CN117894317A - 基于声纹分析的箱式变压器在线监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于声纹分析的箱式变压器在线监测方法及系统，涉及数据处理技术领域，该方法包括：通过声纹感知采集装置采集目标箱式变压器的声纹信号；激活边缘计算模块，进行声纹信号预处理；构建箱式变压器的声纹样本库，训练获得识别网络模型，对经预处理的声纹信号进行识别，确定声纹识别类别，对声纹信号进行解耦，获得变压器状态声纹信号；通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息。本发明解决了现有技术中传统的箱式变压器监测方法易受到环境因素干扰，可靠性和可持续性较低的技术问题，达到了对箱式变压器全生命周期的持续监测，提高了设备运行状态监测的可靠性和可持续性的技术效果。

Description

基于声纹分析的箱式变压器在线监测方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及基于声纹分析的箱式变压器在线监测方法及系统。

背景技术

箱式变压器，是一种将变压器器身、开关设备、测量仪表、保护装置等全部装配在封闭的钢制箱体内的变压器。与传统的变压器相比，箱式变压器具有结构紧凑、体积小、占地面积小、运行费用低、安装简单、维护方便等优点。为保证设备安全平稳运行需要对箱式变压器进行在线监测和维护，但传统箱式变压器监测方法易受到电磁干扰和温度等因素的影响，可靠性和可持续性较低。

发明内容

本申请提供了一种基于声纹分析的箱式变压器在线监测方法及系统，用于解决现有技术中传统的箱式变压器监测方法易受环境因素干扰，可靠性和可持续性较低的技术问题。

本申请的第一个方面，提供了一种基于声纹分析的箱式变压器在线监测方法，所述方法包括：通过声纹感知采集装置采集目标箱式变压器的声纹信号；对所述声纹信号进行采集定位，激活边缘计算模块，进行声纹信号预处理；构建箱式变压器的声纹样本库，训练获得识别网络模型；利用所述识别网络模型对经预处理的声纹信号进行识别，确定声纹识别类别；根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号；基于所述变压器状态声纹信号通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息。

本申请的第二个方面，提供了一种基于声纹分析的箱式变压器在线监测系统，所述系统包括：声纹信号采集模块，所述声纹信号采集模块用于通过声纹感知采集装置采集目标箱式变压器的声纹信号；声纹信号预处理模块，所述声纹信号预处理模块用于对所述声纹信号进行采集定位，激活边缘计算模块，进行声纹信号预处理；识别网络模型获得模块，所述识别网络模型获得模块用于构建箱式变压器的声纹样本库，训练获得识别网络模型；声纹识别类别确定模块，所述声纹识别类别确定模块用于利用所述识别网络模型对经预处理的声纹信号进行识别，确定声纹识别类别；变压器状态声纹信号获取模块，所述变压器状态声纹信号获取模块用于根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号；变压器状态识别模块，所述变压器状态识别模块用于基于所述变压器状态声纹信号通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的一种基于声纹分析的箱式变压器在线监测方法，涉及数据处理技术领域，通过声纹感知采集装置采集目标箱式变压器的声纹信号，构建箱式变压器的声纹样本库，训练获得识别网络模型，对经预处理后的声纹信号进行识别，确定声纹识别类别，对声纹信号进行解耦，获得变压器状态声纹信号，通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息，解决了现有技术中传统的箱式变压器监测方法易受到环境因素干扰，可靠性和可持续性较低的技术问题，实现了通过对箱式变压器进行在线声纹监控分析，实现设备全生命周期的持续监测，提高设备运行状态监测的可靠性和可持续性的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本申请实施例提供的一种基于声纹分析的箱式变压器在线监测方法流程示意图；

图2为本申请实施例提供的一种基于声纹分析的箱式变压器在线监测方法中构建箱式变压器的声纹样本库的流程示意图；

图3为本申请实施例提供的一种基于声纹分析的箱式变压器在线监测方法中获得变压器状态声纹信号的流程示意图；

图4为本申请实施例提供的一种基于声纹分析的箱式变压器在线监测系统结构示意图。

附图标记说明：声纹信号采集模块11，声纹信号预处理模块12，识别网络模型获得模块13，声纹识别类别确定模块14，变压器状态声纹信号获取模块15，变压器状态识别模块16。

具体实施方式

本申请提供了一种基于声纹分析的箱式变压器在线监测方法，用于解决现有技术中传统的箱式变压器监测方法易受环境因素干扰，可靠性和可持续性较低的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请提供了一种基于声纹分析的箱式变压器在线监测方法，所述方法包括：

P10：通过声纹感知采集装置采集目标箱式变压器的声纹信号；

具体的，变压器正常运行时，声响是均匀的，当出现其他杂音时，则可能存在运行异常。例如，变压器声音比平时增大，可能是电网发生过电压或变压器过负荷；变压器有杂音，可能是由于变压器上的某些零部件松动而引起的振动；变压器有放电声，可能是瓷件污秽严重或设备线卡接触不良；变压器有爆裂声，说明变压器内部或表面绝缘击穿；变压器有水沸腾声，且温度急剧变化，油位升高，则应判断为变压器绕组发生短路或分接开关接触不良引起的严重过热。

因此，可根据目标箱式变压器的声源特性和监测需求，选择具有高灵敏度、低噪声、抗干扰能力强等特性的声纹感知采集装置，并根据目标变压器的结构和运行状态，选择合适的采集位置，对目标箱式变压器运行时的声音进行监测，采集目标箱式变压器的声纹信号，作为后续的状态监测和故障诊断的基础数据。

P20：对所述声纹信号进行采集定位，激活边缘计算模块，进行声纹信号预处理；

进一步的，本申请实施例步骤P20还包括：

P21：根据所述声纹信号确定声纹感知采集装置的位置，进行采集定位；

P22：基于所述采集定位，确定边缘计算设备、设备分布信息及设备基础信息；

P23：获取所述声纹信号的计算需求，基于所述计算需求进行边缘计算设备匹配，确定匹配系数，所述匹配系数通过所述设备分布信息及设备基础信息进行算力匹配获得；

进一步的，本申请实施例步骤P23还包括：

P23-1：通过匹配系数公式：，计算获得所述匹配系数；

其中，为第i个任务计算需求对应的匹配系数、/>表征第i个任务基于变量对应的计算需求量，/>表征第i个任务基于变量/>对应的设备实时计算量、/>为随机误差。

P24：根据所述匹配系数，确定边缘节点，激活所述边缘计算模块将声纹计算任务载入所述边缘节点。

应当理解的是，对所述声纹信号进行采集定位，激活边缘计算模块，并根据定位信息选择相应的边缘计算设备，进行声纹信号预处理，也就是对原始声纹信号进行清洗、去噪、滤波等操作，去除无关的噪声和干扰，保留与变压器状态相关的有效信息，为后续的故障诊断和状态监测提供准确的数据支持。

具体的，根据所述声纹信号确定声纹感知采集装置的位置，进行声纹信号的采集定位，进而确定声纹信号来自目标变压器的多个运行部位，由此确定相应的边缘计算设备、设备分布信息及设备基础信息，所述边缘计算设备是用于进行边缘计算的硬件设备，可针对目标变压器的多个运行部位，分别使用不同的边缘计算设备进行数据的处理和分析，以实现更高效、低延迟的计算，所述设备分布信息是指多个边缘计算设备的位置分布，以及与目标变压器的多个运行部位的距离，所述设备基础信息是指每个边缘计算设备的算力、类型等。

进一步的，获取所述声纹信号的计算需求，也就是数据预处理需求，并基于所述计算需求进行边缘计算设备匹配，确定各边缘计算设备的匹配系数，可通过匹配系数公式：，计算获得所述匹配系数；其中，/>为第i个任务计算需求对应的匹配系数、/>表征第i个任务基于变量/>对应的计算需求量，/>表征第i个任务基于变量/>对应的设备实时计算量、/>为随机误差。

进一步的，根据所述匹配系数，选择匹配系数最大的边缘计算设备对应的边缘节点，并将当前的声纹计算任务载入所述边缘节点，进行所述声纹信号的预处理，以提高信号的质量和可靠性。

P30：构建箱式变压器的声纹样本库，训练获得识别网络模型；

进一步的，如图2所示，本申请实施例步骤P30还包括：

P31：基于箱式变压器的运行工作环境，确定声纹类别来源；

进一步的，本申请实施例步骤P31还包括：

P31-1：对所述运行工作环境进行周期性分析，确定稳固环境声源、周期性环境声源、随机环境声源；

P31-2：基于所述稳固环境声源、周期性环境声源、随机环境声源，分别进行声纹来源聚类，并标注周期类别；

P31-3：基于声纹来源聚类结果，确定所述声纹类别来源。

应当理解的是，

P32：根据所述声纹类别来源进行声纹样本采集，构建多类别样本集；

P33：基于所述多类别样本集组建所述声纹样本库，分别对各类别样本集进行类别聚类标注，构建训练样本集、测试样本集；

P34：搭建网络模型框架，包括卷积网络层、全连接层，利用所述训练样本集、测试样本集对所述网络模型框架进行训练测试，获得所述识别网络模型，其中，样本输入卷积网络层中进行识别，通过卷积逐层获取样本数据的特征，再利用所述全连接层确定特征与识别类别的关系，输出样本识别类别。

可选的，采集箱式变压器的多类型声纹样本，构建箱式变压器的声纹样本库，并将声纹样本库中的数据作为训练数据，训练获得识别网络模型，用作后续进行声纹类型识别。首先，基于箱式变压器的运行工作环境，确定声纹类别来源，通过对所述运行工作环境进行周期性分析，确定稳固环境声源、周期性环境声源和随机环境声源，所述稳固环境声源即长期存在的背景噪声，如变压器的机械振动、风噪声等，所述周期性环境声源即具有一定周期特性的噪声，如交通噪声、工业设备运行噪声等，所述随机环境声源即突发性的噪声，如雷电、动物叫声等。

进一步的，针对所述稳固环境声源、周期性环境声源、随机环境声源，分别进行声纹来源聚类，通过对声音的频谱、倒谱、共振峰等特征进行提取和比较，将同一来源的声纹信息聚为一类，得到声纹来源聚类结果，例如得到机械振动声纹聚类簇、风噪声聚类簇等，并为其标注周期类别，进一步的，声纹来源聚类结果，确定所述声纹类别来源，也就是确定多个声纹来源类型。

进一步的，基于所述声纹类别来源的每种类别来源，分别进行声纹样本采集，构建多类别样本集，也就是多个不同类别来源的声纹信息样本集，并基于所述多类别样本集组建所述声纹样本库，分别对各类别样本集进行类别聚类标注，并按照样本类别，分别将各类别样本集随机划分为训练样本集、测试样本集，划分比例可以是7:3，可根据实际需求进行适应性调整。进一步的，基于机器学习原理，搭建网络模型框架，包括搭建卷积网络层、全连接层，利用所述训练样本集对所述网络模型框架进行训练，并根据输出结果对所述网络模型框架进行调整，直至完成所述训练样本集内所有数据的训练，使用所述测试样本集对所述网络模型框架进行准确度测试，直至测试准确度满足预设的准确度要求，得到所述识别网络模型，可通过将样本数据输入所述卷积网络层中进行识别，通过卷积逐层获取样本数据的特征，再利用所述全连接层确定特征与识别类别的关系，输出样本识别类别。

P40：利用所述识别网络模型对经预处理的声纹信号进行识别，确定声纹识别类别；

具体的，利用所述识别网络模型对经过预处理后的声纹信号进行识别，通过所述识别网络模型的卷积网络层，逐层获取声纹信号的特征，例如频谱、倒谱、共振峰等，并通过所述识别网络模型的全连接层，将获取的特征与样本声纹类别进行匹配，确定当前声纹信号的声纹识别类别。

P50：根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号；

进一步的，如图3所示，本申请实施例步骤P50还包括：

P51：根据所述声纹识别类别，确定声纹特征与识别类别对应关系；

P52：根据所述声纹特征对所述声纹信号进行拆解分离，获得预分析声纹信号；

P53：获取暂态地电压设备的局部放电信号特征；

P54：利用所述局部放电信号特征对所述预分析声纹信号进行解耦，获得所述变压器状态声纹信号。

示例性的，根据所述声纹识别类别将所述声纹信号进行解耦，也就是按照所述声纹识别类别将所述声纹信号进行拆分，将能反映变压器运行状态的声纹信号与其他声纹信号进行分离，进而提取变压器状态声纹信号。具体的，根据所述声纹识别类别，确定每个声纹识别类别所对应的声纹特征，并按照所述声纹特征将所述声纹信号进行拆解分离，例如将处于不同频谱、倒谱、共振峰的声纹信号分解成独立的信息，得到多项不同类别的声纹信号。进一步的，获取暂态地电压设备的局部放电信号特征，所述暂态地电压设备是一种用于检测电气设备局部放电的仪器，通过采集暂态地电压信号来检测局部放电的电流、音频等局部放电信号特征，并利用所述局部放电信号特征，匹配所述预分析声纹信号中的变压器声纹信号，获得所述变压器状态声纹信号。

进一步的，本申请实施例还包括步骤P60a，步骤P60a还包括：

P61a：基于所述箱式变压器的工作状态信息，建立协同更新多通路，所述协同更新多通路用于协同设备的联邦数据通信；

P62a：基于所述协同更新多通路，获取箱式变压器的声纹训练参数、增量训练样本，所述声纹训练参数为协同设备的异常识别模型的参数，所述增量训练样本为新增异常识别状态的样本数据；

P63a：利用所述声纹训练参数、增量训练样本对云平台中的状态识别模块进行联邦增量学习，对所述状态识别模块进行参数迭代更新。

在本申请一种可能的实施例中，基于所述箱式变压器的工作状态信息，获取多个变压器工作状态，所述工作状态信息属于箱体变压器的基础信息，所述基础信息包括了所述箱式变压器的设备基础信息、工作状态信息、运行设备信息等，其中，所述工作状态信息是指所述箱式变压器在不同工作状态下的工作数据，包括设备在不同工作状态下各部位的运行状态、声纹数据、异常特征数据等，其中，不同的工作状态如运行状态、热备用状态、冷备用状态、检修状态等，进一步的，基于多个变压器工作状态建立协同更新多通路，所述协同更新多通路用于进行协同设备的更新数据传输。基于所述协同更新多通路，获取不同工作状态下的箱式变压器的声纹训练参数、增量训练样本，所述声纹训练参数为协同设备的异常识别模型的参数，所述增量训练样本为新增异常识别状态的样本数据，所述异常识别模型是用来通过声纹信号进行设备异常识别的模型，内嵌于云平台中的状态识别模块，可通过采集样本异常数据训练得到，基于所述声纹训练参数、增量训练样本，进行异常识别模型的更新训练，也就是联邦增量学习，对所述状态识别模块进行参数迭代更新，可以提高异常状态识别的准确率。

P60：基于所述变压器状态声纹信号通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息。

进一步的，本申请实施例步骤P60还包括：

P61：基于所述状态识别模块对所述变压器状态声纹信号进行异常信号识别，定位异常信号及异常时间；

P62：根据异常信号的异常识别结果，判断是否达到预设阈值，当达到时，生成所述状态提醒信息；

P63：当未达到时，基于所述异常信号及异常时间，构建异常跟踪识别时序链，进行全周期监测；

P64：基于所述异常跟踪识别时序链进行异常概率实时监测与预测，当达到触发异常概率阈值时，生成所述状态提醒信息。

应当理解的是，基于云平台内的所述状态识别模块，对所述变压器状态声纹信号进行异常信号识别，定位异常信号及异常时间，并根据异常信号的异常识别结果，判断目标箱式变压器的异常状态是否达到预设阈值，当达到时，则生成所述状态提醒信息，进行变压器状态异常预警，当未达到时，基于所述异常信号的异常部位及异常时间，构建异常跟踪识别时序链，对设备的异常部位进行全周期监测，并根据所述异常跟踪识别时序链，进行异常概率实时监测与预测，当异常概率预测值达到触发异常概率阈值时，同样生成相应的状态提醒信息，进行变压器状态异常预警。

综上所述，本申请实施例至少具有如下技术效果：

本申请通过声纹感知采集装置采集目标箱式变压器的声纹信号，激活边缘计算模块，进行声纹信号预处理后，构建箱式变压器的声纹样本库，训练获得识别网络模型，对经预处理的声纹信号进行识别，确定声纹识别类别，并对声纹信号进行解耦，获得变压器状态声纹信号，通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息。

达到了对箱式变压器全生命周期的持续监测，提高了设备运行状态监测的可靠性和可持续性的技术效果。

实施例二

基于与前述实施例中一种基于声纹分析的箱式变压器在线监测方法相同的发明构思，如图4所示，本申请提供了一种基于声纹分析的箱式变压器在线监测系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

声纹信号采集模块11，所述声纹信号采集模块11用于通过声纹感知采集装置采集目标箱式变压器的声纹信号；

声纹信号预处理模块12，所述声纹信号预处理模块12用于对所述声纹信号进行采集定位，激活边缘计算模块，进行声纹信号预处理；

识别网络模型获得模块13，所述识别网络模型获得模块13用于构建箱式变压器的声纹样本库，训练获得识别网络模型；

声纹识别类别确定模块14，所述声纹识别类别确定模块14用于利用所述识别网络模型对经预处理的声纹信号进行识别，确定声纹识别类别；

变压器状态声纹信号获取模块15，所述变压器状态声纹信号获取模块15用于根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号；

变压器状态识别模块16，所述变压器状态识别模块16用于基于所述变压器状态声纹信号通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息。

进一步的，所述声纹信号预处理模块12还用于执行以下步骤：

根据所述声纹信号确定声纹感知采集装置的位置，进行采集定位；

基于所述采集定位，确定边缘计算设备、设备分布信息及设备基础信息；

获取所述声纹信号的计算需求，基于所述计算需求进行边缘计算设备匹配，确定匹配系数，所述匹配系数通过所述设备分布信息及设备基础信息进行算力匹配获得；

根据所述匹配系数，确定边缘节点，激活所述边缘计算模块将声纹计算任务载入所述边缘节点。

进一步的，所述声纹信号预处理模块12还用于执行以下步骤：

通过匹配系数公式：，计算获得所述匹配系数；

其中，为第i个任务计算需求对应的匹配系数、/>表征第i个任务基于变量对应的计算需求量，/>表征第i个任务基于变量/>对应的设备实时计算量、/>为随机误差。

进一步的，所述识别网络模型获得模块13还用于执行以下步骤：

基于箱式变压器的运行工作环境，确定声纹类别来源；

根据所述声纹类别来源进行声纹样本采集，构建多类别样本集；

基于所述多类别样本集组建所述声纹样本库，分别对各类别样本集进行类别聚类标注，构建训练样本集、测试样本集；

搭建网络模型框架，包括卷积网络层、全连接层，利用所述训练样本集、测试样本集对所述网络模型框架进行训练测试，获得所述识别网络模型，其中，样本输入卷积网络层中进行识别，通过卷积逐层获取样本数据的特征，再利用所述全连接层确定特征与识别类别的关系，输出样本识别类别。

进一步的，所述识别网络模型获得模块13还用于执行以下步骤：

对所述运行工作环境进行周期性分析，确定稳固环境声源、周期性环境声源、随机环境声源；

基于所述稳固环境声源、周期性环境声源、随机环境声源，分别进行声纹来源聚类，并标注周期类别；

基于声纹来源聚类结果，确定所述声纹类别来源。

进一步的，所述变压器状态声纹信号获取模块15还用于执行以下步骤：

根据所述声纹识别类别，确定声纹特征与识别类别对应关系；

根据所述声纹特征对所述声纹信号进行拆解分离，获得预分析声纹信号；

获取暂态地电压设备的局部放电信号特征；

利用所述局部放电信号特征对所述预分析声纹信号进行解耦，获得所述变压器状态声纹信号。

进一步的，所述变压器状态识别模块16还用于执行以下步骤：

基于所述状态识别模块对所述变压器状态声纹信号进行异常信号识别，定位异常信号及异常时间；

根据异常信号的异常识别结果，判断是否达到预设阈值，当达到时，生成所述状态提醒信息；

当未达到时，基于所述异常信号及异常时间，构建异常跟踪识别时序链，进行全周期监测；

基于所述异常跟踪识别时序链进行异常概率实时监测与预测，当达到触发异常概率阈值时，生成所述状态提醒信息。

进一步的，所述系统还包括：

协同更新多通路建立模块，所述协同更新多通路建立模块用于基于所述箱式变压器的工作状态信息，建立协同更新多通路，所述协同更新多通路用于协同设备的联邦数据通信；

声纹训练参数获取模块，所述声纹训练参数获取模块用于基于所述协同更新多通路，获取箱式变压器的声纹训练参数、增量训练样本，所述声纹训练参数为协同设备的异常识别模型的参数，所述增量训练样本为新增异常识别状态的样本数据；

联邦增量学习模块，所述联邦增量学习模块用于利用所述声纹训练参数、增量训练样本对云平台中的状态识别模块进行联邦增量学习，对所述状态识别模块进行参数迭代更新。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变形在内。

Claims (8)

1.基于声纹分析的箱式变压器在线监测方法，其特征在于，包括：

通过声纹感知采集装置采集目标箱式变压器的声纹信号；

对所述声纹信号进行采集定位，激活边缘计算模块，进行声纹信号预处理，包括对原始声纹信号进行清洗、去噪、滤波；

构建箱式变压器的声纹样本库，训练获得识别网络模型；

利用所述识别网络模型对经预处理的声纹信号进行识别，确定声纹识别类别，通过所述识别网络模型的卷积网络层，逐层获取声纹信号的特征，并通过所述识别网络模型的全连接层，将获取的特征与样本声纹类别进行匹配，确定当前声纹信号的声纹识别类别；

根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号；

基于所述变压器状态声纹信号通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息；

其中，根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号，包括：

根据所述声纹识别类别，确定声纹特征与识别类别对应关系；

根据所述声纹特征对所述声纹信号进行拆解分离，获得预分析声纹信号；

获取暂态地电压设备的局部放电信号特征；

利用所述局部放电信号特征对所述预分析声纹信号进行解耦，获得所述变压器状态声纹信号。

2.如权利要求1所述的方法，其特征在于，所述构建箱式变压器的声纹样本库，训练获得识别网络模型，包括：

基于箱式变压器的运行工作环境，确定声纹类别来源；

根据所述声纹类别来源进行声纹样本采集，构建多类别样本集；

基于所述多类别样本集组建所述声纹样本库，分别对各类别样本集进行类别聚类标注，构建训练样本集、测试样本集；

搭建网络模型框架，包括卷积网络层、全连接层，利用所述训练样本集、测试样本集对所述网络模型框架进行训练测试，获得所述识别网络模型，其中，样本输入卷积网络层中进行识别，通过卷积逐层获取样本数据的特征，再利用所述全连接层确定特征与识别类别的关系，输出样本识别类别。

3.如权利要求2所述的方法，其特征在于，所述基于箱式变压器的运行工作环境，确定声纹类别来源，包括：

对所述运行工作环境进行周期性分析，确定稳固环境声源、周期性环境声源、随机环境声源；

基于所述稳固环境声源、周期性环境声源、随机环境声源，分别进行声纹来源聚类，并标注周期类别；

基于声纹来源聚类结果，确定所述声纹类别来源。

4.如权利要求1所述的方法，其特征在于，对所述声纹信号进行采集定位，激活边缘计算模块，包括：

根据所述声纹信号确定声纹感知采集装置的位置，进行采集定位；

基于所述采集定位，确定边缘计算设备、设备分布信息及设备基础信息；

获取所述声纹信号的计算需求，基于所述计算需求进行边缘计算设备匹配，确定匹配系数，所述匹配系数通过所述设备分布信息及设备基础信息进行算力匹配获得；

根据所述匹配系数，确定边缘节点，激活所述边缘计算模块将声纹计算任务载入所述边缘节点。

5.如权利要求4所述的方法，其特征在于，基于所述计算需求进行边缘计算设备匹配，确定匹配系数，包括：

通过匹配系数公式：，计算获得所述匹配系数；

其中，为第i个任务计算需求对应的匹配系数、/>表征第i个任务基于变量/>对应的计算需求量，/>表征第i个任务基于变量/>对应的设备实时计算量、/>为随机误差。

6.如权利要求1所述的方法，其特征在于，还包括：

基于所述箱式变压器的工作状态信息，建立协同更新多通路，所述协同更新多通路用于协同设备的联邦数据通信；

基于所述协同更新多通路，获取箱式变压器的声纹训练参数、增量训练样本，所述声纹训练参数为协同设备的异常识别模型的参数，所述增量训练样本为新增异常识别状态的样本数据；

利用所述声纹训练参数、增量训练样本对云平台中的状态识别模块进行联邦增量学习，对所述状态识别模块进行参数迭代更新。

7.如权利要求6所述的方法，其特征在于，基于所述变压器状态声纹信号通过云平台进行状态识别分析，包括：

基于所述状态识别模块对所述变压器状态声纹信号进行异常信号识别，定位异常信号及异常时间；

根据异常信号的异常识别结果，判断是否达到预设阈值，当达到时，生成所述状态提醒信息；

当未达到时，基于所述异常信号及异常时间，构建异常跟踪识别时序链，进行全周期监测；

基于所述异常跟踪识别时序链进行异常概率实时监测与预测，当达到触发异常概率阈值时，生成所述状态提醒信息。

8.基于声纹分析的箱式变压器在线监测系统，其特征在于，所述系统包括：

声纹信号采集模块，所述声纹信号采集模块用于通过声纹感知采集装置采集目标箱式变压器的声纹信号；

声纹信号预处理模块，所述声纹信号预处理模块用于对所述声纹信号进行采集定位，激活边缘计算模块，进行声纹信号预处理，包括对原始声纹信号进行清洗、去噪、滤波；

识别网络模型获得模块，所述识别网络模型获得模块用于构建箱式变压器的声纹样本库，训练获得识别网络模型；

声纹识别类别确定模块，所述声纹识别类别确定模块用于利用所述识别网络模型对经预处理的声纹信号进行识别，确定声纹识别类别，通过所述识别网络模型的卷积网络层，逐层获取声纹信号的特征，并通过所述识别网络模型的全连接层，将获取的特征与样本声纹类别进行匹配，确定当前声纹信号的声纹识别类别；

变压器状态声纹信号获取模块，所述变压器状态声纹信号获取模块用于根据所述声纹识别类别对所述声纹信号进行解耦，获得变压器状态声纹信号；

变压器状态识别模块，所述变压器状态识别模块用于基于所述变压器状态声纹信号通过云平台进行状态识别分析，当存在异常状态时，发送状态提醒信息；

所述变压器状态声纹信号获取模块还用于执行以下步骤：

根据所述声纹识别类别，确定声纹特征与识别类别对应关系；

根据所述声纹特征对所述声纹信号进行拆解分离，获得预分析声纹信号；

获取暂态地电压设备的局部放电信号特征；

利用所述局部放电信号特征对所述预分析声纹信号进行解耦，获得所述变压器状态声纹信号。