CN115828144A - 一种信号稀疏表示与融合检测方法、存储介质及电子装置 - Google Patents

Abstract

本发明提供了一种信号稀疏表示与融合检测方法、存储介质及电子装置，包括以下步骤：采集变压器设备不同状态的声纹与振动原始数据，其中一部分数据用于获取声纹、振动信号的稀疏变换基；设定残差阈值，随机选取声纹、振动信号数据中的K个元素作为初始稀疏变换基，通过优化迭代至残差满足设定条件，输出最优稀疏变换基；基于最优稀疏变换基对压缩数据进行稀疏变换，以得到先验信息，并借助l₁范数优化求解算法得到两种信号的稀疏系数向量；分别提取稀疏声纹信号的短时过零率、谱质心、短时能量作为特征参量，提取稀疏振动信号的偏度、峭度、波峰因子、形状因子作为特征参量，进而进行特征融合；利用随机森林分类器实现变压器不同工况的状态辨识。

Description

一种信号稀疏表示与融合检测方法、存储介质及电子装置

技术领域

本发明涉及电力领域，尤其涉及一种信号稀疏表示与融合检测方法、存储介质及电子装置。

背景技术

电力变压器作为电力控制及保护的重要电力设备，其运行的可靠性直接影响整个电力系统的安全与稳定。据相关统计，绝缘的破坏是导致变压器失效的主要原因，受厂家生产质量参差不齐、维修不当以及长期运行造成绝缘老化等因素影响，设备绝缘部件会产生潜伏性绝缘缺陷，这将引起局部电场畸变，导致进一步的电气故障发生。因此，寻求一种可靠辨识电力变压器设备运行状态的方法值得进一步研究。

由于变压器设备应用场景广、应用数量多、运行周期长，基于奈奎斯特采样定理得到的设备监测数据往往呈现海量化、多模态化的特性，海量监测数据如何实现实时传输与同步存储已成为亟待解决的问题。压缩感知技术为上述问题提供了一种解决途径，若信号本身稀疏，或在某个变换域稀疏，即可通过一个与变换基无关的观测矩阵，在低于奈奎斯特采样定理的采样频率下高概率地重构出原始信号。压缩感知技术的核心在于稀疏求解问题算法的提出和稀疏变换基的设计。其中求解算法已有众多学者进行了研究，而对于稀疏变换基的设计，由于实际数据丰富多样，利用己有的预构稀疏基很难与实际数据适配、获得稀疏表征结果，因此寻求一种自适应的稀疏变换信号表示方法亟需研究。

目前针对于变压器设备的测试手段大多基于振动传感器采集的振动信号，当变压器运行状态改变时，会产生不同于正常工况的异常振动，可采集振动信号作为状态辨识依据。然而，为获得完整的测量目标信息往往需布置大量的传感器，工作繁琐且增加了实际成本。由于异常振动会向外辐射噪声，且声信号的采集无需接触测试设备、成本低廉且操作简便，因此也被逐渐应用于电力设备的检测工作中。然而仅利用常规单一类型的信号检测方法，难以提供全面的状态信息量，可能会带来较大的误差，因此有必要提供一种有效融合声振测量信息的检测方法，以使其既能够得到测试设备丰富的检测信息参量，同时也显著提升检测状态的辨识度。

综合以上，由于电力设备监测数据的日益大型化和复杂化已使得很多传统的故障检测方法失效，有必要提供一种能够从大量干扰信息中提取出监测对象的本征信息的高精度、高效率的信号稀疏表示与融合检测方法、存储介质及电子装置。

在授权公告号为CN110657881B的专利文献公开了一种利用稀疏反演的变压器振声信号滤波方法和系统，所述方法包括：步骤1，输入实测的振声信号序列S；步骤2，根据稀疏反演理论对所述信号序列S进行滤除噪声处理，滤除噪声后的信号序列为S_NEW。但是，该专利文献为基于稀疏反演理论实现背景噪声(包括异常点)和脉冲噪声的分离和滤除，不能减少数据通信代价。

在申请公布号为CN115062647A的专利文献公开了一种变压器振动信号稀疏分解方法，该方法使用加速度传感器获取在运变压器表面振动信号，基于峭度值分析结果，选择部分变压器振动信号构成初始字典的训练样本，根据变压器振动信号基频和采样频率确定初始字典的维度，再应用标准K-SVD算法更新字典原子完成变压器振动信号稀疏分解。但是，该专利文献为基于变压器振动信号的峭度和K-SVD的稀疏分解方法，只利用了单一的振动信号，且选取的特征参量也只有一个(峭度)，对于复杂工况下运行的电力设备有时难以实现其状态的准确辨识。

发明内容

本发明实施例的目的在于提供一种信号稀疏表示与融合检测方法、存储介质及电子装置，在不丢失原始信号测试信息的情况下，大幅减少了数据通信代价，且融合检测方法相较于常规方法具备更好的状态识别精度，能够有效提升变压器状态辨识效果。

为解决上述技术问题，本发明所采用的技术方案是：

本发明实施例提供一种信号稀疏表示与融合检测方法，包括以下步骤：

S1，采集变压器设备不同状态的声纹与振动原始数据，其中一部分数据用于获取声纹、振动信号的稀疏变换基，剩余部分作为压缩数据；

S2，设定残差阈值，随机选取声纹、振动信号数据中的K个元素作为初始稀疏变换基，通过优化迭代至残差满足设定条件，输出最优稀疏变换基；

S3，基于最优稀疏变换基对压缩数据进行稀疏变换，以得到先验信息，并借助l₁范数优化求解算法得到两种信号的稀疏系数向量；

S4，分别提取稀疏声纹信号的短时过零率、谱质心、短时能量作为特征参量，提取稀疏振动信号的偏度、峭度、波峰因子、形状因子作为特征参量，进而进行特征融合；

S5，利用随机森林分类器实现变压器不同工况的状态辨识。

在一些实施例中，在步骤S1中，测量矩阵采取托普利兹矩阵A，其形式为式(1)：

式中，N、M表示元素序号。

在一些实施例中，在步骤S1中，利用测量矩阵即可得到相应的压缩测量值，采用式(2)：

式中，f_p、f_v分别表示原始声纹、振动测试信号，A_p、A_v分别表示原始声纹、振动测试信号的测量矩阵，y_p、y_v分别表示原始声纹、振动测试信号的压缩测量值。

在一些实施例中，在步骤S2中，采用最佳方向法构造、优化稀疏基Φ，其优化目标函数采用式(3)：

式中，α表示稀疏系数矩阵，f表示原始测试信号，α_i表示稀疏系数矩阵的列向量，

表示某一常数，N^*表示正整数。

在一些实施例中，利用在步骤S1中得到的压缩测量值和在步骤S2中得到的稀疏变换基计算声纹和振动信号的稀疏系数向量，采用式(6)：

式中，Φ_p、Φ_v分别表示声纹和振动信号的稀疏变换基，α_p、α_v分别表示声纹和振动信号的稀疏系数向量。

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上所述信号稀疏表示与融合检测方法的步骤。

本发明实施例提供一种应用如上所述信号稀疏表示与融合检测方法的电子装置，包括：数据感知单元，用于采集目标设备的声纹与振动信号；数据采集单元，用于处理原始声纹和振动数据；数据分析单元，用于处理、计算声纹与振动信号数据；结果可视化单元，用于输出变压器不同状态的辨识结果与变压器设备健康度预警提示。

随着智能电网的高速发展，电力设备安全稳定运行显得尤其重要。目前，对超高压及以上电压等级的电力设备开展运行状态检测，尤其是对异常状态的检测显得愈加重要和迫切。电力变压器作为电力系统的重要组成部分，是变电站中最重要的电气设备之一，其可靠运行关系到电网的安全。一般而言，变压器的异常状态可分为铁芯异常与绕组异常。铁芯异常主要表现为铁芯饱和，绕组异常通常包括绕组变形、绕组松动等。

变压器异常状态检测的基本原理是提取变压器运行中的各特征量，分析、辨识并跟踪特征量以此监测变压器的异常运行状态。检测方法按照接触程度可分为侵入式检测和非侵入式检测；按照是否需停机检测可分为带电检测和停电检测；按照检测量类型可以分为电气量法和非电气量法等。相比而言，非侵入式检测可移植性强，安装更方便；带电检测不影响变压器运行；非电气量法与电力系统无电气连接，更为安全。

当前变压器运行状态的常用检测方法中，包括检测局部放电的脉冲电流法和超声波检测法、检测绕组变形的频率响应法以及检测机械及电气故障的振动检测法等。这些检测方法主要检测变压器绝缘状况及机械结构状况，其中以变压器振动信号(振声)的检测最为全面，对于大部分变压器故障及异常状态均能有所反应。

变压器在运行过程中，铁芯硅钢片的磁致伸缩与绕组电动力引起的振动会向四周辐射不同幅值和频率的振声信号。变压器正常运行时对外发出的是均匀的低频噪声；如果发出不均匀声音，则属不正常现象。变压器在不同运行状态下会发出有区别性的声音，可通过对其发出声音的检测，掌握变压器的运行状况。值得关注的是，对变压器不同运行状态下发出声音的检测不仅可以检测很多种引起电气量变化的严重故障，还可以检测许多并未危及绝缘的没有引起电气量变化的异常状态，比如变压器内外部零部件松动等。

由于振声检测方法利用了变压器发出的震动信号，很容易受到环境噪声的影响，因此如何有效地识别振声与噪声，是此方法能否成功的关键。

本发明提供的一种信号稀疏表示与融合检测方法，与现有的常规技术相比，主要优点包括：

本发明提出的一种信号稀疏表示与融合检测方法，首先利用压缩感知进行原始数据的压缩，再分别对压缩后的声纹、振动信号提取共计七个特征参量，利用梯度提升决策树模型融合特征参量并实现设备状态辨识。本发明采用七个特征参量值进行融合及状态辨识，相较于基于单一特征值判断方式更为可靠。

本发明提出的一种信号稀疏表示与融合检测方法，基于压缩感知理论，在不丢失原始信号测试信息的情况下，大幅减少了数据通信代价，且由于融合了声、振信号的各自特点，因此能够得到更为丰富的测试设备特征信息参量，克服了常规基于单一信号检测方法难以获得综合状态信息的不足，本发明提出的融合检测方法相较于常规方法具备更好的状态识别精度，并且有效融合声振信息参量实现被监测设备状态的可靠辨识。

综上，本发明简单、高效、准确，得到的声振信号稀疏表示与融合检测方法为变压器故障诊断提供了精确、可靠的状态评估标准。

为凸显本发明方法的优越性，针对某一实测数据采用本发明方法进行计算，算例截取原始声纹、振动数据离散点数为500、根据压缩感知理论设定压缩率为60％，则有观测矩阵的维度为200×500，稀疏基维度为500×200，稀疏系数的维度为200×1。

其计算、构造最优稀疏基过程中的性能曲线如图3所示。其中图3(a)中曲线表示准确率的变化。图3(b)中曲线表示对应的损失函数值。结果表明，损失函数在经过60次迭代后就能快速达到稳定值。对应的分类准确率也在迭代60次后达到稳定，其准确率几乎达到100％。

如图4所示为变压器三种状态反演得到的稀疏系数示意图，其中，图4(a)为正常状态反演得到的稀疏系数，图4(b)为相间放电状态反演得到的稀疏系数，图4(c)为对铁芯放电状态反演得到的稀疏系数。可见经过稀疏技术处理后的三种状态数据在减少采样点数量的情况下波形仍存在一定的差异性。

为评判本发明方法对于变压器不同状态下的辨识性能，引入混淆矩阵进行直观地评判。如图5和表2所示。

表2评价参数表

引入混淆矩阵进行分类效果的定量评价，如图5与表2所示即为利用所提方法得到的混淆矩阵计算结果。图中混淆矩阵的对角线分别表示利用所提方法对于每种状态的识别准确率。结合图5和表2可知，在全部300个测试集中只有4个被错误分类，测试样本集的分类正确率为98.7％。由表2可知，所提方法的状态识别精度、召回率和F1值分别为1、0.98和0.98。这一结果表明所提方法具备良好的分类性能，证明了所提方法的有效性。

附图说明

为了更清楚地说明本公开中的技术方案，下面将对本公开一些实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例的附图，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。此外，以下描述中的附图可以视作示意图，并非对本公开实施例所涉及的产品的实际尺寸、方法的实际流程等的限制。

图1为根据本公开一些实施例中的检测方法的流程示意图；

图2为根据本公开一些实施例中的电子装置的结构示意图；

图3(a)为根据本公开一些实施例中的检测方法的计算、构造最优稀疏基过程中的性能曲线，曲线表示准确率的变化；

图3(b)为根据本公开一些实施例中的检测方法的计算、构造最优稀疏基过程中的性能曲线，曲线表示对应的损失函数值；

图4(a)、图4(b)、图4(c)为根据本公开一些实施例中的变压器三种状态反演得到的稀疏系数示意图；

图5为根据本公开一些实施例中的混淆矩阵计算结果。

具体实施方式

下面将结合附图，对本公开一些实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开所提供的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。

除非上下文另有要求，否则，在整个说明书和权利要求书中，术语“包括”被解释为开放、包含的意思，即为“包含，但不限于”。在说明书的描述中，术语“一个实施例”、“一些实施例”、“示例性实施例”、“示例”或“一些示例”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本公开的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。此外，所述的特定特征、结构、材料或特点可以以任何适当方式包括在任何一个或多个实施例或示例中。

本发明实施例提供一种信号稀疏表示与融合检测方法，实施步骤分五步实现变压器声振信息的稀疏表示与融合检测，如图1所示，包括步骤：S1～S5。

S1，采集变压器设备不同状态的声纹与振动原始数据，其中一部分数据用于获取声纹、振动信号的稀疏变换基，剩余部分作为压缩数据y_p、y_v。

在步骤S1中，测量矩阵采取托普利兹矩阵A，其形式为式(1)：

式中，N、M表示元素序号。

式(1)中矩阵的特点在于构成该测量矩阵的元素完全由其第1行和第1列的2n-1个元素确定；除第一行第一列外，其他每个元素都与左上角的元素相同。由于构造托普利兹测量矩阵需要的自由元素较少、结构简单、循环移位易于在硬件上实现，故该矩阵具有良好的工程应用前景。

在步骤S1中，利用测量矩阵即可得到相应的压缩测量值，采用式(2)：

式中，f_p、f_v分别表示原始声纹、振动测试信号，A_p、A_v分别表示原始声纹、振动测试信号的测量矩阵，y_p、y_v分别表示原始声纹、振动测试信号的压缩测量值。

S2，设定残差阈值，随机选取声纹、振动信号数据中的K个元素作为初始稀疏变换基，通过优化迭代至残差满足设定条件，输出最优稀疏变换基Φ_p和Φ_v。

在步骤S2中，采用最佳方向法构造、优化稀疏基Φ，其优化目标函数采用式(3)：

式中，α表示稀疏系数矩阵，f表示原始测试信号，α_i表示稀疏系数矩阵的列向量，

表示某一常数，N^*表示正整数。

显然，该方法的计算过程是稀疏系数求解与稀疏基更新交替进行的过程。

对于稀疏系数α，可采用最小l₁范数优化求解算法，采用式(4)：

对于稀疏基计算，可采用Moore-Penrose广义逆求解方法进行求解，采用式(5)：

式中，“T”表示矩阵转置。

值得说明的是，声纹与振动信号的稀疏变换基皆由式(3)～式(5)计算可得，本实施例给出通用的计算过程，不再列举出详细的计算过程。

S3，基于最优稀疏变换基Φ_p和Φ_v对压缩数据y_p和y_v进行稀疏变换，以得到先验信息，并借助l₁范数优化求解算法得到两种信号的稀疏系数向量。

进一步地，利用在步骤S1中得到的压缩测量值和在步骤S2中得到的稀疏变换基计算声纹和振动信号的稀疏系数向量，采用式(6)：

式中，Φ_p、Φ_v分别表示声纹和振动信号的稀疏变换基，α_p、α_v分别表示声纹和振动信号的稀疏系数向量。

S4，分别提取稀疏声纹信号α_p的短时过零率、谱质心、短时能量作为特征参量，提取稀疏振动信号α_v的偏度、峭度、波峰因子、形状因子作为特征参量，进而进行特征融合。

上述作为判别当前变压器状态的依据，并采用特征表达式见下表1。

表1两种稀疏信号的特征值

在表1中，

ξ表示某一常数，n＝1,2…N，N表示信号时域总离散点，x_n表示第n个离散点对应的幅值。F_n表示信号频率，E_n表示离散时域信号短时傅里叶变换后所对应频率的谱能量，M表示频域离散总点数，P(·)表示概率计算。ω_n(·)表示窗函数，本发明方法采用汉明窗，υ表示帧移长度。

表示原始信号幅值的平均值。

S5，利用随机森林分类器实现变压器不同工况的状态辨识。

进一步地，采用梯度提升决策树方法实现声振特征值的融合与设备的状态分类，其映射关系采用式(7)：

式中，β表示初始模型，y_i表示预测值，loss(y_i,F(x))表示损失函数，F(x)表示与模型相关的函数值。

本发明的声振信号稀疏表示与融合检测方法与现有的常规技术相比，主要优点包括：

本发明提出的声振信号稀疏表示与融合检测方法在不丢失原始信号测试信息的情况下，大幅减少了数据通信代价，且由于融合了声、振信号的各自特点，因此能够得到更为丰富的测试设备特征信息参量，克服了常规基于单一信号检测方法难以获得综合状态信息的不足，本发明提出的融合检测方法相较于常规方法具备更好的状态识别精度。

综上，本发明简单、高效、准确，得到的声振信号稀疏表示与融合检测方法为变压器故障诊断提供了精确、可靠的状态评估标准。

为凸显本发明方法的优越性，针对某一实测数据采用本发明方法进行计算，算例截取原始声纹、振动数据离散点数为500、根据压缩感知理论设定压缩率为60％，则有观测矩阵的维度为200×500，稀疏基维度为500×200，稀疏系数的维度为200×1。

其计算、构造最优稀疏基过程中的性能曲线如图3(a)和图3(b)所示。其中图3(a)中曲线表示准确率的变化。图3(b)中曲线表示对应的损失函数值。结果表明，损失函数在经过60次迭代后就能快速达到稳定值。对应的分类准确率也在迭代60次后达到稳定，其准确率几乎达到100％。

如图4(a)、图4(b)、图4(c)所示为变压器三种状态反演得到的稀疏系数示意图，其中，图4(a)为正常状态反演得到的稀疏系数，图4(b)为相间放电状态反演得到的稀疏系数，图4(c)为对铁芯放电状态反演得到的稀疏系数。可见经过稀疏技术处理后的三种状态数据在减少采样点数量的情况下波形仍存在一定的差异性。

为评判本发明方法对于变压器不同状态下的辨识性能，引入混淆矩阵进行直观地评判。如图5和表2所示。

表2评价参数表

引入混淆矩阵进行分类效果的定量评价，如图5与表2所示即为利用所提方法得到的混淆矩阵计算结果。图中混淆矩阵的对角线分别表示利用所提方法对于每种状态的识别准确率。结合图5和表2可知，在全部300个测试集中只有4个被错误分类，测试样本集的分类正确率为98.7％。由表2可知，所提方法的状态识别精度、召回率和F1值分别为1、0.98和0.98。这一结果表明所提方法具备良好的分类性能，证明了所提方法的有效性。

本发明的一些实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上所述信号稀疏表示与融合检测方法的步骤。

举例来讲，该计算机可读存储介质可以是只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本发明的一些实施例提供一种应用如上所述检测方法的电子装置，如图2所示，包括：数据感知单元、数据采集单元、数据分析单元以及结果可视化单元。

在一些实施例中，数据感知单元用于采集目标设备的声纹与振动信号。

在一些示例中，数据感知单元包括声纹感知模组和振动感知模组，两者分别用于采集声纹信号和振动信号。

在一些实施例中，数据采集单元用于处理原始声纹和振动数据。

具体的，数据采集单元包括放大每个通道的声纹和振动信号、A/D数字转换获得声纹和振动数据的数字信号等。

在一些实施例中，数据分析单元用于处理、计算声纹与振动信号数据。

在一些实施例中，结果可视化单元用于输出变压器不同状态的辨识结果与变压器设备健康度预警提示。

具体的，首先利用采集得到的声纹和振动信号进行压缩采样，其次采用最佳方向法构造、优化稀疏基，并借助最小l₁范数优化求解算法稀疏系数向量，进行特征值提取，最后利用梯度提升决策树算法实现变压器设备的有效辨识，并根据特征值变化趋势实现变压器设备的健康度预警提示。

在一些实施例中，电子装置还包括供电单元，供电单元包括电源，用于为各个单元供电。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种信号稀疏表示与融合检测方法，其特征在于，包括以下步骤：

S1，采集变压器设备不同状态的声纹与振动原始数据，其中一部分数据用于获取声纹、振动信号的稀疏变换基，剩余部分作为压缩数据；

S2，设定残差阈值，随机选取声纹、振动信号数据中的K个元素作为初始稀疏变换基，通过优化迭代至残差满足设定条件，输出最优稀疏变换基；

S3，基于最优稀疏变换基对压缩数据进行稀疏变换，以得到先验信息，并借助l₁范数优化求解算法得到两种信号的稀疏系数向量；

S4，分别提取稀疏声纹信号的短时过零率、谱质心、短时能量作为特征参量，提取稀疏振动信号的偏度、峭度、波峰因子、形状因子作为特征参量，进而进行特征融合；

S5，利用随机森林分类器实现变压器不同工况的状态辨识。

2.如权利要求1所述的信号稀疏表示与融合检测方法，其特征在于：

在步骤S1中，测量矩阵采取托普利兹矩阵A，其形式为式(1)：

式中，N、M表示元素序号。

3.如权利要求2所述的信号稀疏表示与融合检测方法，其特征在于：

在步骤S1中，利用测量矩阵即可得到相应的压缩测量值，采用式(2)：

式中，f_p、f_v分别表示原始声纹、振动测试信号，A_p、A_v分别表示原始声纹、振动测试信号的测量矩阵，y_p、y_v分别表示原始声纹、振动测试信号的压缩测量值。

4.如权利要求1所述的信号稀疏表示与融合检测方法，其特征在于：

在步骤S2中，采用最佳方向法构造、优化稀疏基Φ，其优化目标函数采用式(3)：

式中，α表示稀疏系数矩阵，f表示原始测试信号，α_i表示稀疏系数矩阵的列向量，

表示某一常数，N^*表示正整数。

5.如权利要求1所述的信号稀疏表示与融合检测方法，其特征在于：

利用在步骤S1中得到的压缩测量值和在步骤S2中得到的稀疏变换基计算声纹和振动信号的稀疏系数向量，采用式(6)：

式中，Φ_p、Φ_v分别表示声纹和振动信号的稀疏变换基，α_p、α_v分别表示声纹和振动信号的稀疏系数向量。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-5任一项所述信号稀疏表示与融合检测方法的步骤。

7.一种应用如权利要求1-5任一项所述信号稀疏表示与融合检测方法的电子装置，其特征在于，包括：

数据感知单元，用于采集目标设备的声纹与振动信号；

数据采集单元，用于处理原始声纹和振动数据；

数据分析单元，用于处理、计算声纹与振动信号数据；

结果可视化单元，用于输出变压器不同状态的辨识结果与变压器设备健康度预警提示。

Images