一种变电站设备异常声源定位方法及系统技术方案

本发明专利技术公开了一种变电站设备异常声源定位方法，其包括步骤：(1)采集变电站声音信号样本Y＝[y

【技术实现步骤摘要】
一种变电站设备异常声源定位方法及系统
本专利技术涉及一种定位方法及系统，尤其涉及一种对变电站定位的方法及系统。
技术介绍
众所周知，变电站电力设备的声音信号中具有十分丰富的运行状态信息，在现有技术中，通过利用声学监测技术，可以提供电力设备运行时的声音信息，进而判断设备运行状态。这是现有技术中经常采用的电力设备运行状态的监测和评估方法。在现有技术中，常用的声源定向方法，如多重信号分类(MUSIC)方法在低信噪比环境下定位精度较低，采用这种MUSIC方法在变电站环境中对异常声源进行定位的效果较差，难以达到满意的效果。相应地，极大似然估计方法(maximumlikelihoodestimation,MLE)虽然有较高的定向精度，且计算量比现有技术中的MUSIC方法低。但是采用这种极大似然估计(MLE)方法对异常声源进行定位时，仍需谱峰搜索，搜索步长越小，计算量越大。基于此，针对现有技术中存在的缺陷与不足，本专利技术期望获得一种变电站设备异常声源定位方法及系统，该变电站设备异常声源定位方法及系统通过引入变异思想的改进粒子群优化方法(mutantparticleswarmoptimization,MPSO)，可以有效解决采用极大似然估计(MLE)方法时计算量较大的问题，进而快速且准确地对变电站设备异常声源进行定位，其定位准确率高且适用性十分广泛，具有良好的推广前景和应用价值。
技术实现思路
本专利技术的目的之一在于提供一种变电站设备异常声源定位方法，该变电站设备异常声源定位方法通过引入变异思想的改进粒子群算法(MPSO)方法，可以有效解决采用极大似然估计(MLE)方法时计算量较大的问题，进而快速且准确地对变电站设备异常声源进行定位，其定位准确率高且适用性十分广泛，具有良好的推广前景和应用价值。基于上述目的，本专利技术提出了一种变电站设备异常声源定位方法，其包括步骤：(1)采集变电站声音信号样本Y＝[y1,y2,…,yn]；(2)建立变电站声音信号样本的似然函数；(3)采用改进的粒子群算法求取变电站声音信号样本的似然函数的最大值，并基于该最大值获得与该最大值所对应的方向角D的估计值，以对变电站设备异常声源进行定位。进一步地，在本专利技术所述的变电站设备异常声源定位方法中，对于声音信号样本Y＝[y1,y2,…,yn]，所述变电站声音信号样本的似然函数被构造为：其中，θ表示声音信号的俯仰角，表示声音信号的方位角，σ2表示噪声信号的方差，tr(·)表示矩阵的迹；R表示声音信号的协方差矩阵，yi(t)表示声音信号，为声音信号的方向向量，为方向向量展成空间的投影算子，n表示声音信号样本中声音信号的数量，yiH(t)表示声音信号yi(t)矩阵的共轭转置。进一步地，在本专利技术所述的变电站设备异常声源定位方法中，在步骤(3)中，根据下述公式获得声音信号方向角D的估计值：进一步地，在本专利技术所述的变电站设备异常声源定位方法中，所述步骤(3)中采用改进的粒子群算法求取变电站声音信号样本的似然函数的最大值包括步骤：将所述似然函数作为粒子群算法的适应度函数，以计算适应度函数的值；其中设粒子群算法的搜索空间为分别表征声音信号的俯仰角θ和声音信号的方位角的2维空间，粒子群算法内的粒子对应不同的俯仰角θ和方位角基于下述粒子的速度和位置计算式搜索粒子个体最优解和群体最优解：vid(t+1)＝ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))xid(t+1)＝xid(t)+vid(t+1)其中，t表示当前搜索次数，xid表示第i个粒子的第d维的位置，vid表示第i个粒子的第d维速度，d＝1,2；i＝1,2,……,m；m表示粒子群内粒子的个数；c1和c2为加速度常数，分别为认知参数和社会参数；r1和r2表示区间[0,1]上的随机数；pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解；ω为随机权重；基于粒子个体最优解和群体最优解，不断更新粒子速度和粒子位置，每次最优粒子位置更新后，将粒子个体最优位置赋予1个随机信任度值P，当随机信任度值P小于变异信任度阈值时，实施变异，计算新粒子个体位置的适应度函数值，若其优于变异操作前的位置，则用变异后的粒子个体位置代替之前的粒子个体位置，否则粒子个体位置不变。进一步地，在本专利技术所述的变电站设备异常声源定位方法中，随机权重ω的表达式为：在该式中，N(0,1)是服从正态分布的随机数；μmax和μmin分别为惯性权重μ的最大值和最小值；σ为随机权重方差；r是0～1之间均匀分布的随机数。进一步地，在本专利技术所述的变电站设备异常声源定位方法中，采用布谷鸟算法实施变异。相应地，本专利技术的另一目的在于提供一种变电站设备异常声源定位系统，通过该系统可以在低信噪比环境(例如变电站现场环境下)对变电站设备异常声源进行准确定位。基于上述目的，本专利技术还提出了一种变电站设备异常声源定位系统，其包括：声音传感器阵列，其采集变电站声音信号样本；处理和定位模块，其执行下述步骤：(1)基于变电站声音信号样本Y＝[y1,y2,…,yn]建立变电站声音信号样本的似然函数；(2)采用改进的粒子群算法求取变电站声音信号样本的似然函数的最大值，并基于该最大值获得与该最大值所对应的方向角D的估计值，以对变电站设备异常声源进行定位。进一步地，在本专利技术所述的变电站设备异常声源定位系统中，对于声音信号样本Y＝[y1,y2,…,yn]，所述变电站声音信号样本的似然函数被构造为：其中，θ表示声音信号的俯仰角，表示声音信号的方位角，σ2表示噪声信号的方差，tr(·)表示矩阵的迹；R表示声音信号的协方差矩阵，yi(t)表示声音信号，为声音信号的方向向量，为方向向量展成空间的投影算子，n表示声音信号样本中声音信号的数量，yiH(t)表示声音信号yi(t)矩阵的共轭转置。进一步地，在本专利技术所述的变电站设备异常声源定位系统中，在步骤(2)中，根据下述公式获得声音信号方向角D的估计值：进一步地，在本专利技术所述的变电站设备异常声源定位系统中，所述步骤(2)中采用改进的粒子群算法求取变电站声音信号样本的似然函数的最大值包括步骤：将所述似然函数作为粒子群算法的适应度函数，以计算适应度函数的值；其中设粒子群算法的搜索空间为分别表征声音信号的俯仰角θ和声音信号的方位角的2维空间，粒子群算法内的粒子对应不同的俯仰角θ和方位角基于下述粒子的速度和位置计算式搜索粒子个体最优解和群体最优解：vid(t+1)＝ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))xid(t+1)＝xid(t)+vid(t+1)其中，t表示当前搜索次数，xid表示第i个粒子的第d维的位置，vid表示第i个粒子的第d维速度，d＝1,2本文档来自技高网...

【技术保护点】
1.一种变电站设备异常声源定位方法，其特征在于，包括步骤：/n(1)采集变电站声音信号样本Y＝[y

【技术特征摘要】
1.一种变电站设备异常声源定位方法，其特征在于，包括步骤：
(1)采集变电站声音信号样本Y＝[y1,y2,…,yn]；
(2)建立变电站声音信号样本的似然函数：
(3)采用改进的粒子群算法求取变电站声音信号样本的似然函数的最大值，并基于该最大值获得与该最大值所对应的方向角D的估计值，以对变电站设备异常声源进行定位。


2.如权利要求1所述的变电站设备异常声源定位方法，其特征在于，对于声音信号样本Y＝[y1,y2,…,yn]，所述变电站声音信号样本的似然函数被构造为：






其中，θ表示声音信号的俯仰角，表示声音信号的方位角，σ2表示噪声信号的方差，tr(·)表示矩阵的迹；R表示声音信号的协方差矩阵，yi(t)表示声音信号，为声音信号的方向向量，为方向向量展成空间的投影算子，n表示声音信号样本中声音信号的数量，yiH(t)表示声音信号yi(t)矩阵的共轭转置。


3.如权利要求2所述的变电站设备异常声源定位方法，其特征在于，在步骤(3)中，根据下述公式获得声音信号方向角D的估计值：





4.如权利要求1-3中任意一项所述的变电站设备异常声源定位方法，其特征在于，所述步骤(3)中采用改进的粒子群算法求取变电站声音信号样本的似然函数的最大值包括步骤：
将所述似然函数作为粒子群算法的适应度函数，以计算适应度函数的值；其中设粒子群算法的搜索空间为分别表征声音信号的俯仰角θ和声音信号的方位角的2维空间，粒子群算法内的粒子对应不同的俯仰角θ和方位角
基于下述粒子的速度和位置计算式搜索粒子个体最优解和群体最优解：
vid(t+1)＝ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))
xid(t+1)＝xid(t)+vid(t+1)
其中，t表示当前搜索次数，xid表示第i个粒子的第d维的位置，vid表示第i个粒子的第d维速度，d＝1,2；i＝1,2,……,m；m表示粒子群内粒子的个数；c1和c2为加速度常数，分别为认知参数和社会参数；r1和r2表示区间[0,1]上的随机数；pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解；ω为随机权重；
基于粒子个体最优解和群体最优解，不断更新粒子速度和粒子位置，每次最优粒子位置更新后，将粒子个体最优位置赋予1个随机信任度值P，当随机信任度值P小于变异信任度阈值时，实施变异，计算新粒子个体位置的适应度函数值，若其优于变异操作前的位置，则用变异后的粒子个体位置代替之前的粒子个体位置，否则粒子个体位置不变。


5.如权利要求4所述的变电站设备异常声源定位方法，其特征在于，随机权重ω的表达式为：



在该式中，N(0,1)是服从正态分布的随机数；μmax和μmin分别为惯性权重μ的最大值和最小值；σ为随机...

【专利技术属性】
技术研发人员：张瑶，罗林根，盛戈皞，王辉，宋辉，钱勇，江秀臣，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31