CN116774109A - 基于声纹检测信息的变压器故障识别*** - Google Patents
基于声纹检测信息的变压器故障识别*** Download PDFInfo
- Publication number
- CN116774109A CN116774109A CN202310761725.1A CN202310761725A CN116774109A CN 116774109 A CN116774109 A CN 116774109A CN 202310761725 A CN202310761725 A CN 202310761725A CN 116774109 A CN116774109 A CN 116774109A
- Authority
- CN
- China
- Prior art keywords
- fault
- voiceprint
- module
- transformer
- sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000004804 winding Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及电故障测试装置技术领域,尤其涉及一种基于声纹检测信息的变压器故障识别***,包括用以预测故障信息的故障预测模块,用以采集变压器的声纹数据的声纹拾取模块,用以分配声纹拾取模块的采集分配模块,用以存储故障声纹样本的故障样本库,用以识别变压器的故障类型和故障程度的声纹识别模块,以及中控模块,用于对故障样本库进行压缩以及对故障声纹样本的比对优先级进行判定,根据预测故障信息控制采集分配模块对声纹拾取模块进行调节,在多个变压器同时发生故障时执行故障溯源策略,通过故障预测和声纹检测的结合,提高了故障识别时效性和精准度。
Description
技术领域
本发明涉及电故障测试装置技术领域,尤其涉及一种基于声纹检测信息的变压器故障识别***。
背景技术
变压器是电网中重要的电力设备之一,其故障可能会导致电力***的故障,对电网的安全稳定运行带来严重影响。
近年来,通过声纹对变压器故障识别的技术因相对于传统技术对变压器的干扰较小而被广泛应用,中国专利授权公告号:CN111537919B公开了一种基于声纹特征的变压器故障诊断方法,包括:设定待检测诊断的变压器内包括N个绕组,将3N个加速度传感器以每个绕组布设对应3个加速度传感器以二维等距分布的方式附着在变压器设备外壳;采集声纹电信号,通过布设的多个加速度传感器阵列对变压器设备外壳输出的时域声纹信号进行采集,并通过模数转换获得时域声纹数据,根据变压器振动频率区间,采用大于变压器振动频率区间频率最大值的采样频率设定的周期进行采样;对采集的时域声纹数据进行分析来诊断变压器是否产生故障。
但上述方法存在因数据量和计算繁多导致故障识别反应时效性差的问题,结合配电网预测对变压器故障进行分状态识别能够有效避免这一问题,配电网预测能够对变压器的故障进行预测,中国专利授权公告号:CN111537919B公开了一种天气敏感型区域配电网扰动事件预测方法,包括利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值。
由此可见,现有技术存在因数据量和计算繁多导致故障处理错过最佳处理时间的问题。
发明内容
为此,本发明提供一种基于声纹检测信息的变压器故障识别***,用以克服现有技术因数据量和计算繁多导致故障处理错过最佳处理时间,从而导致故障识别时效性差的问题。
为实现上述目的,本发明提供一种基于声纹检测信息的变压器故障识别***,包括:
故障预测模块,用以获取变压器当前的故障相关特征并根据故障相关特征预测未来预设周期内变压器的预测故障信息;
声纹拾取模块,用以采集变压器的声纹数据,包括若干贴片式声纹采集器和若干立杆式声纹采集器;
采集分配模块,其与所述声纹拾取模块连接,用以分配所述声纹拾取模块的布设位置和/或调整声纹拾取模块的工作模式;
故障样本库,用以存储若干标记有变压器的故障类型和对应的触发特征的故障声纹样本;
声纹识别模块,其分别与所述声纹拾取模块和所述故障样本库连接,用以将声纹拾取模块采集的声纹数据与故障声纹样本比对以识别变压器的故障类型和故障程度;
中控模块,其分别与所述故障预测模块、所述采集分配模块、所述故障样本库和所述声纹识别模块连接,用以根据所述故障相关特征和触发特征计算重合度并根据重合度对故障样本库进行压缩以及对各故障声纹样本的比对优先级进行判定,根据所述预测故障信息控制采集分配模块对声纹拾取模块的布设位置和/或对声纹拾取模块的工作模式进行调节,并在多个变压器同时发生故障时执行故障溯源策略;
其中,所述预测故障信息包括若干高风险位置、高风险位置对应的故障类型以及对应的故障发生概率;
所述故障相关特征的特征类别包括气候、老化程度、压力载荷和电力负载中的至少三项;
所述触发特征的特征类别与故障相关特征的特征类别相同且设有单个特征类别的特征阈值。
进一步地,所述中控模块获取变压器当前的故障相关特征,并根据故障相关特征对所述故障样本库执行样本压缩策略;
所述样本压缩策略为所述中控模块将所述故障相关特征与所述触发特征进行比对,提取与故障相关特征重合度大于预设重合度阈值的若干触发特征对应的故障声纹样本,同时提取低特征影响的故障声纹样本,中控模块在未来预设周期内以提取的故障声纹样本作为故障样本子库;
所述预设周期和预设重合度阈值与变压器所处配电网的故障频率有关,所述低特征影响的故障声纹样本满足故障声纹样本对应的故障类型不受故障相关特征影响或受故障相关特征影响程度低于预设影响程度。
进一步地,所述中控模块在计算单个特征类别对应的重合度时,重合度C通过式(1)计算;
其中,j为特征类别数量,Ksi为触发特征中第i个特征类别的特征相似度,αi为第i个特征类别的权重转换系数,i=1,2,…,j,j>2且j为正整数;
所述特征相似度为所述故障相关特征与所述触发特征中单个特征类别的相似程度,特征相似度根据故障相关特征中单个特征类别对应的量化参数与触发通特征中对应的特征阈值的差值确定。
进一步地,所述中控模块根据所述重合度判定单个故障声纹样本的比对优先级;
所述中控模块计算单个故障声纹信息的重合度与所述预设重合度阈值的差值根据差值确定比对优先级,在未来预设周期内声纹分析模块按比对优先级由高到低的顺序将所述故障样本子库中的故障声纹样本与所述声纹拾取模块采集的声纹信息进行比对以识别变压器的故障类型;
所述比对优先级与所述差值负相关。
进一步地,若在所述未来预设周期内,单个发生故障的声纹信息与所述故障样本子库中的所有故障声纹样本均不匹配,所述中控模块执行样本补充策略;
且所述声纹识别模块在发现与各故障声纹样本不同的发生故障的声纹信息存入所述故障样本库中并标记故障类别和触发特征;
所述样本补充策略为将声纹信息和除故障样本子库的其余故障声纹样本进行比对。
进一步地,所述中控模块在所述未来预设周期内,根据所述预测故障信息绘制故障分布图,根据故障分布图控制所述采集分配模块分配所述声纹拾取模块的布设位置;
具体为将故障分布图分为若干区间,分析单个区间内的高风险位置数量,若单个区间内的高风险位置数量大于数量阈值且平均故障概率大于故障概率阈值,在该区间以预设布设密度布设若干贴片式声纹采集器;
若为其余判定结果,在该区间布设立杆式声纹采集器。
进一步地,若经未来预设周期后,若干互相连接的变压器均发生同类型故障,所述中控模块执行故障溯源策略;
所述故障溯源策略为,在若干变压器的若干故障分布图中标记对应故障位置和故障程度,分析故障程度的线性变化趋势及变化趋势对应方向以确定故障源头变压器位置或故障源头线缆。
进一步地,若所述故障预测模块预测未来预设周期内变压器达到低风险状态,所述中控模块控制所述采集分配模块将所述声纹拾取模块的采集频率降低和/或将所述贴片式声纹采集器的布设密度降低;
所述低风险状态为平均重合度低于重合度阈值、无所述高风险位置或故障概率低于最低故障概率。
进一步地,所述中控模块根据所述未来预设周期内变压器的故障次数对下一周期的时长进行调节;
所述时长与所述故障次数负相关。
进一步地,所述故障样本库由历史故障信息获取,所述声纹识别模块的工作原理为利用声纹信号处理技术提取声纹信息的特征参数并将特征参数输入到识别模型,以获得最相似的故障声纹样本,根据故障声纹样本得出故障类型和故障程度;
所述声纹处理技术包括小波变换和/或时频分析;
所述历史故障信息为现有已获取的各变压器历史故障信息。
与现有技术相比,本发明的有益效果在于,本发明通过故障预测和声纹检测的结合,对故障样本库进行压缩,压缩后的数据量相较于之前有效减少,且根据单个故障声纹样本的重合度,对声纹识别模块的比对优先级进行调节,对于与当前故障特征重合度高的故障声纹样本进行优先比对,相比现有技术能提早识别故障声纹,避免了因数据量和计算繁多导致故障处理错过最佳处理时间。在有效提高了故障识别的时效性的同时,有效提升了故障识别的精准度。
进一步地,声纹拾取模块采用贴片式声纹采集器和若干立杆式声纹采集器结合的方式,根据高风险位置对声纹采集器进行分配提高了识别精准度和针对性,进一步提升了故障识别的精准度。
进一步地,在所述未来预设周期内,单个发生故障的声纹信息与所述故障样本子库中的所有故障声纹样本均不匹配,所述中控模块执行样本补充策略,样本补充策略能够有效避免压缩失误导致声纹识别模块工作异常,在有效提高了故障识别的时效性的同时,进一步提升了故障识别的精准度。
进一步地,本发明故障分布图能够直观体现出预测的故障分布情况,方便对声纹拾取模块布设位置进行调整,进一步提升了故障识别的精准度。
进一步地,本发明中控模块在多个变压器均发生同类型故障时执行故障溯源策略,通过故障溯源策略能有效对故障源头进行分析,进一步提升了故障识别的精准度。
进一步地,本发明在低风险状态时降低声音拾取模块的采集频率和/或贴片式声纹采集器布设密度,减少了***能耗,提高了使用寿命,从而进一步提升了故障识别精准度。
附图说明
图1为本发明基于声纹检测信息的变压器故障识别***的结构示意图;
图2为本发明实施例的故障分布简图;
图3为本发明实施例的故障溯源示意图;
图中:1,高风险位置;2,第一区间;3,第二区间;4,第三区间;5,第四区间;6,第一故障点;7,第二故障点;8,第三故障点;9,第四故障点;10,第二故障点最大故障影响区。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1,其为本发明基于声纹检测信息的变压器故障识别***的结构框图,基于声纹检测信息的变压器故障识别***,包括:
故障预测模块,用以获取变压器当前的故障相关特征并根据故障相关特征预测未来预设周期内变压器的预测故障信息;
声纹拾取模块,用以采集变压器的声纹数据,包括若干贴片式声纹采集器和若干立杆式声纹采集器;
采集分配模块,其与声纹拾取模块连接,用以分配声纹拾取模块的布设位置和/或调整声纹拾取模块的工作模式;
故障样本库,用以存储若干标记有变压器的故障类型和对应的触发特征的故障声纹样本;
声纹识别模块,其分别与声纹拾取模块和故障样本库连接,用以将声纹拾取模块采集的声纹数据与故障声纹样本比对以识别变压器的故障类型和故障程度;
中控模块,其分别与故障预测模块、采集分配模块、故障样本库和声纹识别模块连接,用以根据故障相关特征和触发特征计算重合度并根据重合度对故障样本库进行压缩以及对各故障声纹样本的比对优先级进行判定,根据预测故障信息控制采集分配模块对声纹拾取模块的布设位置和/或对声纹拾取模块的工作模式进行调节,并在多个变压器同时发生故障时执行故障溯源策略;
本发明通过故障预测和声纹检测的结合,对故障样本库进行压缩,压缩后的数据量相较于之前有效减少,且根据单个故障声纹样本的重合度,对声纹识别模块的比对优先级进行调节,对于与当前故障特征重合度高的故障声纹样本进行优先比对,相比现有技术能提早识别故障声纹,避免了因数据量和计算繁多导致故障处理错过最佳处理时间。在有效提高了故障识别的时效性的同时,有效提升了故障识别的精准度。
声纹拾取模块采用贴片式声纹采集器和若干立杆式声纹采集器结合的方式,根据高风险位置对声纹采集器进行分配提高了识别精准度和针对性,进一步提升了故障识别的精准度。
其中,预测故障信息包括若干高风险位置、高风险位置对应的故障类型以及对应的故障发生概率;
故障相关特征的特征类别包括气候、老化程度、压力载荷和电力负载中的至少三项;
触发特征的特征类别与故障相关特征的特征类别相同且设有单个特征类别的特征阈值。
具体而言,中控模块获取变压器当前的故障相关特征,并根据故障相关特征对故障样本库执行样本压缩策略;
样本压缩策略为中控模块将故障相关特征与触发特征进行比对,提取与故障相关特征重合度大于预设重合度阈值的若干触发特征对应的故障声纹样本,同时提取低特征影响的故障声纹样本,中控模块在未来预设周期内以提取的故障声纹样本作为故障样本子库;
预设周期和预设重合度阈值与变压器所处配电网的故障频率有关,低特征影响的故障声纹样本满足故障声纹样本对应的故障类型不受故障相关特征影响或受故障相关特征影响程度低于预设影响程度。
具体而言,中控模块在计算单个特征类别对应的重合度时,重合度C通过式(1)计算;
其中,j为特征类别数量,Ksi为触发特征中第i个特征类别的特征相似度,αi为第i个特征类别的权重转换系数,i=1,2,…,j,j>2且j为正整数;
特征相似度为故障相关特征与触发特征中单个特征类别的相似程度,特征相似度根据故障相关特征中单个特征类别对应的量化参数与触发通特征中对应的特征阈值的差值确定。
例1:故障预测模块获取某10kVA空心变压器的故障相关特征包括温度30℃,老化程度25.6%,电力负载8.2KVA,中控模块根据故障相关特征的历史影响设定温度权重转换系数0.02,老化程度权重转换系数2,电力负载权重转换系数0.25,温度特征阈值40℃,老化程度特征阈值30%,电力负载特征阈值9.8kVA,对于故障类型为变压器过载,对应故障样本库中的第1001号故障声纹样本,中控模块根据上述信息计算该故障声纹样本的重合度:
C=(40-30)×0.02+(30%-20%)×2+(9.8-8.2)×0.25=0.8;
中控模块将其与预设重合度阈值0.6进行比对,将第1001号故障声纹样本提取至故障特征子库中。
具体而言,中控模块根据重合度判定单个故障声纹样本的比对优先级;
中控模块计算单个故障声纹信息的重合度与预设重合度阈值的差值根据差值确定比对优先级,在未来预设周期内声纹分析模块按比对优先级由高到低的顺序将故障样本子库中的故障声纹样本与声纹拾取模块采集的声纹信息进行比对以识别变压器的故障类型;
比对优先级与差值负相关。
例2:某故障特征子库包含的故障声纹样本的重合度与预设重合度的差值分别为0.01,0.2,0.3,0.05,声纹分析模块将故障样本子库中的故障声纹样本与声纹拾取模块采集的声纹信息进行比对时,先比对差值为0.01的故障声纹样本,然后依次比对差值为0.05、0.2、0.3的故障声纹样本。
具体而言,若在未来预设周期内,单个发生故障的声纹信息与故障样本子库中的所有故障声纹样本均不匹配,中控模块执行样本补充策略;
且声纹识别模块在发现与各故障声纹样本不同的发生故障的声纹信息存入故障样本库中并标记故障类别和触发特征;
样本补充策略为将声纹信息和除故障样本子库的其余故障声纹样本进行比对。
样本补充策略能够有效避免压缩失误导致声纹识别模块工作异常,在有效提高了故障识别的时效性的同时,进一步提升了故障识别的精准度。
具体而言,中控模块在未来预设周期内,根据预测故障信息绘制故障分布图,根据故障分布图控制采集分配模块分配声纹拾取模块的布设位置;
具体为将故障分布图分为若干区间,分析单个区间内的高风险位置数量,若单个区间内的高风险位置数量大于数量阈值且平均故障概率大于故障概率阈值,在该区间以预设布设密度布设若干贴片式声纹采集器;
若为其余判定结果,在该区间布设立杆式声纹采集器。
可以理解的是,贴片式声纹采集器贴在变压器上,立杆式声纹采集器单独布置在变压器附近且不与变压器接触,将立杆式变压器的接收区与对应区间重合以采集声纹信息。
请参阅图2,其为本发明实施例故障分布简图,可选的,中控模块将单个变压器按元器件分布分为第一区间2、第二区间3、第三区间4和第四区间5;第四区间包含一个高风险位置1,第一区间2的主要元器件为第一绕组和油箱,第一区间3的主要元器件为第二绕组和变压器接地端子,第三区间4的主要元器件为第三绕组,第四区间5的主要元器件为变压器的大部分套管和接线端子。
例3:第一区间包含5个高风险位置且5个高风险位置的平均故障概率为0.3,第二区间包含高风险位置4个且5个高风险位置的平均故障概率为0.1,第二区间包含高风险位置5个且5个高风险位置的平均故障概率为0.5,第四区间无高风险位置,中控模块根据变压器在用电高峰期的负载和重要性设定数量阈值为4,平均故障概率阈值为0.4,此时,中控模块判定第三区间满足高风险位置数量大于数量阈值且平均故障概率大于故障概率阈值在该区间以长30cm宽10cm的矩阵四点布设若干贴片式声纹采集器,在其与对应区间共同布设一个立杆式声纹传感器。
故障分布图能够直观体现出预测的故障分布情况,方便对声纹拾取模块布设位置进行调整,进一步提升了故障识别的精准度。
具体而言,若经未来预设周期后,若干互相连接的变压器均发生同类型故障,中控模块执行故障溯源策略;
故障溯源策略为,在若干变压器的若干故障分布图中标记对应故障位置和故障程度,分析故障程度的线性变化趋势及变化趋势对应方向以确定故障源头变压器位置或故障源头线缆。
请参阅图3所示,其为本发明实施例的故障溯源示意图,中控模块检测到第二故障点7的故障程度为60%,获取第二故障点7的第二故障点最大故障影响区10内的所有故障分布图,得知第一故障点6的故障程度为20,第三故障点8的故障程度为80,第四故障点9的故障程度为10%,则判定第三故障点为故障源头变压器位置;
可以理解的是故障程度根据故障类别对应的单个故障声纹样本的时频域特征与标准特征的差异计算。
中控模块在多个变压器均发生同类型故障时执行故障溯源策略,通过故障溯源策略能有效对故障源头进行分析,进一步提升了故障识别的精准度。
具体而言,若故障预测模块预测未来预设周期内变压器达到低风险状态,中控模块控制采集分配模块将声纹拾取模块的采集频率降低和/或将贴片式声纹采集器的布设密度降低;
低风险状态为平均重合度低于重合度阈值、无高风险位置或故障概率低于最低故障概率。
例4:本实施例的故障概率最低故障概率确定时,选取100台不同型号的变压器,中控模块选取受相关特征影响最明显的若干变压器,并将其作为高影响变压器集,将预测的不同故障概率对应的实际故障程度作为随机变量,其概率分布可以用某种已知的分布函数来表示,如正态分布或泊松分布等,则随机变量服从概率密度函数,进而可以根据概率密度函数构建正态分布曲线,确定正态分布曲线的95%置信区间,并使用该置信区间确定故障概率低于最低故障概率时,变压器处于故障程度处于最低水平。此时变压器处于低风险状态。
在低风险状态时降低声音拾取模块的采集频率和/或贴片式声纹采集器布设密度,减少了***能耗,提高了使用寿命,从而进一步提升了故障识别精准度。
具体而言,中控模块根据未来预设周期内变压器的故障次数对下一周期的时长进行调节;
时长与故障次数负相关。
具体而言,故障样本库由历史故障信息获取,声纹识别模块的工作原理为利用声纹信号处理技术提取声纹信息的特征参数并将特征参数输入到识别模型,以获得最相似的故障声纹样本,根据故障声纹样本得出故障类型和故障程度;
声纹处理技术包括小波变换和/或时频分析;
可以理解的是,小波变换是一种时频分析方法,它能够将信号分解成各个不同的频率和时间分量,从而更好地描述信号的局部特征。小波变换利用不同频率的小波基函数对信号进行分解,得到不同频率和时间分量的系数。常用的小波基函数有哈尔小波、Daubechies小波、Symlet小波、Coiflet小波等。小波变换的优点是能够提供精细的时频分辨率,适用于对非平稳信号的分析。
时频分析是指在时间和频率上同时对信号进行分析的方法。时频分析方法包括短时傅里叶变换(Short-Time Fourier Transform,STFT)、连续小波变换(ContinuousWavelet Transform,CWT)、希尔伯特-黄变换(Hilbert-Huang Transform,HHT)等。
历史故障信息为现有已获取的各变压器历史故障信息或单个变压器过去20个预设周期内的历史故障信息,预设周期时间总和小于变压器服役时长。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种基于声纹检测信息的变压器故障识别***,其特征在于,包括:
故障预测模块,用以获取变压器当前的故障相关特征并根据故障相关特征预测未来预设周期内变压器的预测故障信息;
声纹拾取模块,用以采集变压器的声纹数据,包括若干贴片式声纹采集器和若干立杆式声纹采集器;
采集分配模块,其与所述声纹拾取模块连接,用以分配所述声纹拾取模块的布设位置和/或调整声纹拾取模块的工作模式;
故障样本库,用以存储若干标记有变压器的故障类型和对应的触发特征的故障声纹样本;
声纹识别模块,其分别与所述声纹拾取模块和所述故障样本库连接,用以将声纹拾取模块采集的声纹数据与故障声纹样本比对以识别变压器的故障类型和故障程度;
中控模块,其分别与所述故障预测模块、所述采集分配模块、所述故障样本库和所述声纹识别模块连接,用以根据所述故障相关特征和触发特征计算重合度,并根据重合度对故障样本库进行压缩,以及对各故障声纹样本的比对优先级进行判定,根据所述预测故障信息控制采集分配模块对声纹拾取模块的布设位置和/或对声纹拾取模块的工作模式进行调节,并在多个变压器同时发生故障时执行故障溯源策略;
其中,所述预测故障信息包括若干高风险位置、高风险位置对应的故障类型以及对应的故障发生概率,所述故障相关特征的特征类别包括气候、老化程度、压力载荷和电力负载中的至少三项;
所述触发特征的特征类别与故障相关特征的特征类别相同且设有单个特征类别的特征阈值。
2.根据权利要求1所述的基于声纹检测信息的变压器故障识别***,其特征在于,所述中控模块获取变压器当前的故障相关特征,并根据故障相关特征对所述故障样本库执行样本压缩策略;
所述样本压缩策略为所述中控模块将所述故障相关特征与所述触发特征进行比对,提取与故障相关特征重合度大于预设重合度阈值的若干触发特征对应的故障声纹样本,同时提取低特征影响的故障声纹样本,中控模块在未来预设周期内以提取的故障声纹样本作为故障样本子库;
所述预设周期和预设重合度阈值与变压器所处配电网的故障频率有关,所述低特征影响的故障声纹样本满足故障声纹样本对应的故障类型不受故障相关特征影响或受故障相关特征影响程度低于预设影响程度。
3.根据权利要求2所述的基于声纹检测信息的变压器故障识别***,其特征在于,所述中控模块在计算单个特征类别对应的重合度时,重合度C由式(1)确定;
其中,j为特征类别数量,Ksi为触发特征中第i个特征类别的特征相似度,αi为第i个特征类别的权重转换系数,i=1,2,…,j,j>2且j为正整数;
所述特征相似度为所述故障相关特征与所述触发特征中单个特征类别的相似程度,特征相似度根据故障相关特征中单个特征类别对应的量化参数与触发通特征中对应的特征阈值的差值确定。
4.根据权利要求3所述的基于声纹检测信息的变压器故障识别***,其特征在于,所述中控模块根据所述重合度判定单个故障声纹样本的比对优先级;
所述中控模块计算单个故障声纹信息的重合度与所述预设重合度阈值的差值根据差值确定比对优先级,在未来预设周期内声纹分析模块按比对优先级由高到低的顺序将所述故障样本子库中的故障声纹样本与所述声纹拾取模块采集的声纹信息进行比对以识别变压器的故障类型;
所述比对优先级与所述差值负相关。
5.权利要求4所述的基于声纹检测信息的变压器故障识别***,其特征在于,若在所述未来预设周期内,单个发生故障的声纹信息与所述故障样本子库中的所有故障声纹样本均不匹配,所述中控模块执行样本补充策略;
且所述声纹识别模块在发现与各故障声纹样本不同的发生故障的声纹信息存入所述故障样本库中并标记故障类别和触发特征;
所述样本补充策略为将声纹信息和除故障样本子库的其余故障声纹样本进行比对。
6.根据权利要求5所述的基于声纹检测信息的变压器故障识别***,其特征在于,所述中控模块在所述未来预设周期内,根据所述预测故障信息绘制故障分布图,根据故障分布图控制所述采集分配模块分配所述声纹拾取模块的布设位置;
具体为将故障分布图分为若干区间,分析单个区间内的高风险位置数量,若单个区间内的高风险位置数量大于数量阈值且平均故障概率大于故障概率阈值,在该区间以预设布设密度布设若干贴片式声纹采集器;
若为其余判定结果,在该区间布设立杆式声纹采集器。
7.根据权利要求6所述的基于声纹检测信息的变压器故障识别***,其特征在于,若经未来预设周期后,若干互相连接的变压器均发生同类型故障,所述中控模块执行故障溯源策略;
所述故障溯源策略为,在若干变压器的若干故障分布图中标记对应故障位置和故障程度,分析故障程度的线性变化趋势及变化趋势对应方向以确定故障源头变压器位置或故障源头线缆。
8.根据权利要求1所述的基于声纹检测信息的变压器故障识别***,其特征在于,若所述故障预测模块预测未来预设周期内变压器达到低风险状态,所述中控模块控制所述采集分配模块将所述声纹拾取模块的采集频率降低和/或将所述贴片式声纹采集器的布设密度降低;
所述低风险状态为平均重合度低于重合度阈值、无所述高风险位置或故障概率低于最低故障概率。
9.根据权利要求1所述的基于声纹检测信息的变压器故障识别***,其特征在于,所述中控模块根据所述未来预设周期内变压器的故障次数对下一周期的时长进行调节;
所述时长与所述故障次数负相关。
10.根据权利要求1所述的基于声纹检测信息的变压器故障识别***,其特征在于,所述故障样本库由历史故障信息获取,所述声纹识别模块的工作原理为利用声纹信号处理技术提取声纹信息的特征参数并将特征参数输入到识别模型,以获得最相似的故障声纹样本,根据故障声纹样本得出故障类型和故障程度;
所述声纹处理技术包括小波变换和/或时频分析;
所述历史故障信息为现有已获取的各变压器历史故障信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310761725.1A CN116774109B (zh) | 2023-06-26 | 2023-06-26 | 基于声纹检测信息的变压器故障识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310761725.1A CN116774109B (zh) | 2023-06-26 | 2023-06-26 | 基于声纹检测信息的变压器故障识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116774109A true CN116774109A (zh) | 2023-09-19 |
CN116774109B CN116774109B (zh) | 2024-01-30 |
Family
ID=87985592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310761725.1A Active CN116774109B (zh) | 2023-06-26 | 2023-06-26 | 基于声纹检测信息的变压器故障识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774109B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1686673A1 (en) * | 2005-01-27 | 2006-08-02 | Hojgaard Sound IS | Acoustic detection of power network failures |
US20060184264A1 (en) * | 2005-02-16 | 2006-08-17 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
KR20080030185A (ko) * | 2006-09-29 | 2008-04-04 | 주식회사 비츠로시스 | 변압기 초음파 진단장치 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN107977626A (zh) * | 2017-11-30 | 2018-05-01 | 厦门理工学院 | 一种电子设备工作数据的分组方法 |
CN110399854A (zh) * | 2019-07-31 | 2019-11-01 | 中南大学 | 基于混合特征提取的滚动轴承故障分类方法 |
CN113344134A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种低压配电监控终端数据采集异常检测方法及*** |
CN113468760A (zh) * | 2021-07-21 | 2021-10-01 | 中南大学 | 基于字典学习的电机微弱故障检测方法及*** |
CN114187132A (zh) * | 2020-09-14 | 2022-03-15 | 国网甘肃省电力公司 | 一种变电站监控信息特征选择方法、存储介质和设备 |
CN111537919B (zh) * | 2020-05-14 | 2022-04-15 | 莫毓昌 | 一种基于声纹特征的变压器故障诊断方法 |
CN114495983A (zh) * | 2022-02-21 | 2022-05-13 | 安徽南瑞继远电网技术有限公司 | 一种基于云边协同的设备故障声纹监测*** |
KR20220150696A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 고장 예측 시스템 |
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 |
CN115618205A (zh) * | 2022-10-28 | 2023-01-17 | 广东电网有限责任公司广州供电局 | 一种便携式声纹故障检测***及方法 |
CN115931354A (zh) * | 2022-10-20 | 2023-04-07 | 国网江西省电力有限公司超高压分公司 | 基于多级决策融合的阀冷***主循环泵轴承故障识别方法 |
CN115932659A (zh) * | 2022-12-09 | 2023-04-07 | 浙江工业大学 | 一种基于声纹特征的变压器故障检测方法 |
-
2023
- 2023-06-26 CN CN202310761725.1A patent/CN116774109B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1686673A1 (en) * | 2005-01-27 | 2006-08-02 | Hojgaard Sound IS | Acoustic detection of power network failures |
US20060184264A1 (en) * | 2005-02-16 | 2006-08-17 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
KR20080030185A (ko) * | 2006-09-29 | 2008-04-04 | 주식회사 비츠로시스 | 변압기 초음파 진단장치 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN107977626A (zh) * | 2017-11-30 | 2018-05-01 | 厦门理工学院 | 一种电子设备工作数据的分组方法 |
CN110399854A (zh) * | 2019-07-31 | 2019-11-01 | 中南大学 | 基于混合特征提取的滚动轴承故障分类方法 |
CN111537919B (zh) * | 2020-05-14 | 2022-04-15 | 莫毓昌 | 一种基于声纹特征的变压器故障诊断方法 |
CN114187132A (zh) * | 2020-09-14 | 2022-03-15 | 国网甘肃省电力公司 | 一种变电站监控信息特征选择方法、存储介质和设备 |
KR20220150696A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 고장 예측 시스템 |
CN113344134A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种低压配电监控终端数据采集异常检测方法及*** |
CN113468760A (zh) * | 2021-07-21 | 2021-10-01 | 中南大学 | 基于字典学习的电机微弱故障检测方法及*** |
CN114495983A (zh) * | 2022-02-21 | 2022-05-13 | 安徽南瑞继远电网技术有限公司 | 一种基于云边协同的设备故障声纹监测*** |
CN115931354A (zh) * | 2022-10-20 | 2023-04-07 | 国网江西省电力有限公司超高压分公司 | 基于多级决策融合的阀冷***主循环泵轴承故障识别方法 |
CN115618205A (zh) * | 2022-10-28 | 2023-01-17 | 广东电网有限责任公司广州供电局 | 一种便携式声纹故障检测***及方法 |
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 |
CN115932659A (zh) * | 2022-12-09 | 2023-04-07 | 浙江工业大学 | 一种基于声纹特征的变压器故障检测方法 |
Non-Patent Citations (3)
Title |
---|
YU ZHANGTING,等: "Transformer Fault Diagnosis Technique Based on Voiceprint and Vibration", 《 HIGH VOLTAGE APPARATUS》, vol. 55, no. 11 * |
李勇,等: "220kV自耦变压器声纹测试分析", 《电气自动化》, vol. 45, no. 2 * |
陈李扬,等: "基于压缩感知的电力变压器声纹信号特征提取", 《信息与电脑(理论版)》, no. 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN116774109B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033612B (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测*** | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
KR102564407B1 (ko) | 전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법 및 시스템, 및 이 진단 시스템을 포함하는 전기화학 시스템 | |
CN107270970A (zh) | 高耸电力设备振动监测装置及其进行故障诊断的方法 | |
CN110728257A (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
CN112986870A (zh) | 基于振动法的分布式电力变压器绕组状态监测方法及*** | |
CN115327363B (zh) | 一种高压断路器机械特性带电监测及状态识别方法 | |
CN115201627B (zh) | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 | |
CN109765441A (zh) | 智能绝缘子故障判断方法 | |
CN116774109B (zh) | 基于声纹检测信息的变压器故障识别*** | |
CN117368616B (zh) | 一种智能化的配电网接地故障监测方法及*** | |
CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测*** | |
CN109406923A (zh) | 一种列车供电***接地漏电故障预测方法及装置 | |
CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及*** | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
KR101575204B1 (ko) | 부분 방전 진단 장치 및 그 방법 | |
CN113362856A (zh) | 一种应用于电力物联网的声音故障检测方法以及装置 | |
CN113311348A (zh) | 一种基于小波分解和包络谱分析的电池故障识别方法 | |
CN112611987A (zh) | 一种基于物联网技术的变压器声纹振动监测***及方法 | |
CN107544008B (zh) | 车载igbt状态监测方法及装置 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN116131214A (zh) | 数字化消谐装置的网络管理***及使用方法 |
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 |