 2023-05-26 | 智洋创新科技股份有限公司 | 一种变压器异常声音检测方法、系统、设备及存储介质 |
CN116774109A (zh) * | 2023-06-26 | 2023-09-19 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹检测信息的变压器故障识别系统 |
CN116774109B (zh) * | 2023-06-26 | 2024-01-30 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹检测信息的变压器故障识别系统 |
CN117272246A (zh) * | 2023-11-21 | 2023-12-22 | 国网江西省电力有限公司超高压分公司 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
CN117272246B (zh) * | 2023-11-21 | 2024-02-02 | 国网江西省电力有限公司超高压分公司 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115615539A (zh) | 一种基于声纹识别模型的电力变压器故障监测方法 | |
CN202083555U (zh) | 汽油发动机故障特征提取及诊断系统 | |
CN111796180A (zh) | 一种高压开关机械故障的自动识别方法及装置 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN111710329A (zh) | 基于深度学习的船舶发动机声纹故障判别方法及系统 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN116626544B (zh) | 频域触发数据采集系统及方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 | |
CN115327363A (zh) | 一种高压断路器机械特性带电监测及状态识别方法 | |
CN114999527A (zh) | 一种变压器异常检测模型训练和部署方法及装置 | |
CN115064183A (zh) | 一种基于人工智能算法的风力发电机组运行状态监测方法和系统 | |
CN116840631A (zh) | 基于联合诊断模型的变压器局部放电监测与定位方法 | |
CN116796261A (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN114646351A (zh) | 一种多维度综合断路器故障特征分析方法及装置 | |
CN112528753A (zh) | 一种针对轧机轧钢过程冲击振动信号的预处理方法 | |
CN111599377A (zh) | 基于音频识别的设备状态检测方法、系统及移动终端 | |
JPH08320251A (ja) | 設備における音響および振動の診断方法 | |
CN116067489B (zh) | 水电站辅助设备的监测系统、方法、电子设备及存储介质 | |
CN112019786B (zh) | 智能教学录屏方法和系统 | |
CN117145752B (zh) | 用于空压机的过滤故障识别方法及系统 | |
CN108923372A (zh) | 一种基于录波文件的励磁涌流分析方法 | |
CN117894317B (zh) | 基于声纹分析的箱式变压器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 |