一种变压器声纹信号故障诊断方法及系统技术方案

本发明专利技术提供了一种变压器声纹信号故障诊断方法及系统，该方法包括：获取变压器声纹信号；基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型并进行变压器故障诊断。本发明专利技术提供的故障诊断方法，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。断的稳定性和稳定性。断的稳定性和稳定性。

【技术实现步骤摘要】
一种变压器声纹信号故障诊断方法及系统


[0001]本专利技术涉及变压器故障诊断
，尤其是涉及一种变压器声纹信号故障诊断方法及系统。

技术介绍

[0002]变压器负责电网中电能的传输和分配，维护变压器稳定运行对电网意义重大。当变压器出现事故时，往往会引发重大灾难。电力变压器需要长期在高负荷的条件下运行，根据故障产生部位可分为油故障、绕组故障、铁芯故障、油枕故障等。有在所有故障类型中，变压器绕组变形故障算是较为严重的一种。绕组轻微变形的积累会造成严重的变形，可能会损坏变压器内部结构，造成变压器强迫停运，从而导致大范围停电和负荷损失。当变压器绕组发生变形时，会影响其振动声纹信号，因此根据绕组振动时产生的声纹信号可以判断变压器绕组的机械状态。
[0003]近年来，国内外出现了很多变压器声纹信号的故障诊断方法。如K均值法和频率响应法分析绕组机械缺陷。随着机器学习和神经网络的发展，支持向量机(Support Vector Machine，SVM)和人工神经网络(Artificial Neural Network，ANN)也被应用于变压器故障诊断。然而，现有方法虽然均取得了不错的效果，但是仍存在部分不足。如使用K均值算法的K值难以确定，容易陷入局部最优解；频率响应分析法必须在停机后检查绕组，有一定局限性；SVM方法对于大规模训练样本和多分类问题的解决存在困难；ANN的训练速度较慢，参数多带来了庞大的计算量。

技术实现思路

[0004]本专利技术旨在提供一种变压器声纹信号故障诊断方法及系统，以解决上述技术问题，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
[0005]为了解决上述技术问题，本专利技术提供了一种变压器声纹信号故障诊断方法，包括以下步骤：
[0006]获取变压器声纹信号；
[0007]基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；
[0008]使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
[0009]基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
[0010]基于故障诊断模型进行变压器故障诊断。
[0011]上述方案中，使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征
参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
[0012]进一步地，所述基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征，具体为：
[0013]基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
[0014]基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
[0015]计算不同频段的分解信号的总能量，获取能量谱特征；
[0016]基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
[0017]进一步地，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：
[0018]对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；
[0019]将频谱特征输入梅尔滤波器组，获取梅尔频谱；
[0020]对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。
[0021]进一步地，所述使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：
[0022]采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；
[0023]从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；
[0024]将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。
[0025]进一步地，所述基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：
[0026]基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；
[0027]计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；
[0028]根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；
[0029]重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；
[0030]基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。
[0031]本专利技术还提出了一种变压器声纹信号故障诊断系统，用于实现一种变压器声纹信号故障诊断方法，其包括信号获取模块、特征提取模块、特征融合模块、模型构建模块和故障诊断模块；其中：
[0032]所述信号获取模块用于获取变压器声纹信号；
[0033]所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征；
[0034]所述特征融合模块用于使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；
[0035]所述模型构建模块用于基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；
[0036]所述故障诊断模块用于基于故障诊断模型进行变压器故障诊断。
[0037]上述方案提供的系统，其构建简单，实现方便。该系统使用小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征参数提取，结合加权核主元分析法进行特征参数选择，并结合鹈鹕优化算法对故障诊断模型进行参数优化，提高变压器故障诊断的稳定性和稳定性。
[0038]进一步地，所述特征提取模块用于基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，获取能量谱特征和倒谱特征，具体为：
[0039]基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；
[0040]基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；
[0041]计算不同频段的分解信号的总能量，获取能量谱特征；
[0042]基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。
[0043]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器声纹信号故障诊断方法，其特征在于，包括以下步骤：获取变压器声纹信号；基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征；使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征；基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型；基于故障诊断模型进行变压器故障诊断。2.根据权利要求1所述的一种变压器声纹信号故障诊断方法，其特征在于，所述基于小波包能量谱分解和梅尔倒谱系数对变压器声纹信号进行特征提取，得到能量谱特征和倒谱特征，具体为：基于小波包能量谱分解对变压器声纹信号进行若干层小波包分解，提取多个频率分量的信号特征；基于频率分量的信号特征重构小波包分解系数，以获取不同频段的分解信号；计算不同频段的分解信号的总能量，获取能量谱特征；基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征。3.根据权利要求2所述的一种变压器声纹信号故障诊断方法，其特征在于，所述基于梅尔倒谱系数对变压器声纹信号进行特征提取，获取倒谱特征，具体为：对变压器声纹信号进行预加重、分帧和加窗处理，对每个窗使用快速傅里叶变换，获取变压器声纹信号的频谱特征；将频谱特征输入梅尔滤波器组，获取梅尔频谱；对梅尔频谱进行倒谱分析，得到梅尔倒谱系数作为倒谱特征。4.根据权利要求3所述的一种变压器声纹信号故障诊断方法，其特征在于，所述使用加权核主元分析法将能量谱特征和倒谱特征进行特征融合，获取声纹信号融合特征，具体为：采用0～1之间不同权重因子，在不同权重下对能量谱特征和倒谱特征进行加权核主元分析，分别获取两种特征的主元累计贡献率并进行降序排列，得到两个特征参数队列；从两个特征参数队列中确定第一目标特征参数和第二目标特征参数，将第一目标特征参数和第二目标特征参数作为变压器声纹信号的特征；将第一目标特征参数和第二目标特征参数进行拼接融合，获取声纹信号融合特征。5.根据权利要求1～4任一项所述的一种变压器声纹信号故障诊断方法，其特征在于，所述基于声纹信号融合特征，使用鹈鹕优化算法对预设卷积神经网络进行卷积核参数寻优，获取最优卷积核参数以构建故障诊断模型，具体为：基于预设的卷积神经网络确定鹈鹕个体数并对鹈鹕种群进行初始化，确定鹈鹕种群大小；计算每次迭代中每个鹈鹕个体的适应度值并根据适应度值对鹈鹕个体排序，选择适应度最高的鹈鹕个体作为全局最优解；根据全局最优解和其它鹈鹕个体的位置及速度，更新每个鹈鹕个体的位置和速度；重复执行基于每个鹈鹕个体的位置和速度确认新的全局最优解，并基于新的全局最优
解更新每个鹈鹕个体的位置和速度，直到满足预设条件，获取最优卷积核参数；基于声纹信号融合特征及最优卷积核参数构建并训练卷积神经网络，获取故障诊断模型。6.一种变压器声纹信号故障诊断系统，其特征在于，包括信号获取模块、特征提取模块、特征融合模块、模型构建模块和故障诊...

【专利技术属性】
技术研发人员：蔡玲珑，杨贤，马志钦，周丹，林春耀，饶章权，孙文星，廖梓豪，姜烁，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：