CN116430188A - 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 - Google Patents

基于改进白冠鸡优化算法的变压器故障声纹诊断方法 Download PDF

Info

Publication number
CN116430188A
CN116430188A CN202310697668.5A CN202310697668A CN116430188A CN 116430188 A CN116430188 A CN 116430188A CN 202310697668 A CN202310697668 A CN 202310697668A CN 116430188 A CN116430188 A CN 116430188A
Authority
CN
China
Prior art keywords
time
chicken
transformer
white crown
formula
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.)
Granted
Application number
CN202310697668.5A
Other languages
English (en)
Other versions
CN116430188B (zh
Inventor
章彧涵
康兵
高家通
王宗耀
丁贵立
许志浩
刘文轩
李斌
戴永熙
李雨彤
何言
蒋善旗
何登旋
杨梓萌
徐一舟
单惠敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202310697668.5A priority Critical patent/CN116430188B/zh
Publication of CN116430188A publication Critical patent/CN116430188A/zh
Application granted granted Critical
Publication of CN116430188B publication Critical patent/CN116430188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力设备故障诊断技术领域，公开了一种基于改进白冠鸡优化算法的变压器故障声纹诊断方法，将变压器声音信号进行去噪，使用权重时移多尺度反向波动散布熵对分离出变压器本体声音信号计算时移尺度内的特征量并进行归一化，使用拉普拉斯得分选出最优特征维度，将核极限学习机的核函数参数和正则化因子以及权重时移多尺度反向波动散布熵的权重作为改进白冠鸡优化算法的初始种群位置进行寻优，对核极限学习机进行训练，得到变压器故障诊断模型，用于变压器的故障诊断。本发明解决了核极限学习机的超参和权重时移多尺度反向波动散布熵的权重难以准确选取的问题，能够实时准确的输出变压器内部的情况。

Description

基于改进白冠鸡优化算法的变压器故障声纹诊断方法
技术领域
本发明涉及电力设备故障技术领域，具体涉及一种基于改进白冠鸡优化算法的变压器故障声纹诊断方法。
背景技术
电力变压器担负着电压变换、电能传输及无功补偿等重要任务。对在变压器运行过程中，绕组振动、铁芯振动以及冷却风扇等装置产生的持续性噪声包含了非常丰富的信息，它们通过变压器内部结构和空气向四周辐射，在很大程度上反应变压器的运行状态。同时，对声音信号进行采集的麦克风传感器或录音设备具有非接触、安装灵活、不影响变压器正常运行。
变压器故障从位置上可分为内部故障和外部故障，内部故障包括单相接地短路、相间短路以及匝间短路等，外部故障包括绝缘套管及其引出线上的相间短路和接地短路故障；从性质上可分为热故障和电故障，热故障包括轻度过热、低温过热、中温过热以及高温过热等，电故障包括局部放电、火花放电以及高能电弧放电；从结构上可分为铁芯故障、油质故障以及附件故障等。变压器运行时的声音信号包含大量的运行状态信息，通过传感器采集的声音信号具有非接触式、结构简单，方便测量等优点。可以有效提高电力变压器运行状态监测和故障诊断能力，提前发现故障隐患，降低故障发生。
白冠鸡优化算法(Coot optimization algorithm,COOT)是一种模拟了白骨顶鸡在水中的两种不同运动模式，算法探索能力有所不足，容易陷入局部最优，对智能优化算法进行改进和升级是提升白冠鸡优化算法性能的重要途径。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出一种基于改进白冠鸡优化算法的变压器故障声纹诊断方法，首先将变压器声纹数据使用重复模式提取技术(REPET)进行去噪降低干扰，其次使用权重时移多尺度反向波动散布熵(WTSMRFDE)对分离出变压器本体声音信号计算时移尺度内的特征量，同时构造特征数据集并进行归一化，使用拉普拉斯得分（Laplacian Score）对特征数据集的各维特征进行打分，选出最优特征维度，将核极限学习机(KELM)的核函数参数和正则化因子以及WTSMRFDE的权重作为改进白冠鸡优化算法的初始种群位置进行寻优，对核极限学习机(KELM)进行训练，得到变压器故障诊断模型，根据实时采集的变压器声音信号用变压器故障诊断模型进行变压器的故障诊断。
为了实现上述目的，本发明采用的一个技术方案是：一种基于改进白冠鸡优化算法的变压器故障声纹诊断方法，包括以下步骤：
S1：使用声音采集装置采集变压器各类故障声音信号，并使用重复模式提取技术(REPET)对变压器声音信号进行去噪处理，分离出变压器本体声音信号与环境干扰噪声信号；
S2：使用权重时移多尺度反向波动散布熵(WTSMRFDE)对变压器本体声音信号计算时移尺度的特征量，同时构造特征数据集并进行归一化；使用拉普拉斯得分（LaplacianScore）对归一化后的特征数据集计算不同时移尺度的特征量得分，选出得分高于设定阈值的时移尺度的特征量，且剔除特征数据集中剩余时移尺度下的特征量，构造最优特征子集；
S3：搭建核极限学习机(KELM)并确定其输入层、输出层的节点数以及核函数；
S4：将核极限学习机的核函数参数和正则化因子以及权重时移多尺度反向波动散布熵的权重作为改进白冠鸡优化算法的初始种群位置进行寻优，获得核极限学习机的最优核函数参数和最优正则化因子以及权重时移多尺度反向波动散布熵的最优权重；
S5：赋予特征数据集最优权重并选出最优的特征维度对获得最优核函数参数和最优正则化因子的核极限学习机进行训练，得到变压器故障诊断模型，根据实时采集的变压器声音信号用变压器故障诊断模型进行变压器的故障诊断。
进一步地，步骤S1的具体过程如下：
S101：对采集的变压器声音信号进行STFT变换，并只取单边频谱，得到幅度谱图与功率谱；
S102：计算功率谱中的重复周期；
S103：根据重复周期构建重复片段模型；
S104：在重复片段模型的基础上计算重复谱图模型；
S105：通过使用含噪声音信号的幅度谱图对重复谱图模型中对应的元素进行归一化来推导软时频掩蔽；
S106：使用软时频掩蔽与含噪声音信号的幅度谱图做哈曼达积，得到的背景信号幅度谱，即为变压器本体声音信号，含噪声音信号的幅度谱图与得到背景信号幅度谱之间做差值得到前景幅度谱，即为环境干扰噪声。
本实施例中，所述步骤S2的具体过程为：
S201：设去噪后的信号为时间序列X=[x1,x2,…xN]，x1,x2,…xN分别为第1，2，…，N段去噪后的信号，N为时间序列X的长度，对时间序列X，构造新的时移子序列
Figure SMS_1
，即：
Figure SMS_2
，
式中： k表示时移尺度，即尺度因子;
Figure SMS_3
分别为时间序列X在
Figure SMS_4
时段的信号；α为正整数，表示初始时间点；
Figure SMS_5
为四舍五入的整数，表示上边界的个数；
Figure SMS_6
；
S202：计算时移子序列的对应散布模式概率的平均值；
S203：计算在时移尺度k下的权重时移多尺度反向波动散布熵；
S204：构造特征数据集并进行归一化，且使用拉普拉斯得分选出最优特征维度。
进一步优选，所述计算时移子序列的对应散布模式概率的平均值的过程如下：
采用标准正态分布函数将
Figure SMS_7
映射到[0,1]范围内的
Figure SMS_8
，即
Figure SMS_9
，
式中，
Figure SMS_10
为时间序列X的期望，
Figure SMS_11
为时间序列X的标准差，
Figure SMS_12
为第u个时移子序列
Figure SMS_13
映射后的序列，n为时移子序列的数量；
通过线性变换算法，进一步将
Figure SMS_14
映射到[1,c]范围内的整数中，即：
Figure SMS_15
，
式中，round为取整函数，c为类别个数;
Figure SMS_16
为线性变换后的第u个信号；
对
Figure SMS_17
进行相空间重构，得到嵌入向量
Figure SMS_18
：
Figure SMS_19
，
式中,d为时延，m为嵌入维数，所有嵌入向量组成的矩阵如下：
Figure SMS_20
，
其中，
Figure SMS_21
，K为嵌入向量矩阵的行数；
考虑相邻元素的差异，有n-1个嵌入向量，各嵌入向量的元素范围为-c+1到c+1，共有
Figure SMS_22
潜在的波动散布模式，记为
Figure SMS_23
；
计算每个波动散布模式出现的概率：
Figure SMS_24
，
式中，
Figure SMS_25
为波动散布模式
Figure SMS_26
出现的概率，
Figure SMS_27
表示波动散布模式
Figure SMS_28
的数量；
计算时移尺度k下多个时移序列的概率平均值
Figure SMS_29
：
Figure SMS_30
，
式中，
Figure SMS_31
为时移尺度k下的时移序列对应的散布模式的概率。
进一步优选，按下式计算在时移尺度k下的权重时移多尺度反向波动散布熵:
Figure SMS_32
，
式中，
Figure SMS_33
为权重时移多尺度反向波动散布熵，
Figure SMS_34
不同时移尺度k下的权重时移多尺度反向波动散布熵的权重。
进一步优选，核极限学习机的回归模型表示如下：
Figure SMS_35
，
式中，
Figure SMS_45
为网络的输入向量，
Figure SMS_46
为第q个输入数据，
Figure SMS_51
为第g个输入数据，
Figure SMS_39
为输入向量的数据数量，
Figure SMS_49
为网络的输出，
Figure SMS_41
称为隐含层的输出矩阵，T表示转置，C为正则化因子，I为对角矩阵，y为期望输出，
Figure SMS_54
，
Figure SMS_40
为关于
Figure SMS_53
和
Figure SMS_36
的核函数，
Figure SMS_47
为关于
Figure SMS_44
和
Figure SMS_55
的核函数，
Figure SMS_43
为关于
Figure SMS_50
和
Figure SMS_38
的核函数，
Figure SMS_48
为
Figure SMS_42
对应的隐含层的输出矩阵，
Figure SMS_52
为
Figure SMS_37
对应的隐含层的输出矩阵。
核极限学习机的核函数为径向基核函数：
Figure SMS_56
，
其中，
Figure SMS_57
为核函数参数。
进一步优选，步骤S4的过程如下：
S401：将核极限学习机的核函数参数
Figure SMS_58
和正则化因子
Figure SMS_59
以及权重时移多尺度反向波动散布熵的权重
Figure SMS_60
作为白冠鸡的初始位置，初始化种群为：
Figure SMS_61
，
Figure SMS_62
，
式中：
Figure SMS_64
为第
Figure SMS_67
个白冠鸡的位置，
Figure SMS_69
为搜索空间上界，
Figure SMS_65
为搜索空间下界，
Figure SMS_68
为
Figure SMS_70
的维度，
Figure SMS_71
为
Figure SMS_63
区间内的随机数，
Figure SMS_66
为白冠鸡种群数量；
从白冠鸡中随机选取
Figure SMS_72
只白冠鸡作为领导者，记为
Figure SMS_73
，剩余的
Figure SMS_74
只白冠鸡为追随者，记为
Figure SMS_75
，
Figure SMS_76
，
Figure SMS_77
；
S402：跟随者位置更新：通过
Figure SMS_78
区间内的随机数
Figure SMS_79
随机选择跟随者的位置更新方式，位置更新方式包括主动更新和被动更新；
主动更新：
当
Figure SMS_80
时，白冠鸡跟随者选择主动更新位置，主动更新包括两种运动方式，通过
Figure SMS_81
区间内的随机数
Figure SMS_82
选择运动方式；
当
Figure SMS_83
时，白冠鸡跟随者进行随机运动，为了让跟随者趋于聚集，选取所有的跟随者在当前迭代的平均位置
Figure SMS_84
为跟随者的移动方向；
Figure SMS_85
，
式中，
Figure SMS_86
为第
Figure SMS_87
个跟随者当前的位置，
Figure SMS_88
函数生成
Figure SMS_89
维的
Figure SMS_90
区间内的随机数，
Figure SMS_91
；
白冠鸡个体会向产生的随机位置移动，
Figure SMS_92
，
式中：
Figure SMS_93
表示第
Figure SMS_94
个跟随者更新后的位置，
Figure SMS_95
是
Figure SMS_96
区间内的随机数，参数
Figure SMS_97
为在
Figure SMS_98
区间中非线性递减因子：
Figure SMS_99
，
式中：
Figure SMS_100
是当前迭代次数，
Figure SMS_101
是最大迭代次数；
当
Figure SMS_102
时，相邻两个白冠鸡之间实现链式运动：
Figure SMS_103
，
式中：
Figure SMS_104
是
Figure SMS_105
区间内的随机数，
Figure SMS_106
是第
Figure SMS_107
个跟随者的当前位置；
被动更新：
当
Figure SMS_108
时，白冠鸡跟随者选择被动更新位置；利用下式机制选择领导者：
Figure SMS_109
，
式中：
Figure SMS_110
是领导者的索引数，F1是跟随者的索引数，
Figure SMS_111
是取余函数；
跟随领导者的位置更新公式如下：
Figure SMS_112
，
式中：
Figure SMS_113
表示第
Figure SMS_114
个领导者的位置，
Figure SMS_115
和
Figure SMS_116
为
Figure SMS_117
区间内的随机数；
S403：增加动态全局搜索以及全局最差位置扰动；
动态全局搜索：
Figure SMS_118
，
式中：
Figure SMS_119
为步长，服从莱维分布；
全局最差位置扰动：
对当前迭代中跟随者处于最差位置的跟随者进行扰动：
Figure SMS_120
；
式中：
Figure SMS_121
为当前迭代跟随者最差位置扰动后的位置，
Figure SMS_122
为当前迭代跟随者最差位置，
Figure SMS_123
为
Figure SMS_124
区间内满足柯西分布的随机相量，
Figure SMS_125
为
Figure SMS_126
区间内的随机数；
S404：领导者位置更新：
Figure SMS_127
；
式中：
Figure SMS_129
为第
Figure SMS_132
个领导者更新后的位置，
Figure SMS_134
为种群当前迭代最优位置，
Figure SMS_130
和
Figure SMS_131
为
Figure SMS_133
区间内的随机数，参数
Figure SMS_135
为在
Figure SMS_128
区间内的非线性递减因子；
Figure SMS_136
，
式中：
Figure SMS_137
是当前迭代次数，
Figure SMS_138
是最大迭代次数；
S405：判断当前最优解位置适应度值是否比更新前最优解位置更好，如果当前最优解位置适应度值比更新前的最优解位置更好，则更新最优解位置；判断当前是否满足算法的迭代结束条件：不满足结束条件，返回步骤S402步骤继续执行；反之，输出当前最优解位置，算法结束。
本发明的有益效果是：变压器是电力系统的重要核心设备，为保证不危害到电网安全运行，避免了引起更大范围停电的事故，深入研究变压器的故障诊断方法能够提高其运维水平，实时监测潜在故障，能够对早起的故障征候做出准确的判断，对于维护电网安全稳定高效的运行具有十分重大的意义。相较于传统的故障诊断方案，本发明不需要破坏其自身的密封性，并且不用安转内置式的传感器，使用变压器声音信号进行故障诊断，在一定程度上提高了其诊断的准确性。
本发明采用权重时移多尺度反向波动散布熵(WTSMRFDE)提取特征量，其次采用改进白冠鸡优化算法优化的核极限学习机(KELM)进行变压器的故障诊断，解决了核极限学习机(KELM)的超参和WTSMRFDE的权重难以准确选取的问题，通过对特征量的诊断，能够实时准确的输出变压器内部的情况，对运维检修具有及其重大的意义。
附图说明
图1是本发明的基于改进白冠鸡优化算法的变压器故障声纹诊断方法流程图。
图2为本发明中使用的改进白冠鸡优化算法寻优流程图。
图3为白冠鸡优化算法改进前后的收敛曲线对比图。
图4为KELM优化前后的诊断精确率对比图。
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，包括以下步骤：
S1：使用声音采集装置采集变压器各类故障声音信号，并使用重复模式提取技术(REPET)对变压器声音信号进行去噪处理，分离出变压器本体声音信号与环境干扰噪声信号；
S2：使用权重时移多尺度反向波动散布熵(WTSMRFDE)对变压器本体声音信号计算时移尺度的特征量，同时构造特征数据集并进行归一化；使用拉普拉斯得分（LaplacianScore）对归一化后的特征数据集计算不同时移尺度的特征量得分，选出得分高于设定阈值的时移尺度的特征量，且剔除特征数据集中剩余时移尺度下的特征量，选出最优特征维度，减少数据冗余。
S3：搭建核极限学习机(KELM)并确定其输入层、输出层的节点数以及核函数；
核极限学习机(KELM)的回归模型表示如下：
Figure SMS_139
，
式中，
Figure SMS_141
为网络的输入向量，
Figure SMS_146
为第q个输入数据，
Figure SMS_158
为第g个输入数据，
Figure SMS_142
为输入向量的数据数量，
Figure SMS_154
为网络的输出，
Figure SMS_149
称为隐含层的输出矩阵，T表示转置，C为正则化因子，I为对角矩阵，y为期望输出，
Figure SMS_159
，
Figure SMS_148
为关于
Figure SMS_155
和
Figure SMS_140
的核函数，
Figure SMS_151
为关于
Figure SMS_147
和
Figure SMS_157
的核函数，
Figure SMS_144
为关于
Figure SMS_152
和
Figure SMS_143
的核函数，
Figure SMS_156
为
Figure SMS_150
对应的隐含层的输出矩阵，
Figure SMS_153
为
Figure SMS_145
对应的隐含层的输出矩阵。
S301：核极限学习机(KELM)的输入层节点数。在搭建过程中，核极限学习机(KELM)的输入层节点数等于输入向量的维数，在本发明中，输入向量的维数是所选取的特征数据集的维数，因此，核极限学习机(KELM)输入层节点数为5。
S302：确定核极限学习机(KELM)的输出层节点数。输出层节点数与预测结果个数一致，本发明中的输出为变压器故障的标签值为1。
S303：确定核极限学习机(KELM)的核函数，核极限学习机(KELM)将核函数作为隐含层节点映射，不需要设置网络隐含层节点的数量，因此，本实施例采用泛化能力强，应用广泛的径向基(radial basis function，RBF)核函数：
Figure SMS_160
，
其中，
Figure SMS_161
为核函数参数。
S4：将核极限学习机的核函数参数
Figure SMS_162
和正则化因子
Figure SMS_163
以及权重时移多尺度反向波动散布熵的权重
Figure SMS_164
作为改进白冠鸡优化算法的初始种群位置进行寻优，获得核极限学习机的最优核函数参数
Figure SMS_165
和最优正则化因子
Figure SMS_166
以及权重时移多尺度反向波动散布熵的最优权重
Figure SMS_167
。改进白冠鸡优化算法加快了白冠鸡优化算法收敛速度和寻优精度的同时增加了其跳出局部最优解的能力，改进算法的收敛曲线对比如图3所示，收敛速度和精度均得到了提高。
S5：赋予特征数据集最优权重并选出最优的特征维度对获得最优核函数参数
Figure SMS_168
和最优正则化因子
Figure SMS_169
的核极限学习机进行训练，得到变压器故障诊断模型，根据实时采集的变压器声音信号用变压器故障诊断模型进行变压器的故障诊断。图4为KELM优化前后的诊断精确率对比图。
S501：将经过改进白冠鸡优化算法优化后的最优核函数参数
Figure SMS_170
和最优正则化因子
Figure SMS_171
放入到核极限学习机（KELM）中，构造变压器故障诊断模型；
S502：将采集到的变压器声音信号进行权重时移多尺度反向波动散布熵（WTSMRFDE）特征提取并赋予最优权重
Figure SMS_172
，且归一化作为变压器故障诊断模型的输入，由变压器故障诊断模型进行故障诊断并输出诊断结果。
本实施例中，所述步骤S1的具体过程为：
S101：对采集的变压器声音信号进行STFT变换，并只取单边频谱，得到幅度谱图V与功率谱
Figure SMS_173
；本实施例中采用半重叠分段法进行分帧，帧长为0.04s，帧移为0.02s，窗函数选择汉明窗(Hamming)，
S102：计算功率谱
Figure SMS_174
中的重复周期，其计算公式为：
Figure SMS_175
，
式中：
Figure SMS_177
为功率谱图
Figure SMS_180
第i行元素之间的自相关性构成到自相关矩阵；
Figure SMS_182
为变压器声音信号的整体自相似系数；
Figure SMS_178
为
Figure SMS_179
除以其第一项得到归一化后的数据，
Figure SMS_181
，i为幅度谱图V的行数，j为幅度谱图V的列数，n1为频率数，
Figure SMS_183
，
Figure SMS_176
为自相关矩阵A的列数，m1为滞后帧数，N为变压器声音信号数据的长度。
定义通过找出
Figure SMS_184
中整数倍数上具有最高的平均累积能量的周期，将之求和后减去给定邻域的平均值，将其总和除以中
Figure SMS_185
找到的整数倍数的总数,从而得出每个周期的平均能量值，将具有最大平均能量值的周期认定为重复周期p。
S103：根据重复周期构建重复片段模型，其计算公式为：
Figure SMS_186
，
其中，
Figure SMS_187
为重复片段模型，
Figure SMS_188
，p1为片段时间周期长度，r为片段数，
Figure SMS_189
为第
Figure SMS_190
个片段时间周期长度。
S104：在重复片段模型的基础上计算重复谱图模型W，其计算公式为：
Figure SMS_191
，
式中，
Figure SMS_192
。
S105：通过使用含噪声音信号幅度谱图V对重复谱图模型W中对应的元素进行归一化来推导软时频掩蔽Ｍ，其计算公式为：
Figure SMS_193
，
式中，
Figure SMS_194
。本实施例中，选择使用维纳滤波器构成软时频掩蔽。
S106：使用软时频掩蔽与含噪声音信号幅度谱图V做哈曼达积，即可得到背景信号幅度谱(变压器本体声音信号)，含噪声音信号幅度谱图V与得到背景信号幅度谱之间做差值得到前景幅度谱(环境干扰噪声)。
本实施例中，所述步骤S2的具体过程为：
S201：设去噪后的信号为时间序列X=[x1,x2,…xN]，x1,x2,…xN分别为第1，2，…，N段去噪后的信号，N为时间序列X的长度，对时间序列X，构造新的时移子序列
Figure SMS_195
，即：
Figure SMS_196
，
式中： k表示时移尺度，即尺度因子;
Figure SMS_197
分别为时间序列X在
Figure SMS_198
时段的信号；α为正整数，表示初始时间点；
Figure SMS_199
为四舍五入的整数，表示上边界的个数；
Figure SMS_200
。本实施例中，k=20。
S202：计算时移子序列的对应散布模式概率的平均值：
(1)采用标准正态分布函数将
Figure SMS_201
映射到[0,1]范围内的
Figure SMS_202
，即：
Figure SMS_203
，
式中，
Figure SMS_204
为时间序列X的期望，
Figure SMS_205
为时间序列X的标准差，
Figure SMS_206
为第u个时移子序列
Figure SMS_207
映射后的序列，n为时移子序列的数量；
（2）通过线性变换算法，进一步将
Figure SMS_208
映射到[1,c]范围内的整数中，即：
Figure SMS_209
，
式中，round为取整函数，c为类别个数;
Figure SMS_210
为线性变换后的第u个信号；本实施例中c=6；
（3）对
Figure SMS_211
进行相空间重构，得到嵌入向量
Figure SMS_212
：
Figure SMS_213
，
d为时延，m为嵌入维数，所有嵌入向量组成的矩阵如下：
Figure SMS_214
，
其中，
Figure SMS_215
，K为嵌入向量矩阵的行数，本实施例中m=2，
Figure SMS_216
。
（4）考虑相邻元素的差异，有n-1个嵌入向量，各嵌入向量的元素范围为-c+1到c+1。因此，共有
Figure SMS_218
潜在的波动散布模式，记为
Figure SMS_220
，其中，
Figure SMS_222
，
Figure SMS_219
，
Figure SMS_221
，
Figure SMS_223
为波动散布模式初始状态，
Figure SMS_224
为波动散布模式的第1个变化状态，
Figure SMS_217
为为波动散布模式的第m-1个变化状态。
（5）计算每个波动散布模式出现的概率：
Figure SMS_225
，
式中，
Figure SMS_226
为波动散布模式
Figure SMS_227
出现的概率，
Figure SMS_228
表示波动散布模式
Figure SMS_229
的数量。
（6）计算时移尺度k下多个时移序列的概率平均值
Figure SMS_230
，如下所示，即
Figure SMS_231
，
式中，
Figure SMS_232
为时移尺度k下的时移序列对应的散布模式的概率。
S203：计算在时移尺度k下的权重时移多尺度反向波动散布熵，即:
Figure SMS_233
，
式中，
Figure SMS_234
为权重时移多尺度反向波动散布熵，
Figure SMS_235
不同时移尺度k下的权重时移多尺度反向波动散布熵的权重。
S204：构造特征数据集并进行归一化，且使用拉普拉斯得分（Laplacian Score）选出最优特征维度。
本实施例中特征数据集的最优特征维度为3，5，9，12，15。
本实施例中，参照图2，所述步骤S4的具体过程为：
S401：将KELM的核函数参数
Figure SMS_236
和正则化因子
Figure SMS_237
以及权重时移多尺度反向波动散布熵的权重
Figure SMS_238
作为白冠鸡的初始位置，初始化种群为：
Figure SMS_239
，
Figure SMS_240
,
式中：
Figure SMS_242
为第
Figure SMS_245
个白冠鸡的位置，
Figure SMS_247
为搜索空间上界，
Figure SMS_243
为搜索空间下界，
Figure SMS_246
为
Figure SMS_248
的维度，
Figure SMS_249
为
Figure SMS_241
区间内的随机数，
Figure SMS_244
为白冠鸡种群数量。
从白冠鸡中随机选取
Figure SMS_250
只白冠鸡作为领导者，记为
Figure SMS_251
，剩余的
Figure SMS_252
只白冠鸡为追随者，记为
Figure SMS_253
，
Figure SMS_254
,
Figure SMS_255
;
S402：跟随者位置更新：
为了模拟跟随者在某时刻的位置更新方式，并且保证跟随者在同一时刻有相等的概率选择主动更新或被动更新，通过
Figure SMS_256
区间内的随机数
Figure SMS_257
随机选择跟随者的位置更新方式。
1、主动更新
当
Figure SMS_258
时，白冠鸡跟随者选择主动更新位置，主动更新包括两种运动方式，通过
Figure SMS_259
区间内的随机数
Figure SMS_260
选择运动方式。
当
Figure SMS_261
时，白冠鸡跟随者进行随机运动，为了让跟随者趋于聚集，选取所有的跟随者在当前迭代的平均位置
Figure SMS_262
为跟随者的移动方向。
Figure SMS_263
，
式中，
Figure SMS_264
为第
Figure SMS_265
个跟随者当前的位置，
Figure SMS_266
函数生成
Figure SMS_267
维的
Figure SMS_268
区间内的随机数，
Figure SMS_269
。
白冠鸡个体会向产生的随机位置移动，
Figure SMS_270
，
式中：
Figure SMS_271
表示第
Figure SMS_272
个跟随者更新后的位置，
Figure SMS_273
是
Figure SMS_274
区间内的随机数，参数
Figure SMS_275
为在
Figure SMS_276
区间中非线性递减因子，
Figure SMS_277
，
式中：
Figure SMS_278
是当前迭代次数，
Figure SMS_279
是最大迭代次数。
当
Figure SMS_280
时，白冠鸡进行链式运动，算法相邻两个白冠鸡之间实现链式运动，
Figure SMS_281
,
式中：
Figure SMS_282
是
Figure SMS_283
区间内的随机数，
Figure SMS_284
是第
Figure SMS_285
个跟随者的当前位置。
2、被动更新
当
Figure SMS_286
时，白冠鸡跟随者选择被动更新位置，通常情况下，种群由前面的几只白冠鸡领导，其他个体必须根据领导者调整自己的位置，并向它们移动。为实现这一运动，利用下式机制选择领导者，
Figure SMS_287
,
式中：
Figure SMS_288
是领导者的索引数，F1是跟随者的索引数，
Figure SMS_289
是取余函数
跟随领导者的位置更新公式如下：
Figure SMS_290
,
式中：
Figure SMS_291
表示第
Figure SMS_292
个领导者的位置，
Figure SMS_293
和
Figure SMS_294
为
Figure SMS_295
区间内的随机数。
S403：增加动态全局搜索以及全局最差位置扰动；
动态全局搜索：
白冠鸡优化算法在主动更新和被动更新时，都是通过随机参数进行的，导致算法会遗漏部分较优的解，降低收敛精度。为了增强搜索的周密性，消除局部最优解的消极影响，引入莱维飞行策略。
Figure SMS_296
，
式中：
Figure SMS_297
为步长，服从莱维分布，利用平均位置和领导者对追随者的位置距离，引导算法在搜索时综合考虑更为广泛的全局信息，不至于使算法过早地进行局部搜索而陷入局部最优。
全局最差位置扰动：
对当前迭代中跟随者处于最差位置的跟随者进行扰动，引入柯西变异算子增加种群的多样性，提高算法的全局寻优能力，增强算法的鲁棒性。
Figure SMS_298
；
式中：
Figure SMS_299
为当前迭代跟随者最差位置扰动后的位置，
Figure SMS_300
为当前迭代跟随者最差位置，
Figure SMS_301
为
Figure SMS_302
区间内满足柯西分布（Cauchy）的随机相量，
Figure SMS_303
为
Figure SMS_304
区间内的随机数。
S404：领导者位置更新：
Figure SMS_305
；
式中：
Figure SMS_307
为第
Figure SMS_309
个领导者更新后的位置，
Figure SMS_311
为种群当前迭代最优位置，
Figure SMS_308
和
Figure SMS_310
为
Figure SMS_312
区间内的随机数，参数
Figure SMS_313
为在
Figure SMS_306
区间内的非线性递减因子。
Figure SMS_314
,
式中：
Figure SMS_315
是当前迭代次数，
Figure SMS_316
是最大迭代次数。
S405：判断当前最优解位置适应度值是否比更新前最优解位置更好，如果当前最优解位置适应度值比更新前的最优解位置更好，则更新最优解位置；判断当前是否满足算法的迭代结束条件：不满足结束条件，返回步骤S402步骤继续执行；反之，输出当前最优解位置，算法结束。
本发明针对白冠鸡优化算法探索能力有所不足，容易陷入局部最优的缺陷，引入莱维飞行策略，并利用柯西变异算子对最差解进行扰动，提高算法全局搜索能力和跳出局部最优能力，增强算法的鲁棒性。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，包括以下步骤：
S1：使用声音采集装置采集变压器各类故障声音信号，并使用重复模式提取技术对变压器声音信号进行去噪处理，分离出变压器本体声音信号与环境干扰噪声信号；
S2：使用权重时移多尺度反向波动散布熵对变压器本体声音信号计算时移尺度的特征量，同时构造特征数据集并进行归一化；使用拉普拉斯得分对归一化后的特征数据集计算不同时移尺度的特征量得分，选出得分高于设定阈值的时移尺度的特征量，且剔除特征数据集中剩余时移尺度下的特征量，构造最优特征子集；
S3：搭建核极限学习机并确定其输入层、输出层的节点数以及核函数；
S4：将核极限学习机的核函数参数和正则化因子以及权重时移多尺度反向波动散布熵的权重作为改进白冠鸡优化算法的初始种群位置进行寻优，获得核极限学习机的最优核函数参数和最优正则化因子以及权重时移多尺度反向波动散布熵的最优权重；
S5：赋予特征数据集最优权重并选出最优的特征维度对获得最优核函数参数和最优正则化因子的核极限学习机进行训练，得到变压器故障诊断模型，根据实时采集的变压器声音信号用变压器故障诊断模型进行变压器的故障诊断。
2.根据权利要求1所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，步骤S1的具体过程如下：
S101：对采集的变压器声音信号进行STFT变换，并只取单边频谱，得到幅度谱图与功率谱；
S102：计算功率谱中的重复周期；
S103：根据重复周期构建重复片段模型；
S104：在重复片段模型的基础上计算重复谱图模型；
S105：通过使用含噪声音信号的幅度谱图对重复谱图模型中对应的元素进行归一化来推导软时频掩蔽；
S106：使用软时频掩蔽与含噪声音信号的幅度谱图做哈曼达积，得到的背景信号幅度谱，即为变压器本体声音信号，含噪声音信号的幅度谱图与得到背景信号幅度谱之间做差值得到前景幅度谱，即为环境干扰噪声。
3.根据权利要求1所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，步骤S2的具体过程为：
S201：设去噪后的信号为时间序列X=[x1,x2,…xN]，x1,x2,…xN分别为第1，2，…，N段去噪后的信号，N为时间序列X的长度，对时间序列X，构造新的时移子序列
Figure QLYQS_1
，即：
Figure QLYQS_2
，
式中： k表示时移尺度，即尺度因子;
Figure QLYQS_3
分别为时间序列X在
Figure QLYQS_4
时段的信号；α为正整数，表示初始时间点；
Figure QLYQS_5
为四舍五入的整数，表示上边界的个数；
Figure QLYQS_6
；
S202：计算时移子序列的对应散布模式概率的平均值；
S203：计算在时移尺度k下的权重时移多尺度反向波动散布熵；
S204：构造特征数据集并进行归一化，且使用拉普拉斯得分选出最优特征维度。
4.根据权利要求3所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，所述计算时移子序列的对应散布模式概率的平均值的过程如下：
采用标准正态分布函数将
Figure QLYQS_7
映射到[0,1]范围内的
Figure QLYQS_8
，即：
Figure QLYQS_9
，
式中，
Figure QLYQS_10
为时间序列X的期望，
Figure QLYQS_11
为时间序列X的标准差，
Figure QLYQS_12
为第u个时移子序列
Figure QLYQS_13
映射后的序列，n为时移子序列的数量；
通过线性变换算法，进一步将
Figure QLYQS_14
映射到[1,c]范围内的整数中，即：
Figure QLYQS_15
，
式中，round为取整函数，c为类别个数;
Figure QLYQS_16
为线性变换后的第u个信号；
对
Figure QLYQS_17
进行相空间重构，得到嵌入向量
Figure QLYQS_18
：
Figure QLYQS_19
，
式中,d为时延，m为嵌入维数，所有嵌入向量组成的矩阵如下：
Figure QLYQS_20
，
其中，
Figure QLYQS_21
，K为嵌入向量矩阵的行数；
考虑相邻元素的差异，有n-1个嵌入向量，各嵌入向量的元素范围为-c+1到c+1，共有
Figure QLYQS_22
潜在的波动散布模式，记为
Figure QLYQS_23
；
计算每个波动散布模式出现的概率：
Figure QLYQS_24
，
式中，
Figure QLYQS_25
为波动散布模式
Figure QLYQS_26
出现的概率，
Figure QLYQS_27
表示波动散布模式
Figure QLYQS_28
的数量；
计算时移尺度k下多个时移序列的概率平均值
Figure QLYQS_29
：
Figure QLYQS_30
，
式中，
Figure QLYQS_31
为时移尺度k下的时移序列对应的散布模式的概率。
5.根据权利要求4所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，按下式计算在时移尺度k下的权重时移多尺度反向波动散布熵:
Figure QLYQS_32
，
式中，
Figure QLYQS_33
为权重时移多尺度反向波动散布熵，
Figure QLYQS_34
不同时移尺度k下的权重时移多尺度反向波动散布熵的权重。
6.根据权利要求1所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，核极限学习机的回归模型表示如下：
Figure QLYQS_35
，
式中，
Figure QLYQS_44
为网络的输入向量，
Figure QLYQS_37
为第q个输入数据，
Figure QLYQS_48
为第g个输入数据，q,g∈1,2,…，LN；LN为输入向量的数据数量，
Figure QLYQS_45
为网络的输出，
Figure QLYQS_54
称为隐含层的输出矩阵，T表示转置，C为正则化因子，I为对角矩阵，y为期望输出，
Figure QLYQS_38
，
Figure QLYQS_46
为关于
Figure QLYQS_42
和
Figure QLYQS_52
的核函数，
Figure QLYQS_36
为关于
Figure QLYQS_47
和
Figure QLYQS_39
的核函数，
Figure QLYQS_51
为关于
Figure QLYQS_43
和
Figure QLYQS_53
的核函数，
Figure QLYQS_40
为
Figure QLYQS_50
对应的隐含层的输出矩阵，
Figure QLYQS_41
为
Figure QLYQS_49
对应的隐含层的输出矩阵。
7.根据权利要求6所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，核极限学习机的核函数为径向基核函数：
Figure QLYQS_55
，
其中，
Figure QLYQS_56
为核函数参数。
8.根据权利要求1所述的基于改进白冠鸡优化算法的变压器故障声纹诊断方法，其特征在于，步骤S4的过程如下：
S401：将核极限学习机的核函数参数
Figure QLYQS_57
和正则化因子
Figure QLYQS_58
以及权重时移多尺度反向波动散布熵的权重
Figure QLYQS_59
作为白冠鸡的初始位置，初始化种群为：
Figure QLYQS_60
，
Figure QLYQS_61
，
式中：
Figure QLYQS_63
为第
Figure QLYQS_67
个白冠鸡的位置，
Figure QLYQS_69
为搜索空间上界，
Figure QLYQS_64
为搜索空间下界，
Figure QLYQS_66
为
Figure QLYQS_68
的维度，
Figure QLYQS_70
为
Figure QLYQS_62
区间内的随机数，
Figure QLYQS_65
为白冠鸡种群数量；
从白冠鸡中随机选取
Figure QLYQS_71
只白冠鸡作为领导者，记为
Figure QLYQS_72
，剩余的
Figure QLYQS_73
只白冠鸡为追随者，记为
Figure QLYQS_74
，
Figure QLYQS_75
，
Figure QLYQS_76
；
S402：跟随者位置更新：通过
Figure QLYQS_77
区间内的随机数
Figure QLYQS_78
随机选择跟随者的位置更新方式，位置更新方式包括主动更新和被动更新；
主动更新：
当
Figure QLYQS_79
时，白冠鸡跟随者选择主动更新位置，主动更新包括两种运动方式，通过
Figure QLYQS_80
区间内的随机数
Figure QLYQS_81
选择运动方式；
当
Figure QLYQS_82
时，白冠鸡跟随者进行随机运动，为了让跟随者趋于聚集，选取所有的跟随者在当前迭代的平均位置
Figure QLYQS_83
为跟随者的移动方向；
Figure QLYQS_84
，
式中，
Figure QLYQS_85
为第
Figure QLYQS_86
个跟随者当前的位置，
Figure QLYQS_87
函数生成
Figure QLYQS_88
维的
Figure QLYQS_89
区间内的随机数，
Figure QLYQS_90
；
白冠鸡个体会向产生的随机位置移动，
Figure QLYQS_91
，
式中：
Figure QLYQS_92
表示第
Figure QLYQS_93
个跟随者更新后的位置，
Figure QLYQS_94
是
Figure QLYQS_95
区间内的随机数，参数
Figure QLYQS_96
为在
Figure QLYQS_97
区间中非线性递减因子：
Figure QLYQS_98
，
式中：
Figure QLYQS_99
是当前迭代次数，
Figure QLYQS_100
是最大迭代次数；
当
Figure QLYQS_101
时，相邻两个白冠鸡之间实现链式运动：
Figure QLYQS_102
，
式中：
Figure QLYQS_103
是
Figure QLYQS_104
区间内的随机数，
Figure QLYQS_105
是第
Figure QLYQS_106
个跟随者的当前位置；
被动更新：
当
Figure QLYQS_107
时，白冠鸡跟随者选择被动更新位置；利用下式机制选择领导者：
Figure QLYQS_108
，
式中：
Figure QLYQS_109
是领导者的索引数，F1是跟随者的索引数，
Figure QLYQS_110
是取余函数；
跟随领导者的位置更新公式如下：
Figure QLYQS_111
，
式中：
Figure QLYQS_112
表示第
Figure QLYQS_113
个领导者的位置，
Figure QLYQS_114
和
Figure QLYQS_115
为
Figure QLYQS_116
区间内的随机数；
S403：增加动态全局搜索以及全局最差位置扰动；
动态全局搜索：
Figure QLYQS_117
，
式中：
Figure QLYQS_118
为步长，服从莱维分布；
全局最差位置扰动：
对当前迭代中跟随者处于最差位置的跟随者进行扰动：
Figure QLYQS_119
；
式中：
Figure QLYQS_120
为当前迭代跟随者最差位置扰动后的位置，
Figure QLYQS_121
为当前迭代跟随者最差位置，
Figure QLYQS_122
为
Figure QLYQS_123
区间内满足柯西分布的随机相量，
Figure QLYQS_124
为
Figure QLYQS_125
区间内的随机数；
S404：领导者位置更新：
Figure QLYQS_126
；
式中：
Figure QLYQS_129
为第
Figure QLYQS_130
个领导者更新后的位置，
Figure QLYQS_132
为种群当前迭代最优位置，
Figure QLYQS_128
和
Figure QLYQS_131
为
Figure QLYQS_133
区间内的随机数，参数
Figure QLYQS_134
为在
Figure QLYQS_127
区间内的非线性递减因子；
Figure QLYQS_135
，
式中：
Figure QLYQS_136
是当前迭代次数，
Figure QLYQS_137
是最大迭代次数；
S405：判断当前最优解位置适应度值是否比更新前最优解位置更好，如果当前最优解位置适应度值比更新前的最优解位置更好，则更新最优解位置；判断当前是否满足算法的迭代结束条件：不满足结束条件，返回步骤S402步骤继续执行；反之，输出当前最优解位置，算法结束。
CN202310697668.5A 2023-06-13 2023-06-13 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 Active CN116430188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310697668.5A CN116430188B (zh) 2023-06-13 2023-06-13 基于改进白冠鸡优化算法的变压器故障声纹诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310697668.5A CN116430188B (zh) 2023-06-13 2023-06-13 基于改进白冠鸡优化算法的变压器故障声纹诊断方法

Publications (2)

Publication Number Publication Date
CN116430188A true CN116430188A (zh) 2023-07-14
CN116430188B CN116430188B (zh) 2023-08-29

Family

ID=87083655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310697668.5A Active CN116430188B (zh) 2023-06-13 2023-06-13 基于改进白冠鸡优化算法的变压器故障声纹诊断方法

Country Status (1)

Country Link
CN (1) CN116430188B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160329882A1 (en) * 2015-05-08 2016-11-10 Qualcomm Incorporated Uncertainty aware interconnect design to improve circuit performance and/or yield
CN109214460A (zh) * 2018-09-21 2019-01-15 西华大学 基于相对变换与核熵成分分析的电力变压器故障诊断方法
CN110991422A (zh) * 2019-12-25 2020-04-10 安徽工业大学 基于多元时移多尺度排列熵的滚动轴承故障诊断方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN114118174A (zh) * 2021-12-20 2022-03-01 安徽工业大学 一种滚动轴承故障诊断方法及系统
CN114494785A (zh) * 2022-01-28 2022-05-13 复旦大学 一种面向深度有序回归模型的生成式特征有序正则化方法
CN114925612A (zh) * 2022-05-27 2022-08-19 江苏大学 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法
CN115406657A (zh) * 2022-09-16 2022-11-29 西北农林科技大学 一种滚动轴承故障诊断方法
CN115688017A (zh) * 2022-12-29 2023-02-03 南昌工程学院 基于frcmde的变压器铁芯故障声纹诊断方法及装置
CN116127858A (zh) * 2023-04-13 2023-05-16 南昌工程学院 基于改进沙猫算法优化的gis设备温升预测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160329882A1 (en) * 2015-05-08 2016-11-10 Qualcomm Incorporated Uncertainty aware interconnect design to improve circuit performance and/or yield
CN109214460A (zh) * 2018-09-21 2019-01-15 西华大学 基于相对变换与核熵成分分析的电力变压器故障诊断方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN110991422A (zh) * 2019-12-25 2020-04-10 安徽工业大学 基于多元时移多尺度排列熵的滚动轴承故障诊断方法
CN114118174A (zh) * 2021-12-20 2022-03-01 安徽工业大学 一种滚动轴承故障诊断方法及系统
CN114494785A (zh) * 2022-01-28 2022-05-13 复旦大学 一种面向深度有序回归模型的生成式特征有序正则化方法
CN114925612A (zh) * 2022-05-27 2022-08-19 江苏大学 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法
CN115406657A (zh) * 2022-09-16 2022-11-29 西北农林科技大学 一种滚动轴承故障诊断方法
CN115688017A (zh) * 2022-12-29 2023-02-03 南昌工程学院 基于frcmde的变压器铁芯故障声纹诊断方法及装置
CN116127858A (zh) * 2023-04-13 2023-05-16 南昌工程学院 基于改进沙猫算法优化的gis设备温升预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
OZDEN, A等: "COOT optimization algorithm on training artificial neural networks", 《KNOWLEDGE AND INFORMATION SYSTEMS》, vol. 65, no. 8 *
李成强;许冠芝;: "基于混沌粒子群优化核极限学习机的变压器故障诊断方法", 微处理机, no. 02 *
陈晓华等: "基于 ＣＯＯＴ￣ＳＶＭ 的短期光伏发电功率预测", 《四川电力技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统
CN117288209B (zh) * 2023-11-27 2024-01-30 南昌工程学院 一种变压器声级测定方法及系统

Also Published As

Publication number Publication date
CN116430188B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN116430188B (zh) 基于改进白冠鸡优化算法的变压器故障声纹诊断方法
CN110197307B (zh) 一种结合注意力机制的区域型海表面温度预测方法
KR101104893B1 (ko) 중수로 압력관 반경방향 크립 예측 방법
CN112380762A (zh) 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法
CN113408336B (zh) 一种基于鲸鱼优化算法的小波去噪最优阈值整定方法
CN116822382A (zh) 基于时空多重特性图卷积的海表面温度预测方法及网络
CN112289329A (zh) 一种基于gwo-kfcm的高压断路器故障诊断方法
CN109855875A (zh) 一种滚动轴承运行可靠度预测方法
KR20200117690A (ko) 멀티 홉 이웃을 이용한 컨볼루션 학습 기반의 지식 그래프 완성 방법 및 장치
CN112906935A (zh) 一种风电场超短期功率预测方法
CN115659258A (zh) 一种基于多尺度图卷积孪生网络的配电网故障检测方法
CN115564155A (zh) 一种分散式风电机组功率预测方法及相关设备
CN114563671A (zh) 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法
CN117609768A (zh) 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN118040678A (zh) 一种短期海上风电功率组合预测方法
Wang et al. Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis
CN110967188B (zh) 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统
CN117407673A (zh) 基于灰狼优化算法和LSTM-Attention的电力设备缺陷预测方法
CN116628488A (zh) 风电功率预测模型的训练方法、风电功率预测方法及设备
CN114966461A (zh) 一种基于神经网络改进的交流电设备故障诊断方法
CN115081483A (zh) 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法
Xiao et al. Identification of shaft orbit based on the grey wolf optimizer and extreme learning machine
CN114429197A (zh) 一种神经网络架构搜索方法、系统、设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant