CN112201260A - 一种基于声纹识别的变压器运行状态在线检测方法 - Google Patents

Abstract

本发明提供一种基于声纹识别的变压器运行状态在线检测方法，属于变压器故障检测技术领域。所述方法包括：S101，对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量；S102，对特征向量中的各特征值进行融合得到综合评价指标及各特征值的权重；S103，若综合评价指标服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线；S104，对于未知运行状态的变压器，根据得到的各特征值的权重，计算其对应的综合评价指标，若计算得到的综合评价指标连续多次超出报警线，则判定该未知运行状态的变压器出现异常。采用本发明，能够提高异常运行变压器的检出率，降低了误检率，且不需要大量故障样本。

Description

一种基于声纹识别的变压器运行状态在线检测方法

技术领域

本发明涉及变压器故障检测技术领域，特别涉及是指一种基于声纹识别的变压器运行状态在线检测方法。

背景技术

近年来，随着特高压骨干网架的快速发展，“强直若交”电网结构给电网安全稳定运行带来巨大压力。特高压部分设备技术复杂度高，尚处于质量不稳定期，一旦发生故障，将会对生产生活造成非常大的影响。传统的检测方法主要包括：油色谱检测法、超声检测法、振动检测法等；其中，

油色谱检测法通过检测油中气体组分含量来判断故障类型以及严重程度，由于从故障发生到油中气体组分发生变化具有一定的时间，因此该方法不具有及时性；

超声检测法目前主要用来检测和定位局部放电故障，仅对局部放电故障有较好的识别能力，对其他故障模式的检出能力有限；

振动检测法通过紧贴在变压器表面的传感器来提取变压器振动信号，该方法作为一种接触式的检测手段，传感器安装的位置和数量，直接影响着对变压器运行状态的检测效果。

综上所述，由于传统检测方法存在检测不全面、使用不方便等局限性，需要采用一种新的检测手段来实现变压器运行状态的在线检测。

变压器运行过程中会产生不同频率的声纹信号并通过空气介质向外辐射，主要包括变压器本体结构的声纹信号、冷却装置工作的声纹信号以及有载调压分接开关工作时产生的声纹信号等。这些声纹信号中，占主要地位的变压器本体声纹信号具有十分明显的频谱特征，即在正常运行时以100Hz波形为基频，并混有高次谐波分量。由冷却***工作引起的声纹信号的频率一般集中在100Hz以内的低频区间。而有载调压分接开关工作时产生的声纹信号一般为高频成分。因此，变压器声纹信号中包含能够反应变压器运行状态的重要信息，通过分析其在不同运行状态下的声声纹特征，可以有效地检测出变压器故障。声纹信号可以通过声学传感器采集，声学传感器是一种非接触式的传感器，相较于振动加速度传感器更加灵活，无需接触变压器本体即可完成声纹信号的采集。

现有的特征提取方法主要有提取特征频率、峭度、均值等信号的时频域特征、采用小波分解或者小波包分解的方法提取能量特征、提取梅尔频率倒谱系数(Mel-FrequencyCepstral Coefficients，MFCCs)特征向量等，这些方法能够有效的提取出变压器振声信号的有效信息，但是特征值的数量和选择是一个难点。提取的特征值过多，则会降低***的灵敏度，导致故障检出率较低；提取的特征值过少，则无法全面的掌握振声信号的信号特征，导致***的稳定性较差，虚警率过高。另一方面，在特征识别时，现有研究和专利所采用的方法主要包括矢量量化(VQ)、隐马尔可夫模型(HMM)、支持向量机(SVM)、专家分析***、相关性分析等，这些方法最大的问题是：必须要有大量的故障样本作为前提，才能构建合理的分类模型，但是变压器的故障样本往往较少，在不平衡数据集的情况下，如何进行有效的故障识别，是亟待解决的核心关键问题。

发明内容

本发明实施例提供了基于声纹识别的变压器运行状态在线检测方法，通过权重分析，能够提高异常运行变压器的检出率，降低了误检率，且不需要大量故障样本，只需要训练变压器正常运行时的声纹信号样本即可，因此该方法对所有的异常状态(或故障类型)均有效，大大提高了适用范围。所述技术方案如下：

一方面，提供了一种基于声纹识别的变压器运行状态在线检测方法，该方法包括：

S101，对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量；

S102，对特征向量中的各特征值进行融合得到综合评价指标及各特征值的权重；

S103，判断得到的综合评价指标是否服从正态分布，若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线；

S104，对于未知运行状态的变压器，根据得到的各特征值的权重，计算其对应的综合评价指标，若计算得到的综合评价指标连续多次超出报警线，则判定该未知运行状态的变压器出现异常。

进一步地，所述对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量包括：

对采集的变压器正常运行时的声纹信号以预设时间间隔为一帧进行分帧处理，并求取每一帧声纹信号的均值、方差、峰值、峰峰值、均方根值、歪度指标、峭度指标、裕度指标、脉冲指标、峰值指标、通频值、频谱能量和主频共13个特征值构成特征向量。

进一步地，所述对特征向量中的各特征值进行融合得到综合评价指标及各特征值的权重包括：

A1，对分帧处理后得到的m帧声纹信号所组成的m×n维数据矩阵进行归一化处理，其中，n表示特征向量中特征值的数目；

A2，确定归一化处理后数据矩阵中第j个特征值的信息熵值e_j，并根据得到的信息熵值e_j确定第j个特征值的信息效用值d_j；

A3，根据得到的信息效用值d_j，确定第j个特征值的权重W_j；

A4，根据得到的所有特征值的权重，确定综合评价指标。

进一步地，归一化处理的表达式为：

其中，x_ij为归一化处理前第i帧声纹信号的第j个特征值，y_ij为归一化处理后的第i帧声纹信号的第j个特征值，x_{j min}、x_{j max}分别表示数据矩阵中第j个特征值的最小值、最大值。

进一步地，信息熵值e_j表示为：

其中，

表示y_ij占归一化处理后m帧声纹信号第j个特征值之和的比重，y_ij为归一化处理后的第i帧声纹信号的第j个特征值。

进一步地，信息效用值d_j表示为：

d_j＝1-e_j。

进一步地，权重W_j表示为：

进一步地，所述若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线包括：

若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线。

进一步地，所述方法还包括：

若不服从正态分布，则对综合评价指标进行正态转换，利用统计学中的3σ准则对正态转换后的综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明实施例中，通过权重分析，能够凸显出更为重要的特征值，使其占有更高的比重，从而有助于提高异常运行变压器的检出率，降低了误检率；且利用统计学中的3σ准则对综合评价指标求取报警线，这样，不需要大量故障样本，只需要训练变压器正常运行时的声纹信号样本即可，因此该方法对所有的异常状态(或故障类型)均有效，大大提高了适用范围。

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地介绍，显而易见地，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为本发明实施例提供的基于声纹识别的变压器运行状态在线检测方法的流程示意图；

图2为本发明实施例提供的基于声纹识别的变压器运行状态在线检测***的结构示意图；

图3为本发明实施例提供的基于声纹识别的变压器运行状态在线检测方法的训练及测试流程示意图；

图4为本发明实施例提供的某变电站220kV室外变压器报警线示意图；

图5为本发明实施例提供的模拟铁芯松动故障检测结果示意图；

图6为本发明实施例提供的模拟绕组变形故障检测结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例提供了一种基于声纹识别的变压器运行状态在线检测方法，该方法包括：

S101，对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量；

S102，对特征向量中的各特征值进行融合得到综合评价指标及各特征值的权重；

S103，判断得到的综合评价指标是否服从正态分布，若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线；

S104，对于未知运行状态的变压器，根据得到的各特征值的权重，计算其对应的综合评价指标，若计算得到的综合评价指标连续多次超出报警线，则判定该未知运行状态的变压器出现异常。

本发明实施例所述的基于声纹识别的变压器运行状态在线检测方法，通过权重分析，能够凸显出更为重要的特征值，使其占有更高的比重，从而有助于提高异常运行变压器的检出率，降低了误检率；且利用统计学中的3σ准则对综合评价指标求取报警线，这样，不需要大量故障样本，只需要训练变压器正常运行时的声纹信号样本即可，因此该方法对所有的异常状态(或故障类型)均有效，大大提高了适用范围。

本发明实施例提供的基于声纹识别的变压器运行状态在线检测方法由图2所示的基于声纹识别的变压器运行状态在线检测***实现，所述***由多个声学传感器、多通道数据采集卡和计算机组成，其中，计算机中设有labview编程的数据存储及分析模块，用于执行S101-S104。

本实施例中，声学传感器的型号可以为GRAS 40PP CCP Free-field QCMicrophone，用于采集变压器的声纹信号，从而实现以非接触地方式对变压器的运行状态进行实时有效的检测；数据采集卡的采样频率为51.2kHz，精度为24位。所述声学传感器分别布置在变压器的四周，连接到数据采集卡的输入端，使用多通道同步采集。所述数据采集卡的输出端连接到计算机的网口端进行数据的显示、存储与分析。

在前述基于声纹识别的变压器运行状态在线检测方法的具体实施方式中，进一步地，所述对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量包括：

对采集的变压器正常运行时的声纹信号以预设时间间隔(例如，1s)为一帧进行分帧处理，并求取每一帧声纹信号的均值、方差、峰值、峰峰值、均方根值、歪度指标、峭度指标、裕度指标、脉冲指标、峰值指标、通频值、频谱能量和主频共13个特征值构成特征向量。

本实施例中，S101-S103执行的是图3中的训练过程，先采集大量变压器正常运行时的声纹信号作为训练样本，接着，将训练样本构成的训练集数据以1s为一帧进行分帧处理，得到上述13个特征值构成的特征向量，这样，可以在不丢失频谱特征的情况下缩短分帧间隔，增大数据量，获取更丰富的声纹信息。假设共采集了m秒的变压器声纹信号，则共有m帧声纹信号，每帧分别计算上述的13个特征值，由此可以得到m×n的数据矩阵，其中，n表示特征向量中特征值的数目，n＝13。

本实施例中，不同特征值的重要性是不同的，这意味着不同特征值对评价变压器运行状态的贡献值是不同的，所以需要对不同特征值的重要性进行评价，而评价标准可以用权重来衡量，权重越大，表明该特征值对评价变压器运行状态的贡献值越大，反之，则越小。本申请中，可以利用熵权法对特征向量中的各特征值(即：13个特征值)进行分析，得到13个特征值的权重，最后根据得到的各特征值的权重，将所有特征值融合为一个综合评价指标(MVF)，具体可以包括以下步骤：

A1，对分帧处理后得到的m帧声纹信号所组成的m×n维数据矩阵进行归一化处理，其中，n表示特征向量中特征值的数目；

本实施例中，归一化处理的表达式为：

其中，x_ij为归一化处理前第i帧声纹信号的第j个特征值，y_ij为归一化处理后的第i帧声纹信号的第j个特征值，x_{j min}、x_{j max}分别表示数据矩阵中第j个特征值的最小值、最大值，i的最大值为m，j的最大值为13。

A2，确定归一化处理后数据矩阵中第j个特征值的信息熵值e_j，并根据得到的信息熵值e_j确定第j个特征值的信息效用值d_j；

本实施例中，信息熵值e_j表示为：

其中，

表示y_ij占归一化处理后m帧声纹信号第j个特征值之和的比重，y_ij为归一化处理后的第i帧声纹信号的第j个特征值。

本实施例中，信息效用值d_j表示为：

d_j＝1-e_j。

A3，根据得到的信息效用值d_j，确定第j个特征值的权重W_j；

本实施例中，权重W_j表示为：

从权重W_j的表达式可以看出，权重W_j的累加和为1。

A4，根据得到的所有特征值的权重，确定综合评价指标(MVF)，其中，MVF表示为：

在前述基于声纹识别的变压器运行状态在线检测方法的具体实施方式中，进一步地，所述若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线包括：

若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线。

本实施例中，可以利用K-S检验的方法判断得到的综合评价指标(MVF)是否服从正态分布，若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线；

若不服从正态分布，则对综合评价指标进行正态转换，利用统计学中的3σ准则对正态转换后的综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线。

按照上述方法得到的某变电站220kV室外变压器报警线如图4所示，其中，可以根据变压器的负荷图判定高、低负荷。

本实施例中，通过S101-S103，已经针对变压器正常运行状态建立了报警线。对于未知运行状态的变压器，执行如图3中的测试过程：采集未知运行状态的变压器的声纹信号作为测试样本，将测试样本构成的测试集数据以1s为一帧进行分帧处理，求取测试集数据的13个特征值，然后按照训练集的权重将13个特征值融合为1个综合评价指标，若计算得到的综合评价指标多次超出一级报警线，则进入观察状态，若连续多次超出二次报警线，则判定该未知运行状态的变压器出现异常。

为了验证本发明实施例提供的基于声纹识别的变压器运行状态在线检测方法及***的有效性，将其应用到铁芯松动故障检测和绕组变形故障检测上，模拟得到的铁芯松动故障检测结果如图5所示，模拟得到的绕组变形故障检测结果如图6所示。

综上，本发明实施例提供的基于声纹识别的变压器运行状态在线检测方法及***具有以下有效效果：

1)本发明提供的检测方法具有实时性，能够在变压器出现异常时及时反馈异常信息，避免额外的损失和重大灾难事故；

2)本发明提供的检测方法可以在不接触变压器本体的情况下对变压器的运行状态进行实时有效的检测，在一定程度上可以替代人工巡检，在提高工作效率的同时，减少了人为失误；

3)本发明提供的检测方法通过权重分析，能够凸显出更为重要的特征值，使其占有更高的比重，从而提高了异常运行变压器的检出率，降低了误检率，并提高了***的稳定性；

4)本发明提供的基于3σ准则的检测方法不需要大量故障样本，只需要训练变压器正常运行时的声纹信号样本即可，因此该方法对所有的异常状态(或故障类型)均有效，大大提高了方法的适用范围。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)

1.一种基于声纹识别的变压器运行状态在线检测方法，其特征在于，包括：

S101，对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量；

S102，对特征向量中的各特征值进行融合得到综合评价指标及各特征值的权重；

S103，判断得到的综合评价指标是否服从正态分布，若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线；

S104，对于未知运行状态的变压器，根据得到的各特征值的权重，计算其对应的综合评价指标，若计算得到的综合评价指标连续多次超出报警线，则判定该未知运行状态的变压器出现异常。

2.根据权利要求1所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，所述对采集的变压器正常运行时的声纹信号进行分帧处理，并求取每一帧声纹信号的特征向量包括：

对采集的变压器正常运行时的声纹信号以预设时间间隔为一帧进行分帧处理，并求取每一帧声纹信号的均值、方差、峰值、峰峰值、均方根值、歪度指标、峭度指标、裕度指标、脉冲指标、峰值指标、通频值、频谱能量和主频共13个特征值构成特征向量。

3.根据权利要求2所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，所述对特征向量中的各特征值进行融合得到综合评价指标及各特征值的权重包括：

A1，对分帧处理后得到的m帧声纹信号所组成的m×n维数据矩阵进行归一化处理，其中，n表示特征向量中特征值的数目；

A2，确定归一化处理后数据矩阵中第j个特征值的信息熵值e_j，并根据得到的信息熵值e_j确定第j个特征值的信息效用值d_j；

A3，根据得到的信息效用值d_j，确定第j个特征值的权重W_j；

A4，根据得到的所有特征值的权重，确定综合评价指标。

4.根据权利要求3所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，归一化处理的表达式为：

其中，x_ij为归一化处理前第i帧声纹信号的第j个特征值，y_ij为归一化处理后的第i帧声纹信号的第j个特征值，x_jmin、x_jmax分别表示数据矩阵中第j个特征值的最小值、最大值。

5.根据权利要求3所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，信息熵值e_j表示为：

其中，

表示y_ij占归一化处理后m帧声纹信号第j个特征值之和的比重，y_ij为归一化处理后的第i帧声纹信号的第j个特征值。

6.根据权利要求5所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，信息效用值d_j表示为：

d_j＝1-e_j。

7.根据权利要求6所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，权重W_j表示为：

8.根据权利要求1所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，所述若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取报警线包括：

若服从正态分布，则利用统计学中的3σ准则对综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线。

9.根据权利要求8所述的基于声纹识别的变压器运行状态在线检测方法，其特征在于，所述方法还包括：

若不服从正态分布，则对综合评价指标进行正态转换，利用统计学中的3σ准则对正态转换后的综合评价指标求取2σ、3σ值，并将2σ、3σ值分别作为一级报警线和二级报警线。

Images