CN117289067B - 一种变压器运行状态在线监测系统 - Google Patents
一种变压器运行状态在线监测系统 Download PDFInfo
- Publication number
- CN117289067B CN117289067B CN202311567186.4A CN202311567186A CN117289067B CN 117289067 B CN117289067 B CN 117289067B CN 202311567186 A CN202311567186 A CN 202311567186A CN 117289067 B CN117289067 B CN 117289067B
- Authority
- CN
- China
- Prior art keywords
- image data
- transformer
- vibration
- sound
- running state
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 230000005236 sound signal Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 238000004148 unit process Methods 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 50
- 238000001228 spectrum Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 22
- 238000005457 optimization Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
- G10L21/10—Transforming into visible information
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种变压器运行状态在线监测系统，所述系统包括智慧声纹终端和服务器端；所述智慧声纹终端包括麦克风阵列、信号处理单元以及数据传输单元：所述麦克风阵列实时采集变压器的多通道声音信号；所述信号处理单元对所述麦克风阵列实时采集的多通道声音信号进行处理，生成声音图像数据；所述数据传输单元将声音图像数据传输至服务器端；所述服务器端包括状态监测单元、可视化单元：所述状态监测单元基于声音图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息；所述可视化单元，用于显示声音图像数据以及变压器的实时运行状态信息。本申请能够实现对变压器实时运行状态的监测。
Description
技术领域
本申请涉及工业监测的领域，尤其是涉及一种变压器运行状态在线监测系统。
背景技术
电力变压器是电网一次设备，同时其对电力损耗占到电网总损耗的40%，也是导致电力系统事故最多的电气设备之一。因此，电力部门重点关注电力变压器稳定运行情况，不断采取新措施，及时发现变压器潜伏性故障，保障变压器安全运行，降低电力损耗，防范电网大面积停电风险，提高供电可靠性。
目前，国内外变压器监测方法按数据获取是否影响变压器运行状态来区分，可分为两大类：一类是离线监测，指变压器退出运行后，进行试验及数据采集；第二类是在线监测，指在不影响变压器运行状态下，通过传感、视频等技术进行设备运行状态数据采集。
变压器离线监测一般为设备常规性电气试验，包括绝缘电阻、泄漏电流、介质损耗、局部放电等试验。离线监测需要变压器退出运行，可能会造成供电区域的短时停电，与电网高可靠发展目标不符。
变压器运行时产生的声学信号包含大量状态信息，且像指纹一样具有辨识特征。变压器产生缺陷或发生故障后，其声纹会随之改变。准确识别声纹信息，有助于运维人员诊断变压器缺陷，锁定故障原因。以前，少数有经验的运检人员可以凭借变压器运行时的声音判断其是否出现异常。然而，电网发展日新月异，随着电力设备不断增多，传统的“人工听诊”方式远不能满足智能管控的实际需求。
随着智能运检技术快速发展，国内科研院所和科研公司将变压器发出的声音信号引入到运行状态监测中，通过在线分析变压器声纹特征，实时诊断变压器运行状态。
由于近场声音信号采集的非接触式监测方式具有不影响变压器工作状态的优势，通过变压器声纹监测的方法成为智能化运维一个重要趋势，同时，研究高效、实用的变压器声纹故障诊断方法，对于保障电网安全可靠运行具有重要意义。
发明内容
为解决上述问题，本申请的目的在于提供一种变压器运行状态在线监测系统。
本发明提供了一种变压器运行状态在线监测系统，所述系统包括智慧声纹终端和服务器端，所述智慧声纹终端和服务器端之间建立数据连接；
所述智慧声纹终端包括麦克风阵列、信号处理单元以及数据传输单元；
所述麦克风阵列，用于实时采集变压器的多通道声音信号，并将所述多通道声音信号传输至所述信号处理单元；
所述信号处理单元，用于对接收到的多通道声音信号进行处理，生成声音图像数据，并将所述声音图像数据传输至所述数据传输单元；
所述数据传输单元，用于将所述声音图像数据传输至所述服务器端；
所述服务器端包括状态监测单元以及可视化单元；
所述状态监测单元，用于基于接收到的所述声音图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息，并将所述实时运行状态信息传输至所述可视化单元；
所述可视化单元，用于显示所述声音图像数据以及所述实时运行状态信息。
作为本发明的进一步优化方案：所述信号处理单元在对接收到的所述多通道声音信号进行处理，生成声音图像数据时，包括：
首先，对所述多通道声音信号进行去噪和放大的预处理；
然后，对预处理后的多通道声音信号进行互谱运算，获得相应的互谱矩阵；
最后，除去互谱矩阵中的对角自谱元素后，进行互谱延时求和波束形成的运算，得到声音图像数据。
作为本发明的进一步优化方案：所述信号处理单元在所述获得相应的互谱矩阵之后，除去互谱矩阵中的对角自谱元素之前，还包括：
对互谱矩阵进行奇异值分解，确定有效奇异值；
利用所述有效奇异值进行互谱矩阵的重构；
其中，采用K-Medoids算法确定有效奇异值，具体为：
步骤1，以最大和最小奇异值作为K-Medoids算法的初始聚类中心，计算除最大和最小奇异值外其余奇异值与每个初始聚类中心之间的距离，将其余奇异值加入距离最近的聚类中；
步骤2，在每个聚类中随机选择一个非初始聚类中心的奇异值作为新的聚类中心，计算对应的损失值，损失值等于非初始聚类中心的奇异值到同聚类其他奇异值的距离平均值与其到不同聚类其他奇异值的距离平均值的比值：
步骤3，若损失值小于1，则以新的聚类中心再次进行聚类，否则保留前次聚类结果；
步骤4，重复步骤2-3，直至新的聚类中心不再变化，输出聚类结果；
步骤5，以最大奇异值所在聚类中所包含的奇异值作为有效奇异值。
作为本发明的进一步优化方案：所述内置的状态监测模型包括N个声音神经网络模型，所述N个声音神经网络模型对应的训练样本不完全相同；
每个声音神经网络模型的构建方法如下：
通过所述麦克风阵列采集正常运行状态下所述变压器的若干多通道声学信号样本，以及不同故障状态下所述变压器的若干多通道声学信号样本；
对所采集的多通道声音信号样本进行处理，生成声音图像数据样本；
由所述声音图像数据样本与对应的变压器运行状态标签构成声音训练样本集；
基于随机从所述声音训练样本集中选取的M个声音训练样本，训练一个神经网络模型，获得声音神经网络模型。
作为本发明的进一步优化方案：所述状态监测单元，在所述基于接收到的所述声音图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息时，具体包括：
将所述声音图像数据分别输入N个声音神经网络模型中，获得N个声音预测结果；
若这N个声音预测结果均相同，则以此相同的声音分类结果作为变压器的实时运行状态信息输出；否则，选择对应M个声音训练样本与所述声音图像数据的距离均值最小的声音神经网络模型的预测结果作为变压器的实时运行状态信息输出。
作为本发明的进一步优化方案：所述智慧声纹终端还包括振动检测单元；
所述振动检测单元，用于实时采集变压器的振动信号，并将所述振动信号传输至所述信号处理单元；
所述信号处理单元，还用于对接收到的振动信号进行数据清洗；通过格拉姆角场转换成对应的振动图像数据，并将所述振动图像数据传输至所述数据传输单元。
作为本发明的进一步优化方案：所述数据传输单元，还用于将所述振动图像数据传输至服务器端；
所述状态监测单元，用于基于接收到的所述声音图像数据、所述振动图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息；
所述可视化单元，用于显示所述声音图像数据、所述振动图像数据以及变压器的实时运行状态信息。
作为本发明的进一步优化方案：所述状态监测单元，在接收到所述声音图像数据、所述振动图像数据后，先将所述振动图像数据与所述声音图像数据进行融合，获得融合图像数据；再基于所述融合图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息。
作为本发明的进一步优化方案：所述内置的状态监测模型包括N个声音神经网络模型和N’个振动神经网络模型，所述N个声音神经网络模型对应的训练样本不完全相同，所述N’个振动神经网络模型对应的训练样本不完全相同；
每个声音神经网络模型的构建方法如下：
通过所述麦克风阵列采集正常运行状态下所述变压器的若干多通道声学信号样本，以及不同故障状态下所述变压器的若干多通道声学信号样本；
对所采集的多通道声音信号样本进行处理，生成声音图像数据样本；
由所述声音图像数据样本与对应的变压器运行状态标签构成声音训练样本集；
基于随机从声音训练样本集中选取M个声音训练样本，训练一个神经网络模型，获得声音神经网络模型；
每个振动神经网络模型的构建方法如下：
通过所述振动检测单元采集正常运行状态下所述变压器的若干振动信号样本，以及不同故障状态下所述变压器的若干振动信号样本，并生成对应的振动图像数据；
由所述振动图像数据样本与对应的变压器运行状态标签构成振动训练样本集；
基于随机从振动训练样本集中选取M’个振动训练样本，训练一个神经网络模型，获得振动神经网络模型。
作为本发明的进一步优化方案：所述状态监测单元，在基于所述声音图像数据、所述振动图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息时，具体包括：
将所述声音图像数据分别输入N个声音神经网络模型中，获得N个声音预测结果；
将所述振动图像数据分别输入N’个声音神经网络模型中，获得N’个振动预测结果；
若这N+N’个预测结果均相同，则以此相同预测结果作为变压器的实时运行状态信息输出；
否则，根据对应M个训练样本与所述声音图像数据的距离均值由小至大的顺序对N个声音预测结果进行排序，得到声音预测结果序列；根据对应M’个训练样本与所述振动图像数据的距离均值由小至大的顺序对N’个振动预测结果进行排序，得到振动预测结果序列；以两个序列中首个相同预测结果作为变压器的实时运行状态信息输出。
综上所述，本申请包括以下至少一种有益技术效果：
1.采用非侵入式声学监测方式，结合声纹识别与诊断技术等创新技术，基于麦克风阵列实现声纹故障识别和故障空间定位，构建基于深度学习的智能故障诊断系统，形成高效、实用的变压器声纹故障诊断方法，开发变压器在线状态分析与智能预警系统，具备对变压器运行状态的实时监控、异常诊断等功能，有利于实现输变电站的变压器全生命周期的健康管理，为保障电网安全可靠运行提供有效技术支撑；
2.通过在多通道声音信号的互谱矩阵中除去自谱元素，可以降低波束形成输出的旁瓣水平，有效抑制旁瓣鬼影，可以提高声纹识别的精度；
3.对多通道声音信号的互谱矩阵进行重构，以解决传统波束形成因旁瓣过高带来的无法识别弱源等缺陷；同时采用K-medoids聚类算法，获取互谱矩阵重构中的有效奇异值，具有较强的噪声鲁棒性，能够有效还原信号细节；
4.引入多神经网络模型联合识别的思想，以克服训练样本数量不足或不够全面导致的单个神经网络模型识别正确率不高的不足；
5.将声音信号与振动信号相结合，通过麦克风阵列获取变压器声音信号的整体分布情况，再通过振动传感器精确测量变压器的局部振动信号，从而获得完整的振声信号，以进一步提升运行状态的感知和诊断精度。
附图说明
图1为本申请实施例中声纹在线监测系统的整体结构示意图。
图2为本申请实施例中多通道声音信号的处理流程图。
图3为本申请实施例中互谱矩阵的重构流程图。
图4为本申请实施例中基于声音图像数据对变压器的运行状态进行实时监测的流程图。
图5是本申请实施例中声振耦合的在线监测系统的整体结构示意图。
具体实施方式
下面结合说明书附图以及具体实施例对本申请的技术方案做进一步阐述。
本申请实施例公开了一种变压器运行状态在线监测系统，如图1所示，所述系统包括智慧声纹终端和服务器端，所述智慧声纹终端和服务器端之间建立数据连接；
所述智慧声纹终端包括麦克风阵列、信号处理单元以及数据传输单元：
所述麦克风阵列，用于实时采集变压器的多通道声音信号；
所述信号处理单元，用于对所述麦克风阵列实时采集的多通道声音信号进行处理，生成声音图像数据；
所述数据传输单元，用于将声音图像数据传输至服务器端；
所述服务器端包括状态监测单元和可视化单元；
所述状态监测单元，用于基于声音图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息；这里的运行状态包括正常运行状态信息以及不同的故障状态下的运行状态信息；
所述可视化单元，用于显示声音图像数据以及变压器的实时运行状态信息。
所述服务器端还包括预警单元，所述预警单元用于接收所述状态监测单元输出的变压器实时运行状态信息，并在变压器的实时运行状态信息出现异常情况时，发出预警信息。这里的异常情况指的是所述变压器的实时运行状态信息为故障状态下的运行状态信息，预警信息包括但不限于警示灯、蜂鸣器。
变压器运行时产生的声学信号包含大量状态信息，且像指纹一样具有辨识特征。变压器产生缺陷或发生故障后，其声纹会随之改变。智慧声纹终端采集变压器运行时的声音信号，通过麦克风阵列技术与声学信号处理技术，滤除声场噪声干扰，精准还原变压器运行状态声音。
本申请中研究变压器运行时的声音信号中可能包含的异音与故障成因的关系（如表1和表2所示），基于深度学习技术，对变压器的实时声学信号进行分析，形成具有实用性的变压器状态分析及智能预警方法，对变压器进行实时监控、异常诊断，保障电网安全可靠运行。
表1 变压器本体异音与故障成因的关系
表2 变压器本体异音与故障成因的关系
由于麦克风阵列具有自噪声的干扰，常规的波束形成是直接对声音信号进行延迟求和处理，通道的自噪声未被排除，因此需要在各通道的互谱矩阵中，消除对角自谱元素的波束形成，以提高声纹识别的精度。
进一步地，如图2所示，所述信号处理单元中对所述麦克风阵列实时采集的多通道声音信号进行处理的具体流程如下：
首先，对采集的多通道声音信号进行去噪和放大的预处理；
然后，对预处理后的多通道声音信号进行互谱运算，获得相应的互谱矩阵；
最后，除去互谱矩阵中的对角自谱元素后，进行互谱延时求和波束形成的运算，得到声音图像数据。
常规的波束形成时，往往存在主瓣宽度过大，旁瓣过高的现象，导致高频时成像图被严重污染，因而一些弱小声源无法清晰的被识别。为解决传统波束形成因旁瓣过高带来的无法识别弱源等缺陷，如图3所示，在所述获得相应的互谱矩阵之后，除去互谱矩阵中的对角自谱元素之前，对互谱矩阵进行奇异值分解，确定有效奇异值；进而利用所述有效奇异值进行互谱矩阵的重构，基于分解重构后的互谱矩阵进行互谱延时求和波束形成的运算。
上述分解重构理论可以将包含信号信息的矩阵分解到一系列奇异值和奇异值矢量对应的信号子空间中，根据实际需求去除不需要的非零奇异值，利用有效的奇异值进行互谱矩阵的重构，以达到提取有用信息的目的。
通过引入矩阵的奇异值分解，可以将麦克风阵列接收的多个不相干声信号形成的互谱矩阵分解得到各不相干声源的能量对应的奇异值及对应的包含位置信息的奇异值向量。理论上不相干声源代表的奇异值是按声源强度大小对应排列，而其他的奇异值则远小于真实声源的奇异值甚至趋近于零，从而可知不相干声源的个数决定了携带有用信息的奇异值个数。因在实际信号的采集时，仪器自身往往存在电噪声或者一些其他的噪声干扰，此时对采集的互谱矩阵进行奇异值分解后会出现相对于较大奇异值而言较小的奇异值，此类噪声奇异值被剔除，仅利用有效的奇异值进行互谱矩阵的重构。
进一步地，对于如何确定重构互谱矩阵所需的有效奇异值，本申请采用K-medoids聚类算法。K-medoids聚类算法的核心思想是将若干个数据对象划分成K个聚类，使得每个聚类中的数据对象到本聚类中心点的距离最短。作为K-means聚类算法的改进方法，K-medoids聚类算法更不易收到由误差等因素所引起的噪声数据的影响，具有抢鲁棒性、高准确性等优点，能够有效还原信号细节。
由于重构互谱矩阵只需要将奇异值分为两类，确定奇异值中前几个较大的值，因此，本申请中以最大和最小奇异值作为K-Medoids算法的初始聚类中心，具体算法流程如下：
步骤1，以最大奇异值和最小奇异值作为K-Medoids算法的初始聚类中心，计算除最大和最小奇异值外其余奇异值与每个初始聚类中心之间的距离，将其余奇异值加入距离最近的聚类中；
步骤2，在每个聚类中随机选择一个非初始聚类中心的奇异值作为新的聚类中心，计算对应的损失值，损失值等于非初始聚类中心的奇异值到同聚类其他奇异值的距离平均值与其到不同聚类其他奇异值的距离平均值的比值：
步骤3，若损失值小于1，则以新的聚类中心再次进行聚类，否则保留前次聚类结果；
步骤4，重复步骤2-3，直至新的聚类中心不再变化，输出聚类结果；
步骤5，以最大奇异值所在聚类中所包含的奇异值作为有效奇异值。
常规的基于深度学习的运行状态监测中，一般选用单个模型（诸如卷积神经网络模型CNN、全连接神经网络模型FCN等），之后通过采集不同状态下的训练样本进行预训练，进而基于采集到的实时数据进行运行状态的监测。
但是在实际训练时，所使用的训练样本可能存在数量不足或不够全面覆盖所有状态可能的情况，从而导致单个模型的识别正确率有限。因此，在本申请中引入多模型联合识别的思想，对各模型的预测结果进行联合评估，以达到一定的“共识”。
现有的多模型联合识别方法包括：
1、多数投票法
投票法是最常用的抽象级模型组合方法，其遵循的原则是“少数服从多数”。多数投票规则将最多数模型的一致预测结果作为待测数据的最终预测结果。
2、聚类选择法
这是一种动态选择模型的方法，它通过事先将训练样本聚类分成若干组，各组分别训练一个模型，然后针对待测数据与每组训练样本的相似度确定对应的模型。
进一步地，在仅基于麦克风阵列进行变压器运行状态在线监测施，本申请所述内置的状态监测模型包括N个声音神经网络模型，所述N个声音神经网络模型对应的训练样本不完全相同，以确保训练所得的声音神经网络模型的个体差异，进而保证联合评估能够获得更准确的“共识”结果。
每个声音神经网络模型的构建方法如下：
通过所述麦克风阵列采集正常运行状态下所述变压器的若干多通道声学信号样本，以及不同故障状态下所述变压器的若干多通道声学信号样本；
对所采集的多通道声音信号样本进行处理，生成声音图像数据样本；
由声音图像数据样本与对应的变压器运行状态标签构成声音训练样本集；这里的变压器运行状态标签指的是声音图像数据所对应的变压器运行状态信息，即正常运行状态或是某种故障状态，由人工标注；
随机从声音训练样本集中选取M个声音训练样本，训练一个神经网络模型，获得声音神经网络模型。
进一步地，如图4所示，所述基于声音图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息，具体流程如下：
将所述声音图像数据分别输入N个声音神经网络模型中，获得N个预测结果；
若这N个预测结果均相同，则以此相同预测结果作为变压器的实时运行状态信息输出；
否则，选择对应M个训练样本与所述声音图像数据的距离均值最小的声音神经网络模型的预测结果作为变压器的实时运行状态信息输出。这里需要说明的是，距离均值最小说明所述声音图像数据与该声音神经网络模型的训练样本最相似，那么相对来说，训练出来的声音神经网络模型也更适用于所述声音图像数据，相应的预测结果相比其他来说更准确一些。
变压器在不同运行状态下，不仅会有区别性的声音发出，还伴随有一定的振动信号，故可通过对变压器振动信号与声音信号的联合检测，更加准确地掌握变压器运行状态。因此，本申请还进一步将声信号与振动信号相结合，通过麦克风阵列获取变压器声音信号的整体分布情况，再通过振动传感器精确测量变压器的局部振动信号，从而获得完整的振声信号，以进一步提升运行状态的感知和诊断精度。
进一步地，如图5所示，所述智慧声纹终端还包括用于实时采集变压器的振动信号的振动检测单元；
所述信号处理单元，还用于对实时采集的振动信号进行数据清洗；通过格拉姆角场转换成对应的振动图像数据。
进一步地，所述数据传输单元，用于将声音图像数据和振动图像数据传输至服务器端；
所述状态监测单元，用于基于声音图像数据、振动图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息；
所述可视化单元，用于显示声音图像数据、振动图像数据以及变压器的实时运行状态信息。
进一步地，本申请还提出了一种振声耦合状态监测方法，具体为：将所述振动图像数据与所述声音图像数据进行融合，基于融合图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息。这里的图像融合，采用的是像素级特征融合，针对多源采集的同一目标的图像数据经过处理后，最大限度提取各自的有利信息，生成高质量的包含信息量更丰富的融合图像。
现有可选的图像融合方法包括基于多尺度分解的方法、基于稀疏表示的方法等等。本申请中采用基于多尺寸的方法，其中对图像进行处理的方法包括但不限于小波变换或是金字塔变换。以小波变换为例，首先采用小波变换算法对所述振动图像数据与所述声音图像数据进行变换，得到对应的小波变换系数；然后对两者的小波变换系数进行融合，得到融合后的小波变换系数；最后对融合后的小波变换系数进行逆变换处理，得到融合图像数据。
与如图4所示的基于声音图像数据进行状态监测流程相似，所述基于融合图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息。这里内置的状态监测模型包括N个振声神经网络模型，具体流程如下：
将所述融合图像数据分别输入N个振声神经网络模型中，获得N个预测结果；
若这N个预测结果相同，则以此相同预测结果作为变压器的实时运行状态信息输出；
否则，选择对应M个振动训练样本与所述融合图像数据的距离均值最小的振声神经网络模型的预测结果作为变压器的实时运行状态信息输出。
这里的N个振声神经网络模型的构建方法与前述声音神经网络模型的构建方法类似，这里不再赘述。
进一步地，本申请还提出了另一种振声耦合状态监测方法，即针对所述振动图像数据与所述声音图像数据分别构建神经网络模型，即所述内置的状态监测模型包括N个声音神经网络模型和N’个振动神经网络模型。
每个声音神经网络模型和振动神经网络模型的构建方法与前述声音神经网络模型的构建方法类似，这里不再赘述。
进一步地，所述基于声音图像数据、振动图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息，具体包括：
将所述声音图像数据分别输入N个声音神经网络模型中，获得N个声音预测结果；
将所述振动图像数据分别输入N’个振动神经网络模型中，获得N’个振动预测结果；
若这N+ N’个预测结果相同，则以此相同预测结果作为变压器的实时运行状态信息输出；
否则，根据对应M个声音训练样本与所述声音图像数据的距离均值由小至大的顺序对N个声音预测结果进行排序，得到声音预测结果序列{S1,S2,…,SN}；根据对应M’个训练样本与所述振动图像数据的距离均值由小至大的顺序对N’个振动预测结果进行排序，得到振动预测结果序列{V1,V2,…,VN’}；以两个序列中首个相同预测结果作为变压器的实时运行状态信息输出，即存在任意i,j（i,j可以相同或不同）使得Si和Vj相同，则按照序列编号由小至大的对比顺序，以序号最小的预测结果作为变压器的实时运行状态信息输出，具体示例如表3。
表3 联合评估示例
这里需要说明的是，距离均值最小说明实时数据（声音图像数据/振动图像数据）与对应声音神经网络模型的训练样本最相似，那么相对来说，训练出来的神经网络模型也更适用于该实时数据，相应的预测结果相比其他来说更准确一些。同时，进一步考虑声音和振动的联合作用，那么首先考虑的是声音和振动两个方向有相同的预测结果，那么从概率角度看，两个方向上的相同预测结果准确度更高。在出现多个相同预测结果时，进一步考虑实时数据与训练样本之间的距离均值（即相似性问题），找出相对更加准确的预测结果，以进一步提升多神经网络模型联合评估结果的准确度，增强“共识”的准确度。
另外，这里还可能出现一种极特殊的情况，即不存在任意i,j使得Si和Vj相同，那么则说明前述各预测结果存在明显差异，各神经网络模型的预测精度过低，需要进一步采取扩大训练集或者增加训练次数等优化措施，重新训练各神经网络模型，以提升模型精度。
本申请所涉及的在线监测系统还可以应用于高铁的异音检测，通过在列车走行部上方设置智慧声纹终端，实现高铁走行部设备运行状态监测，能够实现设备故障类型，故障定位等判断，为每一个走行部建立健康档案，实现设备从故障发生-发现-分析-复查-再运行实现闭环处理。从而降低维保费用、提高装备完好率和任务完成率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种变压器运行状态在线监测系统，其特征在于：所述系统包括智慧声纹终端和服务器端，所述智慧声纹终端和服务器端之间建立数据连接；
所述智慧声纹终端包括麦克风阵列、振动检测单元、信号处理单元以及数据传输单元；
所述麦克风阵列，用于实时采集变压器的多通道声音信号，并将所述多通道声音信号传输至所述信号处理单元；
所述振动检测单元，用于实时采集变压器的振动信号，并将所述振动信号传输至所述信号处理单元；
所述信号处理单元，用于对接收到的多通道声音信号进行处理，生成声音图像数据，并将所述声音图像数据传输至所述数据传输单元；对接收到的振动信号进行数据清洗；通过格拉姆角场转换成对应的振动图像数据，并将所述振动图像数据传输至所述数据传输单元；
所述数据传输单元，用于将所述声音图像数据和所述振动图像数据传输至所述服务器端；
所述服务器端包括状态监测单元以及可视化单元；
所述状态监测单元，用于基于接收到的所述声音图像数据、所述振动图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息，并将所述实时运行状态信息传输至所述可视化单元；
所述可视化单元，用于显示所述声音图像数据、所述振动图像数据以及所述实时运行状态信息；
所述内置的状态监测模型包括N个声音神经网络模型和N’个振动神经网络模型，所述N个声音神经网络模型对应的训练样本不完全相同，所述N’个振动神经网络模型对应的训练样本不完全相同；
每个声音神经网络模型的构建方法如下：
通过所述麦克风阵列采集正常运行状态下所述变压器的若干多通道声学信号样本，以及不同故障状态下所述变压器的若干多通道声学信号样本；
对所采集的多通道声音信号样本进行处理，生成声音图像数据样本；
由所述声音图像数据样本与对应的变压器运行状态标签构成声音训练样本集；
基于随机从声音训练样本集中选取M个声音训练样本，训练一个神经网络模型，获得声音神经网络模型；
每个振动神经网络模型的构建方法如下：
通过所述振动检测单元采集正常运行状态下所述变压器的若干振动信号样本，以及不同故障状态下所述变压器的若干振动信号样本，并生成对应的振动图像数据；
由所述振动图像数据样本与对应的变压器运行状态标签构成振动训练样本集；
基于随机从振动训练样本集中选取M’个振动训练样本，训练一个神经网络模型，获得振动神经网络模型；
所述状态监测单元，在基于所述声音图像数据、所述振动图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息时，具体包括：
将所述声音图像数据分别输入N个声音神经网络模型中，获得N个声音预测结果；
将所述振动图像数据分别输入N’个振动神经网络模型中，获得N’个振动预测结果；
若这N+N’个预测结果均相同，则以此相同预测结果作为变压器的实时运行状态信息输出；
否则，根据对应M个训练样本与所述声音图像数据的距离均值由小至大的顺序对N个声音预测结果进行排序，得到声音预测结果序列；根据对应M’个训练样本与所述振动图像数据的距离均值由小至大的顺序对N’个振动预测结果进行排序，得到振动预测结果序列；以两个序列中首个相同预测结果作为变压器的实时运行状态信息输出。
2.根据权利要求1所述的一种变压器运行状态在线监测系统，其特征在于：所述信号处理单元在对接收到的所述多通道声音信号进行处理，生成声音图像数据时，包括：
首先，对所述多通道声音信号进行去噪和放大的预处理；
然后，对预处理后的多通道声音信号进行互谱运算，获得相应的互谱矩阵；
最后，除去互谱矩阵中的对角自谱元素后，进行互谱延时求和波束形成的运算，得到声音图像数据。
3.根据权利要求2所述的一种变压器运行状态在线监测系统，其特征在于：所述信号处理单元在所述获得相应的互谱矩阵之后，除去互谱矩阵中的对角自谱元素之前，还包括：
对互谱矩阵进行奇异值分解，确定有效奇异值；
利用所述有效奇异值进行互谱矩阵的重构；
其中，采用K-Medoids算法确定有效奇异值，具体为：
步骤1，以最大和最小奇异值作为K-Medoids算法的初始聚类中心，计算除最大和最小奇异值外其余奇异值与每个初始聚类中心之间的距离，将其余奇异值加入距离最近的聚类中；
步骤2，在每个聚类中随机选择一个非初始聚类中心的奇异值作为新的聚类中心，计算对应的损失值，损失值等于非初始聚类中心的奇异值到同聚类其他奇异值的距离平均值与其到不同聚类其他奇异值的距离平均值的比值：
步骤3，若损失值小于1，则以新的聚类中心再次进行聚类，否则保留前次聚类结果；
步骤4，重复步骤2-3，直至新的聚类中心不再变化，输出聚类结果；
步骤5，以最大奇异值所在聚类中所包含的奇异值作为有效奇异值。
4.根据权利要求1所述的一种变压器运行状态在线监测系统，其特征在于：所述状态监测单元，在接收到所述声音图像数据、所述振动图像数据后，先将所述振动图像数据与所述声音图像数据进行融合，获得融合图像数据；再基于所述融合图像数据以及内置的状态监测模型，对变压器的运行状态进行实时监测，输出变压器的实时运行状态信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311567186.4A CN117289067B (zh) | 2023-11-23 | 2023-11-23 | 一种变压器运行状态在线监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311567186.4A CN117289067B (zh) | 2023-11-23 | 2023-11-23 | 一种变压器运行状态在线监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117289067A CN117289067A (zh) | 2023-12-26 |
| CN117289067B true CN117289067B (zh) | 2024-02-27 |
Family
ID=89248329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311567186.4A Active CN117289067B (zh) | 2023-11-23 | 2023-11-23 | 一种变压器运行状态在线监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289067B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686086B (zh) * | 2024-02-02 | 2024-06-04 | 北京谛声科技有限责任公司 | 一种设备运行状态监控方法、装置、设备及系统 |
| CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101333179B1 (ko) * | 2013-08-01 | 2013-11-26 | 한국 전기안전공사 | 유입변압기 진단 기법을 이용한 부분방전 진단장치 |
| JP2020008365A (ja) * | 2018-07-05 | 2020-01-16 | 東日本旅客鉄道株式会社 | 電力設備機器の劣化診断装置 |
| CN112557512A (zh) * | 2020-11-26 | 2021-03-26 | 国网上海市电力公司 | 声成像方法、装置、设备及基于声成像设备的巡检机器人 |
| WO2022042812A1 (en) * | 2020-08-31 | 2022-03-03 | OKTO Acoustics ApS | Method and device for analysing the state, condition and power quality of transformers in power grids |
| CN114970610A (zh) * | 2022-05-08 | 2022-08-30 | 广东电网有限责任公司广州供电局 | 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 |
| CN115392301A (zh) * | 2022-08-15 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
| CN115641283A (zh) * | 2022-11-07 | 2023-01-24 | 广东电网有限责任公司 | 基于多传感器信息融合的变压器故障诊断方法及系统 |
| CN116558789A (zh) * | 2023-02-13 | 2023-08-08 | 内蒙古电力(集团)有限责任公司内蒙古超高压供电分公司 | 电力变压器的故障诊断方法、装置、设备和存储介质 |
| CN117031183A (zh) * | 2023-10-09 | 2023-11-10 | 北京谛声科技有限责任公司 | 一种智慧声纹终端设备及工业设备运行状态监测方法 |
-
2023
- 2023-11-23 CN CN202311567186.4A patent/CN117289067B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101333179B1 (ko) * | 2013-08-01 | 2013-11-26 | 한국 전기안전공사 | 유입변압기 진단 기법을 이용한 부분방전 진단장치 |
| JP2020008365A (ja) * | 2018-07-05 | 2020-01-16 | 東日本旅客鉄道株式会社 | 電力設備機器の劣化診断装置 |
| WO2022042812A1 (en) * | 2020-08-31 | 2022-03-03 | OKTO Acoustics ApS | Method and device for analysing the state, condition and power quality of transformers in power grids |
| CN112557512A (zh) * | 2020-11-26 | 2021-03-26 | 国网上海市电力公司 | 声成像方法、装置、设备及基于声成像设备的巡检机器人 |
| CN114970610A (zh) * | 2022-05-08 | 2022-08-30 | 广东电网有限责任公司广州供电局 | 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 |
| CN115392301A (zh) * | 2022-08-15 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
| CN115641283A (zh) * | 2022-11-07 | 2023-01-24 | 广东电网有限责任公司 | 基于多传感器信息融合的变压器故障诊断方法及系统 |
| CN116558789A (zh) * | 2023-02-13 | 2023-08-08 | 内蒙古电力(集团)有限责任公司内蒙古超高压供电分公司 | 电力变压器的故障诊断方法、装置、设备和存储介质 |
| CN117031183A (zh) * | 2023-10-09 | 2023-11-10 | 北京谛声科技有限责任公司 | 一种智慧声纹终端设备及工业设备运行状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张丽梅、高胜哲主编.《海洋经济评估模型与方法》.西北农林科技大学出版社,2014,92. * |
| 褚志刚等.奇异值分解波束形成生源识别方法，电子测量与仪器学报.2017,第28卷(第11期),1178-1179. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117289067A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117289067B (zh) | 一种变压器运行状态在线监测系统 | |
| CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及系统 | |
| CN110208022A (zh) | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 | |
| CN109649432A (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
| CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
| CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
| CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
| CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
| CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
| CN117192346A (zh) | 一种基于多信号融合特征的断路器故障诊断方法及系统 | |
| CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
| CN115078912A (zh) | 车顶高压电缆接头异常实时检测方法、系统及列车 | |
| CN111999614A (zh) | 一种面向高压开关柜的局部放电多源融合检测预警方法 | |
| CN116338393A (zh) | 电力变压器局部放电定位方法、系统、介质、设备及终端 | |
| CN114157023B (zh) | 一种配变预警信息获取方法 | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
| CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
| CN118038295A (zh) | 输电线路缺陷实时在线识别系统 | |
| CN117233547A (zh) | 一种油纸绝缘局部放电的融合识别方法及系统 | |
| CN114792108A (zh) | 一种高压断路器故障诊断方法及装置 |
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 |