CN115754630A - 基于声阵列的非接触式局放监测方法及监测装置 - Google Patents

Abstract

本发明涉及电力设备监测技术领域，尤其是提供一种基于声阵列的非接触式局放监测方法及监测装置，方法包括获取待测设备正常状态及多种类型局放状态下的声学指纹样本，对声学指纹样本进行预处理，构建声学指纹样本数据库并获取深度神经网络模型；获取待测设备视频信息，通过分布式麦克风传感器阵列采集待测设备声波信号；基于深度神经网络模型判断待测设备是否发生局放；针对声波信号进行DOA方向估计以获取二维DOA信息，采用波束形成算法对声波信号进行增强处理，基于二维DOA信息结合视频信息确定声波信号的具体位置信息；基于声波信号的具体位置信息，获取声波信号的声学指纹信息，通过深度神经网络模型对局放实施诊断并发出报警信息。

Description

基于声阵列的非接触式局放监测方法及监测装置

技术领域

本发明涉及电力设备监测技术领域，具体而言，涉及一种基于声阵列的非接触式局放监测方法及监测装置。

背景技术

目前，随着大电网建设的不断推进，电网设备数量迅猛增长，对大电网运行设备运行安全提出了更高要求。电网设备中尤其是变压器，其作为电能输出和配送过程中能量转换的核心，是大电网运行中最关键的电力设备；局部放电是引起变压器绝缘劣化的重要原因，若不能及时发现和维护，会导致整个设备的损坏，因此对变压器局部放电的有效监测和类型识别有重大意义；

目前，针对变压器局部放电监测的研究存在如下问题：

1.超声局部放电检测是局部放电检测技术领域非电检测技术中的一种，其原理是变压器发生局部放电时，局部空间体积在一个瞬间迅速膨胀又迅速收缩，引起高频振动，由于局部放电是连续的脉冲，因而这种高频振动产生的压力波也是脉冲形式的，即声波；该方法在实际运用时，超声波在传播过程中在变压器复杂环境影响下衰减严重，因此这种方法不易实现放电量的标定，且对于传感器的检测灵敏度要求非常高；

2.超声波局部放电检测的原理是在接收到局部放电发出的超声波信号后，利用波的传播特性，对声源进行定位，现有技术通常只能够做到定位出疑似故障方位；在实际变压器运行环形中存在大量的噪声干扰，当局部放电量较小时，局部放电超声波信号可能会淹没在噪声干扰中，变压器内部发生局部放电时，超声信号传播过程中，可能在变压器内遇到油箱箱壁或其内部的变压器绕组和铁芯等硬质界面上会发生反射、散射现象，产生混响，因此传感器阵列接收到的局部放电超声信号中除了直达波信号外，还有经过一次或多次反射后的混响信号，会对局部放电的定位产生影响；为此，我们提出一种基于声阵列的非接触式局放监测方法及监测装置。

发明内容

本发明的目的在于提供一种基于声阵列的非接触式局放监测方法及监测装置，用以解决背景技术变压器局部放电监测研究不足的问题。

本发明的第一方面技术方案提供了一种基于声阵列的非接触式局放监测方法，所述方法包括：

获取待测设备正常状态及多种类型局放状态下的声学指纹样本，对声学指纹样本进行预处理，构建声学指纹样本数据库并获取深度神经网络模型；

获取待测设备视频信息，通过分布式麦克风传感器阵列采集待测设备的声波信号；

基于深度神经网络模型判断待测设备是否发生局放；

针对声波信号进行DOA方向估计以获取二维DOA信息，采用波束形成算法对声波信号进行增强处理，基于二维DOA信息结合视频信息确定声波信号的具体位置信息；

基于声波信号的具体位置信息，获取声波信号的声学指纹信息，通过深度神经网络模型对局放实施诊断并发出报警信息。

进一步地，所述获取深度神经网络模型具体包括：

提取声学指纹样本功率密度、频谱分布特征参数，利用声纹识别算法进行训练、迭代，根据构建好的声学指纹样本数据库训练出可判断是否发生局放、判别不同局放类型的深度神经网络模型。

进一步地，所述利用声纹识别算法进行训练、迭代还包括：

利用高斯径向基核函数，将训练样本映射到高维特征空间，求解划分各类局放特征的最优分类超平面，形成判断各局放类型的判别函数，并输入深度神经网络模型进行验证。

进一步地，所述通过深度神经网络模型对局放实施诊断还包括：

获取声波信号对应的声谱图，并映射至特征空间，输入判别函数得到类型识别结果。

进一步地，所述对声学指纹样本进行预处理具体包括：

对声学指纹样本进行交叠分帧处理；

利用端点检测方法，确定声学指纹样本的始端和末端，去掉声学指纹样本的噪声和首尾的静音；

通过数字滤波器，利用预加重方法，增加声学指纹样本高频分量，滤除低频干扰；利用去加重方法，减少声学指纹样本高频分量；

利用矩形窗函数对声学指纹样本进行加窗处理。

进一步地，采集声波信号之前还包括：

获取噪声信号的统计特性，利用自适应滤波器，采用维纳滤波、最小均方滤波器算法，根据噪声信号的统计特性和频谱特性，调整滤波器参数，以实现对复杂噪声跟踪消除。

进一步地，该方法还包括：采用盲信号分离方法，根据观测到的混合信号估计源信号。

进一步地，所述采集待测设备声波信号还包括：

采用自适应波束形成算法，向各个麦克风采集到的声波信号施加一个由目标方向决定的延迟，然后将各个通道的声波信号叠加，最终得到一个指向目标方向的增强信号。

本发明的第二方面技术方案提供了一种基于声阵列的非接触式局放监测装置，应用于包含有分布式麦克风传感器阵列的局放监测系统，该装置包括：

局放监测终端，以非接触的方式布置在被监测的待测设备处，包括有：

麦克风传感器阵列，配置为通过无线通信模块与云服务器通信连接；

感知模块，配置有用于采集声纹信息的拾音器，还配置有ADC转换器；

特征提取模块，用于对声波信号进行特征提取并得到矢量特征；

识别分类模块，配置为通过深度神经网络模型对局放及局放类型做出判断，得到故障结果；

报警模块，配置为基于故障结果发出报警信息；

电源模块，用于为局放监测终端供电。

进一步地，所述待测设备至少包括变压器、断路器、开关柜。

本发明的有益效果包括：

1.本发明通过声学阵列技术与超声波局放检测的配合使用，利用麦克风阵列传感器监测电气设备局部放电超声信号，通过声波信号处理技术实现了波达方向估计和空间定位，最终实现了局部放电的非接触定位；基于麦克风阵列传感器，通过波束形成算法，利用声波到达各个麦克风存在时间延迟(相位差)这一现象，使得麦克风阵列传感器在监测局部放电时具有超强指向能力，可有效去除周围其他设备的声音和环境底噪，能够做到对局放的精确定位；另一方面，本发明利用机器学习，通过训练声学指纹样本、构建深度神经网络模型，实现了针对局部放电监测传统的“计划性维修”演变为“预测性运维”，在于分布式麦克风传感器阵列的配合使用下，实现了通过云端对主要电力设备运行状态的在线声学监测，无需进行人工巡检，只需要在监测装置检测出局放故障并发出报警信息后，再由运维人员到系统定位的故障位置进行确认和排障即可。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的一种基于声阵列的非接触式局放监测方法流程图；

图2为本发明实施例提供的一种基于声阵列的非接触式局放监测装置原理图；

图3为本发明实施例提供的一种基于声阵列的非接触式局放监测装置的结构示意图；

图标：100-局放监测终端，200-云服务器，300-报警模块，400-电源模块。

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描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在电力设备传统的维护方法中，通常都是采用“计划性维修”方法来完成对于电力设备的维护，即按照提前制定的计划好的维护检测周期来对电力设备进行检修，且设备在检修时处于停机状态；“计划性维修”能在一定程度上促进电力设备的安全稳定运行，但由于电力设备在“计划性维修”的全过程中必须处于断电状态，进而会影响设备和整个电网的运行，这种维修方法不但维修持续时间长，而得到的数据又少，因而这种维护和检测方法存在很多局限。

请参见图1所示，本发明的第一方面技术方案提供了一种基于声阵列的非接触式局放监测方法，所述方法包括：

步骤S1：获取待测设备正常状态及多种类型局放状态下的声学指纹样本，对声学指纹样本进行预处理，构建声学指纹样本数据库并获取深度神经网络模型；

步骤S2：获取待测设备视频信息，通过分布式麦克风传感器阵列采集待测设备的声波信号；

步骤S3：基于深度神经网络模型判断待测设备是否发生局放；

步骤S4：针对声波信号进行DOA(波达方向定位技术)方向估计以获取二维DOA信息，采用波束形成算法对声波信号进行增强处理，基于二维DOA信息结合视频信息确定声波信号的具体位置信息；

步骤S5：基于声波信号的具体位置信息，获取声波信号的声学指纹信息，通过深度神经网络模型对局放实施诊断并发出报警信息。

发明人在实际工作中发现，变压器、断路器、开关柜等重要电网设备，在运行过程中由于受到电磁力、机械应力的作用，铁芯、绕组、操纵机构等会发生振动并产生机械波(即声波)；还有局部放电也能激发出高频声波、超声波，上述声波经过绝缘介质与腔体的传播时，产生的声学信号包含了大量的设备状态信息；因此，当设备发生缺陷或故障后，其内部组件或结构发生机械形变，会使其声学指纹改变，可以作为诊断缺陷及故障的重要特征参量。因此，本发明提供的基于声阵列的非接触式局放监测方法，实现了由传统的“计划性维修”演变为“预测性运维”，通过对待测设备的声学指纹特征和进行机器学习、结合部署的分布式的麦克风传感器阵列，进而实现对主变、套管、开关柜等主要电力设备的局放进行在线监测，无需进行人工巡检，只需待监测出局放故障类型并发出报警信息后，再由运维人员到系统定位的故障位置进行确认和排障即可。

在本实施例中，获取深度神经网络模型具体包括：

提取声学指纹样本功率密度、频谱分布特征参数，利用声纹识别算法进行训练、迭代，根据构建好的声学指纹样本数据库训练出可判断是否发生局放、判别不同局放类型的深度神经网络模型。

其中，所述利用声纹识别算法进行训练、迭代还包括：

利用高斯径向基核函数，将训练样本映射到高维特征空间，求解划分各类局放特征的最优分类超平面，形成判断各局放类型的判别函数，并输入深度神经网络模型进行验证。

其中，所述通过深度神经网络模型对局放实施诊断还包括：

获取声波信号对应的声谱图，并映射至特征空间，输入判别函数得到类型识别结果。

在本实施例中，所述对声学指纹样本进行预处理具体包括：

对声学指纹样本进行交叠分帧处理；

利用端点检测方法，确定声学指纹样本的始端和末端，去掉声学指纹样本的噪声和首尾的静音；

通过数字滤波器，利用预加重方法，增加声学指纹样本高频分量，滤除低频干扰；利用去加重方法，减少声学指纹样本高频分量；

利用矩形窗函数对声学指纹样本进行加窗处理；

其中，针对声学指纹样本的预处理，是进行特征提取前的必要环节；其目的是，获取高质量的声学指纹样本，以使声学指纹样本更均匀、平滑，为后续构件声学样本数据库、训练深度神经网络模型打下基础。

在本实施例中，采集声波信号之前还包括：

获取噪声信号的统计特性，利用自适应滤波器，采用维纳滤波、最小均方滤波器算法，根据噪声信号的统计特性和频谱特性，调整滤波器参数，以实现对复杂噪声跟踪消除；

其中，区别于现有技术中基于数字信号处理的声源增强方法，由于其采用的数字滤波器的结构和参数是固定的，无法根据复杂噪声的事变统计特性和频谱特征自适应的调整自身结构和参数；本实施例中利用现有的多通道维纳滤波模块为最小均方误差准则的自适应滤波器，根据所述声波信号存在的概率信号对其滤波系数和学习步长进行调节，很好的克服了电网设备运行复杂环境下，能够对目标进行很好的跟踪并进行实时增强；上述方法可参考公开号为CN102938254B的发明专利一种语音信号增强系统和方法，在此不再赘述。

在本实施例中，所述基于声阵列的非接触式局放监测方法还包括：采用盲信号分离方法，根据观测到的混合信号估计源信号；由于电网设备在复杂环境下运行，上述麦克风阵列传感器所采集到的信号中存在大量混合信号，若无法在混合信号中对源信号进行分离，则会影响到局放定位的精确度；通过采用盲信号分离方法，更够更精确的分离出电网设备发出混合信号中分离出源信号，以提升对源信号定位的精确度；其中，盲信号分离方法的应用可参考公开号为CN109658951B的发明专利混合信号检测方法及系统。

在本实施例中，所述采集待测设备声波信号还包括：

采用自适应波束形成算法，向各个麦克风采集到的声波信号施加一个由目标方向决定的延迟，然后将各个通道的声波信号叠加，最终得到一个指向目标方向的增强信号；通过自适应波束形成算法，通过其具备的超强指向能力可有效去除目标设备周围其他设备的声音和环境低噪，为步骤S4中判断局部放电状态提供便利。

请参见图2和图3所示，本发明的第二方面技术方案提供了一种基于声阵列的非接触式局放监测装置，应用于包含有分布式麦克风传感器阵列的局放监测系统，该装置包括：

局放监测终端100，以非接触的方式布置在被监测的待测设备处，包括有：

麦克风传感器阵列，配置为通过无线通信模块与云服务器200通信连接；

感知模块，配置有用于采集声纹信息的拾音器，还配置有ADC转换器，用于模数转换；

特征提取模块，用于对声波信号进行特征提取并得到矢量特征；

识别分类模块，配置为通过深度神经网络模型对局放及局放类型做出判断，得到故障结果；

报警模块300，配置为基于故障结果发出报警信息；

电源模块400，用于为局放监测终端100供电。

本实施例所提供的基于声阵列的非接触式局放监测装置，在实际运用中，将局放监测终端100以非接触的方式部署在被监测的电力设施附近，局放监测终端100与电力设施的距离以现场工况及局放强度而定，在此不对其进行限定；其中麦克风传感器阵列中优选采用64路麦克传感器，所述麦克风传感器阵列包括两个或两个以上的麦克风传感器，并以均匀分布或者随机分布的方式组成阵列，可根据实际需求配置为例如矩形均匀分布、正三角形均匀分布等阵列结构；所述无线通信模块优选WIFI及4G通信模块，局放监测终端100可配置为监测到局部放电信号时，通过无线通信模块向云服务器200发送报警信号；所述电源模块400优选一路外部220V交流供电电源为局放监测终端100供电。

在本实施例中，所述待测设备至少包括变压器、断路器、开关柜等变电主设备，也可以是例如电容器、隔离开关、避雷器等变电系统中的电气设备，在此不再进行赘述。

在本实施例中，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现局放监测方法的程序，所述实现局放监测方法的程序被处理器执行以实现本发明第一方面技术方案中任一项所述的局放监测方法的步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.基于声阵列的非接触式局放监测方法，其特征在于，所述方法包括：

获取待测设备正常状态及多种类型局放状态下的声学指纹样本，对声学指纹样本进行预处理，构建声学指纹样本数据库并获取深度神经网络模型；

获取待测设备视频信息，通过分布式麦克风传感器阵列采集待测设备的声波信号；

基于深度神经网络模型判断待测设备是否发生局放；

针对声波信号进行DOA方向估计以获取二维DOA信息，采用波束形成算法对声波信号进行增强处理，基于二维DOA信息结合视频信息确定声波信号的具体位置信息；

基于声波信号的具体位置信息，获取声波信号的声学指纹信息，通过深度神经网络模型对局放实施诊断并发出报警信息。

2.根据权利要求1所述的局放监测方法，其特征在于，所述获取深度神经网络模型具体包括：

提取声学指纹样本功率密度、频谱分布特征参数，利用声纹识别算法进行训练、迭代，根据构建好的声学指纹样本数据库训练出可判断是否发生局放、判别不同局放类型的深度神经网络模型。

3.根据权利要求2所述的局放监测方法，其特征在于，所述利用声纹识别算法进行训练、迭代还包括：

利用高斯径向基核函数，将训练样本映射到高维特征空间，求解划分各类局放特征的最优分类超平面，形成判断各局放类型的判别函数，并输入深度神经网络模型进行验证。

4.根据权利要求3所述的局放监测方法，其特征在于，所述通过深度神经网络模型对局放实施诊断还包括：

获取声波信号对应的声谱图，并映射至特征空间，输入判别函数得到类型识别结果。

5.根据权利要求1所述的局放监测方法，其特征在于，所述对声学指纹样本进行预处理具体包括：

对声学指纹样本进行交叠分帧处理；

利用端点检测方法，确定声学指纹样本的始端和末端，去掉声学指纹样本的噪声和首尾的静音；

通过数字滤波器，利用预加重方法，增加声学指纹样本高频分量，滤除低频干扰；利用去加重方法，减少声学指纹样本高频分量；

利用矩形窗函数对声学指纹样本进行加窗处理。

6.根据权利要求1所述的局放监测方法，其特征在于，采集声波信号之前还包括：

获取噪声信号的统计特性，利用自适应滤波器，采用维纳滤波、最小均方滤波器算法，根据噪声信号的统计特性和频谱特性，调整滤波器参数，以实现对复杂噪声跟踪消除。

7.根据权利要求1所述的局放监测方法，其特征在于，该方法还包括：采用盲信号分离方法，根据观测到的混合信号估计源信号。

8.根据权利要求1至7任一项所述的局放监测方法，其特征在于，所述采集待测设备声波信号还包括：

采用自适应波束形成算法，向各个麦克风采集到的声波信号施加一个由目标方向决定的延迟，然后将各个通道的声波信号叠加，最终得到一个指向目标方向的增强信号。

9.基于声阵列的非接触式局放监测装置，其特征在于，应用于包含有分布式麦克风传感器阵列的局放监测系统，该装置包括：

局放监测终端，以非接触的方式布置在待测设备处，包括有：

麦克风传感器阵列，配置为通过无线通信模块与云服务器通信连接；

感知模块，配置有用于采集声纹信息的拾音器，还配置有ADC转换器；

特征提取模块，用于对声波信号进行特征提取并得到矢量特征；

识别分类模块，配置为通过深度神经网络模型对局放及局放类型做出判断，得到故障结果；

报警模块，配置为基于故障结果发出报警信息；

电源模块，用于为局放监测终端供电。

10.根据权利要求9所述的监测装置，其特征在于，所述待测设备至少包括变压器、断路器、开关柜。

Images