基于声纹的变压器运行状态监测方法及系统技术方案

本发明专利技术公开了一种基于声纹的变压器运行状态监测方法及系统，包括：S100，获取变压器的原始音频数据；S200，根据变压器采集的原始音频数据的音质，确定是否需要对采集原始音频数据的音质进行修正；S300，如需要，基于原始音频数据的最值进行修正，以获取有效的原始音频数据；通过设置第一、二预设值，对变压器采集的原始音频数据进行音质划分，以确保变压器能够采集有效的原始音频数据，以便于在进行后续的进一步分析过程中，能够大幅度筛选干扰项，减少分析过程的计算量。分析过程的计算量。分析过程的计算量。

【技术实现步骤摘要】
基于声纹的变压器运行状态监测方法及系统


[0001]本专利技术涉及电力设备
，具体涉及一种基于声纹的变压器运行状态监测方法及系统。

技术介绍

[0002]如今，电力需求不断提升，电能质量问题备受关注，电能的稳定供应关系着国民经济。大量实践表明，电力变压器(电抗器)出现严重事故前，往往都存在着潜伏性故障，电力变压器(电抗器)的主要故障是由于内部局部放电、局部过热、绕组变形、机械部件松动及设备绝缘的老化等潜伏性故障随时间积累引起的。一旦发生故障，给生活带来不便或者经济损失。如今，电力变压器(电抗器)保护方法主要是通过故障时的电压、电流等电气参量进行继电保护，而相关潜伏性故障由于普遍存在于内部而难以检测。
[0003]现有技术中，通过采集电压器的声响，并对声响进行声纹分析，从而能够判断出变压器的运行情况。但是大多是针对变压器采集的各种声响直接进行特征提取和进一步处理，运算量大，且庞大的数据集也会造成更多的误差。同时，对于使用过的样本数据，也没有很好的进一步利用，造成算力的资源浪费，不利于设备的可持续运算。

技术实现思路

[0004]为解决上述现有技术的中的不足，本专利技术的目的在于克服现有不足，提供一种基于声纹的变压器运行状态监测方法，包括：
[0005]获取变压器的原始音频数据；
[0006]根据所述变压器采集的原始音频数据的音质，确定是否需要对采集原始音频数据的音质进行修正；
[0007]如需要，基于所述原始音频数据的最值进行修正，以获取有效的原始音频数据。
>[0008]作为上述方案的进一步优化，基于所述原始音频数据的最值进行修正，包括：
[0009]判断所述原始音频数据的音质是否大于或等于第一预设值；
[0010]如果是，则确定需要对采集原始音频数据的音质进行修正；
[0011]如果否，则确定不需要对采集原始音频数据的音质进行修正。
[0012]作为上述方案的进一步优化，判断所述原始音频数据的音质是否小于或等于第二预设值；
[0013]如果是，则确定需要对采集原始音频数据的音质进行修正；
[0014]如果否，则确定不需要对采集原始音频数据的音质进行修正。
[0015]作为上述方案的进一步优化，所述方法还对原始音频数据故障分类，具体包括如下：
[0016]基于所述的原始音频数据获取变压器的目标音频数据；
[0017]若校检目标音频数据未超过设置的音频异常阈值，标记当前为正常音频；
[0018]若校检目标音频数据超过设置的音频异常阈值，标记当前为异常音频，保存至异
常样本库；
[0019]基于Zero
‑
shot Learning算法将校检确认过的异常音频与异常样本库对比：
[0020]若检测异常音频类型存在于异常样本库，划归至所述异常样本库的类别；
[0021]若检测异常音频类型不存在于异常样本库，划归为未知异常类别。
[0022]作为上述方案的进一步优化，基于Active Learning算法对所述的未知异常类别音频数据标记和分类，更新后的所述异常样本库为：
[0023]记录原始的异常样本库为SQL 1，记录任意的所述目标音频数据至划归为所述异常样本库的类别或未知异常类别的次数为n，异常样本库对应的目标音频数据为Data a1，Data a2，
…
Data a
x
，记录未知异常对应的目标音频数据为Data b1，Data b2，
…
Data b
y
，其中，n＝x+y；
[0024]第n次异常样本库为：
[0025]SQL n＝SQL 1+Data a1+Data a2+
…
Data a
x
+Data b1+
…
+Data b
y
ꢀꢀ
(1)
[0026]作为上述方案的进一步优化，所述目标音频数据基于变压器采集的原始音频转化的过程具体包括如下：
[0027]获取变压器环境的原始音频数据；
[0028]对采集的原始音频数据进行预加重处理，分帧和加窗，生成以帧为单位的多个预处理音频；
[0029]获取多个所述的预处理音频，基于快速傅里叶变换获取所述预处理音频对应的频谱信息；
[0030]将多个所述的频谱信息采用Mel滤波器组获取Mel频谱；
[0031]在Mel频谱上面进行倒谱分析，获得Mel频率倒谱系数MFCC。
[0032]作为上述方案的进一步优化，所述倒谱分析过程具体包括如下：
[0033]采集多个Mel频谱作对数运算；
[0034]通过离散余弦变换来实现逆变换；
[0035]选择离散余弦变换后的系数作为MFCC系数，生成目标音频数据。
[0036]作为上述方案的进一步优化，在获取多个MFCC系数后，所述音频异常阈值的生成包括如下：
[0037]基于Auto
‑
encoder算法压缩多个所述的MFCC系数，生成空间表征数并进行输出；
[0038]基于VAE算法，将多个所述的MFCC系数转换为统计分布参数
‑
均值和标准差；
[0039]基于Auto
‑
encoder算法输出的空间表征数及基于VAE算法生成的均值和标准差分布参数，构建电力设备声纹模型库；
[0040]基于MSELoss函数对构建的电力设备声纹模型库划定、生成变压器的正常声音的音频异常阈值。
[0041]作为上述方案的进一步优化，基于对变压器的异常样本库更新，所述音频异常阈值对应降低1％。
[0042]本专利技术还公开了一种基于声纹的变压器运行状态监测系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求书中任意一项所述基于声纹图像特征的变压器状态识别方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行权利要求书中任意一项所述基于声纹的变压器运行状态监测方法的计算机程序。
[0043]本专利技术采用上述的技术方案，与现有技术相比，一种基于声纹的变压器运行状态监测方法及系统，具有以下技术效果：
[0044]1.本专利技术通过设置第一、二预设值，对变压器采集的原始音频数据进行音质划分，以确保变压器能够采集有效的原始音频数据，以便于在进行后续的进一步分析过程中，能够大幅度筛选干扰项，减少分析过程的计算量。
[0045]2.本专利技术通过将未存储于异常样本库的其他异常标记出来，且将其作为更新后的异常样本库样本数据，实现目标音频数据的异常情况判断的正反馈，使得在进行解析过程中，不断扩充异常样本库的容量，有助于对目标音频数据的全面整合和归纳，增强容错性，最大化标记变压器采集的原始音频，从而进行变压器的运行状态监测，效果显著。
附图说明
[0046]通过阅读参照以下附图所作的对非限制性实施例所作的详细描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声纹的变压器运行状态监测方法，其特征在于，包括：获取变压器的原始音频数据；根据所述变压器采集的原始音频数据的音质，确定是否需要对采集原始音频数据的音质进行修正；如需要，基于所述原始音频数据的最值进行修正，以获取有效的原始音频数据。2.根据权利要求1所述的一种基于声纹的变压器运行状态监测方法，其特征在于，基于所述原始音频数据的最值进行修正，包括：判断所述原始音频数据的音质是否大于或等于第一预设值；如果是，则确定需要对采集原始音频数据的音质进行修正；如果否，则确定不需要对采集原始音频数据的音质进行修正。3.根据权利要求2所述的一种基于声纹的变压器运行状态监测方法，其特征在于，判断所述原始音频数据的音质是否小于或等于第二预设值；如果是，则确定需要对采集原始音频数据的音质进行修正；如果否，则确定不需要对采集原始音频数据的音质进行修正。4.根据权利要求1所述的一种基于声纹的变压器运行状态监测方法，其特征在于，所述方法还对原始音频数据故障分类，具体包括如下：基于所述的原始音频数据获取变压器的目标音频数据；若校检目标音频数据未超过设置的音频异常阈值，标记当前为正常音频；若校检目标音频数据超过设置的音频异常阈值，标记当前为异常音频，保存至异常样本库；基于Zero
‑
shot Learning算法将校检确认过的异常音频与异常样本库对比：若检测异常音频类型存在于异常样本库，划归至所述异常样本库的类别；若检测异常音频类型不存在于异常样本库，划归为未知异常类别。5.根据权利要求4所述的一种基于声纹的变压器运行状态监测方法，其特征在于，基于Active Learning算法对所述的未知异常类别音频数据标记和分类，更新后的所述异常样本库为：记录原始的异常样本库为SQL 1，记录任意的所述目标音频数据至划归为所述异常样本库的类别或未知异常类别的次数为n，异常样本库对应的目标音频数据为Data a1，Data a2，
…
Data a
x
，记录未知异常对应的目标音频数据为Data b1，Data b2，
…
Data b
y
，其中，n＝x+y；第n次异常样本库为：SQL n＝SQL 1+Da...

【专利技术属性】
技术研发人员：孙飞，何安明，范叶平，吴立刚，王维佳，王康，廖逍，卢大玮，白景坡，孔伟伟，卞军胜，汪春燕，汪舒，刘传宝，马广阔，鲍振铎，桑培帅，张勇，
申请(专利权)人：国网信息通信产业集团有限公司，
类型：发明
国别省市：