CN117272246A - 基于多元回归模型的变压器声纹故障诊断方法及系统 - Google Patents
基于多元回归模型的变压器声纹故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117272246A CN117272246A CN202311552674.8A CN202311552674A CN117272246A CN 117272246 A CN117272246 A CN 117272246A CN 202311552674 A CN202311552674 A CN 202311552674A CN 117272246 A CN117272246 A CN 117272246A
- Authority
- CN
- China
- Prior art keywords
- transformer
- voiceprint
- regression model
- multiple regression
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 241001600609 Equus ferus Species 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 238000009304 pastoral farming Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 9
- 230000005653 Brownian motion process Effects 0.000 description 5
- 238000005537 brownian motion Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 241000283086 Equidae Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多元回归模型的变压器声纹故障诊断方法及系统,该方法通过深度神经网络进行变压器声纹特征提取,得到带标记的变压器声纹特征数据集,以标记为正常的变压器声纹特征为因变量,以对应的归一化后的运行工况环境因素为自变量构建多元回归模型;求解得到系数矩阵;使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化,剔除离群点,得到优化后的多元回归模型;利用优化后的多元回归模型预测实时运行工况环境因素数据所对应的变压器声纹特征预测值,计算实时变压器声纹特征与变压器声纹特征预测值的相似度来判定是否异常。本发明不依赖负样本训练,克服了负样本少影响变压器声纹故障诊断模型的准确度的问题。
Description
技术领域
本发明属于变压器故障诊断技术领域,具体涉及一种基于多元回归模型的变压器声纹故障诊断方法及系统。
背景技术
变压器是电网各环节至关重要的设备之一,一旦发生故障将严重影响电网系统运行,造成重大经济损失。变压器体积庞大、构造复杂、成本高昂,其重大故障和严重事故大多是由于内部局部放电、局部过热、绕组变形、机械部件松动、以及设备绝缘老化等潜伏性故障随时间积累引起的,因此,对变压器的运行状态进行在线监测,检测发现潜伏性故障,并基于监测数据分析潜伏性故障的发展趋势,准确预测事故的发生,及时对电力变压器进行检修维护,是运维人员的重要工作。
经验丰富的运维人员可以通过变压器发出的声音定性地判断变压器是否存在故障,但是人耳监听的方式易受主观影响,误差较大,且人耳是有特定的听觉感知范围的,超出此范围的声音人耳无法监听,不能达到定量的科学分析。因此,采用声纹传感监测与智能诊断技术,在待测设备旁安装传感器采集声音实时监测设备工作情况,不需要使设备停止运行,也不需要与设备接触,就可对变压器声信号进行采集、处理、分析,可定量实时监测变压器运行声纹数据,解决人工监听的不足,有效诊断评估变压器健康状态和分析预测异常故障,极大地提高了设备巡检的工作效率。
现有的变压器声纹数据分析方法,主要是对声纹数据进行特征提取,然后通过分类器或神经网络模型输出故障诊断结果。变压器的声纹信号较为冗长杂乱,且不同工况环境下变压器声纹在时域和频域的相似度都很高,很难直接对其进行分析识别。现有的通过神经网络模型进行变压器声纹故障诊断的方法,一般只输入声纹数据,而变压器在不同工况环境下,因为温湿度、介质条件、工作年限、周边振动环境等的影响,即使正常工作,也会呈现不同的声纹,所以只以声纹数据训练神经网络模型是不合适,专利公开号CN115615539A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,将变压器声纹信号进行特征提取后与设备特征绑定形成声纹信号特征,用于训练声纹识别模型,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。
故障诊断的准确率依赖样本数量,特别是负样本的数量,但是,由于变压器在实际运行过程中,极少发生异常故障现象,很难收集大量不同异常工况下的样本数据,因此,在变压器声纹故障模型实际训练中,负样本(异常工况)较少,直接训练容易出现过拟合,而且,如果将已经训练好某型号变压器的不同工况环境变压器声纹故障模型用于监测其他型号变压器,还需要针对新的监测变压器进行再次训练。
发明内容
为了克服训练样本少,特别是负样本少,影响变压器声纹故障诊断模型的准确度的问题,本发明提供了基于多元回归模型的变压器声纹故障诊断方法及系统。本发明通过正样本构建多元回归模型进行对当前运行工况环境因素的正常变压器声纹特征进行预测,将预测值与实测值进行相似度判断,从而判断变压器声纹是否正常。
本发明通过下述技术方案来实现:基于多元回归模型的变压器声纹故障诊断方法,步骤如下:
步骤S1、变压器声纹数据和运行工况环境因素数据采集;
步骤S2、将历史的变压器声纹数据和变压器故障诊断结果进行标注,正常变压器声纹数据标记为正常,存在故障的变压器声纹数据标记为异常,并标记故障类型,通过深度神经网络(DNN)进行变压器声纹特征提取,得到带标记的变压器声纹特征数据集,将运行工况环境因素进行归一化处理,得到归一化后的历史运行工况环境因素数据集,存入历史变压器声纹与工况环境数据库;
步骤S3、以标记为正常的变压器声纹特征为因变量,以对应的归一化后的运行工况环境因素为自变量构建多元回归模型; 以标记为正常的变压器声纹特征数据和对应的以归一化后的运行工况环境数据进行自变量构建多元回归模型训练,得到系数矩阵;
步骤S4、使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化,剔除离群点,得到优化后的多元回归模型;所述改进后的野马优化算法是在野马优化算法的基础上,每次更新后,利用布朗-莱维微分进化机制生成子代种群;
步骤S5、实时采集变压器声纹数据和运行工况环境因素数据,通过深度神经网络(DNN)提取实时变压器声纹特征,将运行工况环境因素与历史变压器声纹与工况环境数据库中的历史运行工况因素对比,如完全一致,则提取对应的历史变压器声纹特征,通过深度神经网络(DNN)提取实时变压器声纹特征,计算实时变压器声纹特征与历史变压器声纹特征的相似度来判定是否异常;如不完全一致,则将实时运行工况环境因素数据归一化,然后利用优化后的多元回归模型预测实时运行工况环境因素数据所对应的变压器声纹特征预测值,计算实时变压器声纹特征与变压器声纹特征预测值的相似度来判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库,用于扩展学习并优化多元回归模型。
进一步优选,所述多元回归模型表示如下;
;
其中,y为变压器声纹特征,b0为常量系数;xi为第i项归一化后的运行工况环境因素,xj为第j项归一化后的运行工况环境因素,bi为第i项运行工况环境因素的回归系数,bij为第i项归一化后的运行工况环境因素与第j项归一化后的运行工况环境因素的相关系数。
进一步优选,所述系数矩阵包括常量系数、各运行工况环境因素的回归系数组成的回归系数矩阵和各运行工况环境因素的两两之间的相关系数组成的相关系数矩阵。
进一步优选,所述运行工况环境因素数据包括温湿度数据、振动数据、变压器型号和设备工作年限。
进一步优选,所述运行工况环境因素数据归一化采用最大值最小值归一化。
进一步优选,步骤S4所述使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化的过程如下:
步骤4.1:创建初始种群;
步骤4.2:放牧行为;
步骤4.3:野马交配;
步骤4.4:团队领导;
步骤4.5:领导者选拔;
步骤4.6:每次更新后,利用布朗-莱维微分进化机制生成子代种群,然后继续执行步骤4.2-步骤4.5,达到最大迭代次数则迭代结束,输出优化后的系数矩阵。
本发明提供了一种用于实施基于多元回归模型的变压器声纹故障诊断方法的系统,包括:
数据采集模块,用于变压器声纹数据和运行工况环境因素数据采集;
标注模块,用于对变压器声纹数据和变压器故障诊断结果进行标注;
特征提取模块,通过深度神经网络进行变压器声纹特征提取;
归一化模块,用于将运行工况环境因素进行归一化处理;
历史变压器声纹与工况环境数据库,用于存储数据;
声纹特征预测模块,内置多元回归模型,并设置改进后的野马优化算法对多元回归模型进行优化;
故障诊断模块,用于计算实时变压器声纹特征与变压器声纹特征预测值的相似度,判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库。
本发明提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,所述计算机可执行指令可执行上述基于多元回归模型的变压器声纹故障诊断方法。
本发明提供了一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行基于多元回归模型的变压器声纹故障诊断方法。
本发明通过构建多元回归模型来根据运行工况环境因素预测对应的变压器声纹特征预测值,计算实时变压器声纹特征与变压器声纹特征预测值的相似度来判定是否异常,克服了负样本少,故障诊断准确度低的问题。并且引入布朗-莱维微分进化机制生成子代种群来改进野马优化算法,提高求解效率;通过改进野马优化算法来优化多元回归模型,提高了多元回归模型的拟合度。本发明可用于变压器异常情况的自动监测报警,为无人值守变电站提供技术支撑,大大降低运检人员工作量。
附图说明
图1为本发明的基于多元回归模型的变压器声纹故障诊断方法流程图。
图2为改进后的野马优化算法流程示意图。
具体实施方式
下面结合附图进一步详细阐明本发明。
如图1所示,基于多元回归模型的变压器声纹故障诊断方法,步骤如下:
步骤S1、变压器声纹数据和运行工况环境因素数据采集:针对变压器实际运行工况环境因素和需求,布置声纹采集装置进行变压器声纹数据采集,采集过程中,可采用声音增强提取等信号处理技术优化声学信号,保证数据源质量和高效传输。运行工况环境因素数据包括温湿度数据、振动数据、变压器型号和设备工作年限等;温湿度数据通过温湿度传感器采集,振动数据通过振动传感器采集,变压器型号人工录入,设备工作年限根据录入的投入使用时间计算。
步骤S2、变压器声纹特征提取、标注及运行工况环境因素归一化:将历史的变压器声纹数据和变压器故障诊断结果进行标注,正常变压器声纹数据标记为正常,存在故障的变压器声纹数据标记为异常,并标记故障类型,通过深度神经网络(DNN)进行变压器声纹特征提取,得到带标记的变压器声纹特征数据集,将运行工况环境因素进行归一化处理,采用最大值最小值归一化将运行工况环境因素转换为 [0 1]范围,得到归一化后的历史运行工况环境因素数据集,存入历史变压器声纹与工况环境数据库;
步骤S3、构建多元回归模型并求解系数矩阵:以标记为正常的变压器声纹特征为因变量,以对应的归一化后的运行工况环境因素为自变量构建多元回归模型;
;
其中,y为变压器声纹特征,b0为常量系数;xi为第i项归一化后的运行工况环境因素,xj为第j项归一化后的运行工况环境因素,bi为第i项运行工况环境因素的回归系数,bij为第i项归一化后的运行工况环境因素与第j项归一化后的运行工况环境因素的相关系数。
以标记为正常的变压器声纹特征数据和对应的以归一化后的运行工况环境数据进行自变量构建多元回归模型训练,得到系数矩阵,所述系数矩阵包括常量系数、各运行工况环境因素的回归系数组成的回归系数矩阵和各运行工况环境因素的两两之间的相关系数组成的相关系数矩阵。
步骤S4、使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化,剔除离群点,得到优化后的多元回归模型;不同运行工况环境对变压器声纹影响具有一定偶然性,为避免这种影响,更准确的体现不同运行工况环境与变压器声纹特征之间的关系,使多元回归模型预测的变压器声纹特征更为准确,将系数矩阵作为初始种群,采用使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化,剔除离群点。
步骤S5、实时变压器声纹故障诊断:实时采集变压器声纹数据和运行工况环境因素数据,通过深度神经网络(DNN)提取实时变压器声纹特征,将运行工况环境因素与历史变压器声纹与工况环境数据库中的历史运行工况因素对比,如完全一致,则提取对应的历史变压器声纹特征,通过深度神经网络(DNN)提取实时变压器声纹特征,计算实时变压器声纹特征与历史变压器声纹特征的相似度来判定是否异常;如不完全一致,则将实时运行工况环境因素数据归一化,然后利用优化后的多元回归模型预测实时运行工况环境因素数据所对应的变压器声纹特征预测值,计算实时变压器声纹特征与变压器声纹特征预测值的相似度来判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库,用于扩展学习并优化多元回归模型。
参照图2,步骤S4所述使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化的过程如下:
步骤4.1:创建初始种群:
;
;
式中:为搜索空间中候选解的总数,即为野马的总数,d为决策变量总数,/>为第个候选解,/>为第/>个候选解的第/>个决策变量,i=1,2,…,N;j=1,2,…,d;/>是第/>个候选解的第/>个决策变量的最小边界,/>是第/>个候选解的第/>个决策变量的最大边界;是一个/>均匀分布的随机数;
将初始种群分为几个小组,分组数为G=[N×PS],其中PS是种马在种群中的百分比,将其视为野马算法的控制参数,根据种群的数量,得到G个领导者,剩下的N-G个成员平均分配,在初始时随机选取各组的领导者,在后续阶段,根据成员之间的适应度选择领导者;
步骤4.2:放牧行为:
种群成员在以领导者为圆心进行中心搜索,其表达式为:
;
式中:为成员更新后的位置,/>为领导者位置,第/>个候选解/>处于初始位置,为取值[-2,2]之间的随机数,用来控制成员与领导者的角度,/>为自适应机制;
;
式中:是由0和1组成的向量,/>和/>为[0,1]空间内均匀分布的随机向量;/>为取值[0,1]之间的随机数,/>为索引,/>表示二进制取反;满足条件/>的随机向量/>返回索引;/>为自适应因子;
;
式中:t为迭代次数,为最大迭代次数;
步骤4.3:野马交配:离开第u个小组的野马和离开v组的野马分别加入了一个临时组,进入青春期后进行交叉;交叉后对野马子代位置进行更新;
;
;
;
;
式中:表示下一代野马的位置,/>表示第u个小组内的小野马g的当前位置,表示第v个小组内的小野马/>的当前位置,/>为交叉函数, /> 表示父代的位置,表示母代的位置,/>表示全局最优个体的位置,/>表示父代和传给子代基因的权重比,/>表示母代传给子代基因的权重比。
步骤4.4:团队领导:领导者的位置更新公式为:
;
式中:为第u个小组领导者更新后的位置,/>表示最优个体位置;
步骤4.5:领导者选拔:
;
式中:为适应的函数,出现的领导者即为最优解;
步骤4.6:每次更新后,利用布朗-莱维微分进化机制生成子代种群,然后继续执行步骤4.2-步骤4.5,达到最大迭代次数则迭代结束,输出优化后的系数矩阵。
布朗运动和莱维飞行是两种具有不同特征的代表性随机游走模式,其中莱维飞行的每一步方向完全随机且各向同性,而布朗运动的步长分布为正态分布。莱维飞行可实现大范围的搜索但是不够细致,而布朗运动可在一定小范围内局部搜索。利用布朗-莱维微分进化机制生成子代种群的过程表示如下:
;
;
;
;
式中:Xi,g表示进化g代的第个候选解,为d维向量,/>表示进化g代的第/>个候选解的第d个决策变量,Xbest,g表示进化g代最优解Xbest,g,Yi,g+1表示由变异操作所得到的中间个体;F为变异尺度因子;S为布朗-莱维随机游走步长;SBM为布朗运动步长且服从均值为微分进化变异差分项的正态分布;SLF为莱维飞行步长;/>为莱维飞行阈值;/>为变异差分项,/>表示进化g代的第f1个候选解,/>表示进化g代的第f2个候选解;/>为布朗运动步长的方差;/>表示莱维飞行参数Ⅰ;莱维飞行参数Ⅱ/>和莱维飞行参数Ⅲ/>均服从正态分布;/>表示莱维飞行参数Ⅱ/>的方差,/>表示莱维飞行参数Ⅲ/>的方差;/>为莱维飞行参数Ⅱ/>的标准差,/>为莱维飞行参数Ⅲ/>的标准差,/>表示数学中的伽马函数。
在另一实施例中,提供了用于实施基于多元回归模型的变压器声纹故障诊断方法的系统,包括:
数据采集模块,用于变压器声纹数据和运行工况环境因素数据采集;
标注模块,用于对变压器声纹数据和变压器故障诊断结果进行标注;
特征提取模块,通过深度神经网络进行变压器声纹特征提取;
归一化模块,用于将运行工况环境因素进行归一化处理;
历史变压器声纹与工况环境数据库,用于存储数据;
声纹特征预测模块,内置多元回归模型,并设置改进后的野马优化算法对多元回归模型进行优化;
故障诊断模块,用于计算实时变压器声纹特征与变压器声纹特征预测值的相似度,判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库。
在另一实施例中,提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意实施例中的基于多元回归模型的变压器声纹故障诊断方法。
在另一实施例中,一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行基于多元回归模型的变压器声纹故障诊断方法。
以上所述的具体实施方案,进一步详细地说明了本发明的目的、技术方案和技术效果。所应理解的是,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的范围,任何本领域的技术人员,在不脱离本发明思想和原则的前提下所做出的等同变化与修改,均应属于本发明保护的范围。
Claims (9)
1.基于多元回归模型的变压器声纹故障诊断方法,其特征在于,步骤如下:
步骤S1、变压器声纹数据和运行工况环境因素数据采集;
步骤S2、将历史的变压器声纹数据和变压器故障诊断结果进行标注,正常变压器声纹数据标记为正常,存在故障的变压器声纹数据标记为异常,并标记故障类型,通过深度神经网络进行变压器声纹特征提取,得到带标记的变压器声纹特征数据集,将运行工况环境因素进行归一化处理,得到归一化后的历史运行工况环境因素数据集,存入历史变压器声纹与工况环境数据库;
步骤S3、以标记为正常的变压器声纹特征为因变量,以对应的归一化后的运行工况环境因素为自变量构建多元回归模型; 以标记为正常的变压器声纹特征数据和对应的以归一化后的运行工况环境数据进行自变量构建多元回归模型训练,得到系数矩阵;
步骤S4、使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化,剔除离群点,得到优化后的多元回归模型;所述改进后的野马优化算法是在野马优化算法的基础上,每次更新后,利用布朗-莱维微分进化机制生成子代种群;
步骤S5、实时采集变压器声纹数据和运行工况环境因素数据,通过深度神经网络提取实时变压器声纹特征,将运行工况环境因素与历史变压器声纹与工况环境数据库中的历史运行工况因素对比,如完全一致,则提取对应的历史变压器声纹特征,通过深度神经网络提取实时变压器声纹特征,计算实时变压器声纹特征与历史变压器声纹特征的相似度来判定是否异常;如不完全一致,则将实时运行工况环境因素数据归一化,然后利用优化后的多元回归模型预测实时运行工况环境因素数据所对应的变压器声纹特征预测值,计算实时变压器声纹特征与变压器声纹特征预测值的相似度来判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库,用于扩展学习并优化多元回归模型。
2.根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特征在于,所述多元回归模型表示如下;
;
其中,y为变压器声纹特征,b0为常量系数;xi为第i项归一化后的运行工况环境因素,xj为第j项归一化后的运行工况环境因素,bi为第i项运行工况环境因素的回归系数,bij为第i项归一化后的运行工况环境因素与第j项归一化后的运行工况环境因素的相关系数。
3.根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特征在于,所述系数矩阵包括常量系数、各运行工况环境因素的回归系数组成的回归系数矩阵和各运行工况环境因素的两两之间的相关系数组成的相关系数矩阵。
4.根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特征在于,所述运行工况环境因素数据包括温湿度数据、振动数据、变压器型号和设备工作年限。
5.根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特征在于,所述运行工况环境因素数据归一化采用最大值最小值归一化。
6.根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特征在于,步骤S4所述使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化的过程如下:
步骤4.1:创建初始种群;
步骤4.2:放牧行为;
步骤4.3:野马交配;
步骤4.4:团队领导;
步骤4.5:领导者选拔;
步骤4.6:每次更新后,利用布朗-莱维微分进化机制生成子代种群,然后继续执行步骤4.2-步骤4.5,达到最大迭代次数则迭代结束,输出优化后的系数矩阵。
7.一种用于实施根据权利要求1-6任意一项所述的基于多元回归模型的变压器声纹故障诊断方法的系统,其特征在于,包括:
数据采集模块,用于变压器声纹数据和运行工况环境因素数据采集;
标注模块,用于对变压器声纹数据和变压器故障诊断结果进行标注;
特征提取模块,通过深度神经网络进行变压器声纹特征提取;
归一化模块,用于将运行工况环境因素进行归一化处理;
历史变压器声纹与工况环境数据库,用于存储数据;
声纹特征预测模块,内置多元回归模型,并设置改进后的野马优化算法对多元回归模型进行优化;
故障诊断模块,用于计算实时变压器声纹特征与变压器声纹特征预测值的相似度,判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库。
8.一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,其特征在于,所述计算机可执行指令执行权利要求1-6任意一项所述的基于多元回归模型的变压器声纹故障诊断方法。
9.一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,其特征在于,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6任意一项所述的基于多元回归模型的变压器声纹故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311552674.8A CN117272246B (zh) | 2023-11-21 | 2023-11-21 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311552674.8A CN117272246B (zh) | 2023-11-21 | 2023-11-21 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272246A true CN117272246A (zh) | 2023-12-22 |
CN117272246B CN117272246B (zh) | 2024-02-02 |
Family
ID=89216386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311552674.8A Active CN117272246B (zh) | 2023-11-21 | 2023-11-21 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272246B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115615539A (zh) * | 2022-11-03 | 2023-01-17 | 国网安徽省电力有限公司 | 一种基于声纹识别模型的电力变压器故障监测方法 |
CN115659665A (zh) * | 2022-11-01 | 2023-01-31 | 南昌大学 | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 |
CN116012350A (zh) * | 2023-01-16 | 2023-04-25 | 国网湖南省电力有限公司 | 一种基于声纹特征的变压器故障检测方法、系统及介质 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
JP2023115288A (ja) * | 2022-07-22 | 2023-08-18 | フォックスコン インターコネクト テクノロジー リミテッド | 故障検出方法、故障検出システム、車両、電子機器及び記憶媒体 |
-
2023
- 2023-11-21 CN CN202311552674.8A patent/CN117272246B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
JP2023115288A (ja) * | 2022-07-22 | 2023-08-18 | フォックスコン インターコネクト テクノロジー リミテッド | 故障検出方法、故障検出システム、車両、電子機器及び記憶媒体 |
CN115659665A (zh) * | 2022-11-01 | 2023-01-31 | 南昌大学 | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 |
CN115615539A (zh) * | 2022-11-03 | 2023-01-17 | 国网安徽省电力有限公司 | 一种基于声纹识别模型的电力变压器故障监测方法 |
CN116012350A (zh) * | 2023-01-16 | 2023-04-25 | 国网湖南省电力有限公司 | 一种基于声纹特征的变压器故障检测方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
林伟国;张鹏;陈磊;赵众;: "流化床反应器结块故障的声纹特征提取及监测技术", 化工学报, no. 09 * |
高国磊;李英娜;段效琛;李川;: "基于ACO优化LS-SVM的变压器故障诊断", 电子科技, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272246B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN117474357B (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
CN115760484B (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
CN118051827A (zh) | 基于深度学习的电网故障预测方法 | |
CN118155662B (zh) | 基于人工智能的变压器声纹故障识别方法 | |
CN111666978A (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN113743461B (zh) | 无人机集群健康度评估方法及装置 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN117783769A (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
CN117706290A (zh) | 一种电缆终端潜在击穿故障预警方法 | |
CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
CN117272246B (zh) | 基于多元回归模型的变压器声纹故障诊断方法及系统 | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN117522371B (zh) | 一种核电厂缺陷自动判定执行专业方法及系统 | |
Zheng et al. | Research on predicting remaining useful life of equipment based on health index |
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 |