【技术实现步骤摘要】
一种电力变压器声纹信号故障无监督检测方法
[0001]本专利技术涉及电力变压器故障检测
,更具体的说是涉及一种电力变压器声纹信号故障无监督检测方法
。
技术介绍
[0002]随电力变压器是电力系统中的重要设备之一,广泛应用于电力传输和配电系统中,起着变换电压
、
调节电压
、
隔离电力线路以及保护电力设备的作用
。
然而,由于长期运行和各种外界因素的影响,电力变压器存在着故障的风险,而这些故障可能会导致设备无法正常工作甚至造成事故,严重影响电力系统的稳定运行
。
[0003]目前,传统的电力变压器故障检测方法主要依靠人工巡检和定期的仪器检测,这种方法需要耗费大量的人力和物力,并且不能实时监测设备的状态,无法进行真正意义上的故障预警
。
另外,由于电力变压器内部存在复杂的电磁场和热场等环境,故障信号往往被掩盖在背景噪声中,使得故障的检测变得更加困难
。
声纹信号是电力变压器故障检测的重要指标之一,可以通过分析声学特征来判断设备是否存在异常
。
声纹信号是指在电力变压器运行时产生的声音信号,由于故障导致的设备振动或内部电弧等原因,会产生特定频率和幅值的声音
。
因此,通过对变压器声纹信号进行分析,可以准确地识别故障类型和位置,实现对设备的故障诊断和状态监测
。
[0004]关于电力变压器声纹信号故障检测的研究主要集中在两个方向:特征提取和故障识别
。 >特征提取是指通过对声纹信号进行数学处理和分析,提取出能够表示声音特征的参数或特征
。
常用的特征包括频域特征
(
如能量
、
幅度谱等
)、
时域特征
(
如时长
、
过零率等
)
和小波变换特征等
。
而故障识别则是利用机器学习
、
深度学习等方法,将提取的特征与故障模式进行匹配,识别出异常信号,从而实现故障的自动检测
。
然而,目前的故障诊断方法往往需要大量的手动标记样本来进行监督学习,这限制了其在实际应用中的灵活性和可扩展性
。
[0005]目前的变压器声纹信号故障诊断的主流技术有基于机器学习和深度学习的方法,基于聚类的
K
最近邻算法
(K
‑
means)、
主成分分析
(PCA)
算法
、
随机森林
(RF)、
支持向量机
(SVM)
等机器学习方法被应用在故障诊断中,但这些方法往往依赖于特征提取效果的好坏,在使用这些方法进行分类诊断之前,需要进行特征提取,而手动提取峰峰值
、
方差
、
频谱等特征的方法并不能很好的适用所有的场景,并且人为提取的方式较复杂繁琐,有一些学者提出傅里叶变换或者小波变换的方式进行特征提取,然而这些方法需要针对不同的场景人为设定不同的适用的小波基函数等参数,泛化能力较弱
。
当信号存在噪声的时候,机器学习方法方法并不能很好的学习数据分布特点,对带噪信号的非线性拟合效果较差,以至于在测试集中效果不佳
。
深度学习越来越多的应用在解决复杂的非线性拟合的问题上,对于变压器故障分类,有人提出神经网络的方法,对已有数据集进行学习,检测未知样本并分类出故障信号,但由于实际情况中,声纹信号我们并不能提前获取,所以很多基于先验数据进行有监督学习的神经网络方法并不具有泛化性
。
长短期记忆神经网络
(LSTM)
作为循环神经网
络的一种变种,具有可以更好处理长序列具有依赖的问题,同时可以对变压器中异常的长序列进行检测,但由于本身结构的复杂性和训练中循环的特点,硬件化较困难,本专利技术采用改进后的
LSTM
网络进行序列预测,可以更好的解决应用难的问题
。
[0006]因此,提出一种电力变压器声纹信号故障无监督检测方法,来解决现有技术存在的困难,是本领域技术人员亟需解决的问题
。
技术实现思路
[0007]有鉴于此,本专利技术提供了一种电力变压器声纹信号故障无监督检测方法,用于解决现有技术中存在的技术问题
。
[0008]为了实现上述目的,本专利技术提供如下技术方案:
[0009]一种电力变压器声纹信号故障无监督检测方法,包括以下步骤:
[0010]S1、
利用传感器采集每一个电力变压器声纹信号,通过与传感器连接的读取电路将基于时序的声纹信号进行提取和收集,并组成样本集
S
;
[0011]S2、
定义一个窗口,使用窗口对样本集
S
中的每一个序列样本进行滑动切片处理,得到切片后的样本集
S
’
;
[0012]S3、
对切片后的样本集
S
’
采用密度峰值算法,得到一个序列作为密度中心;
[0013]S4、
以
S3
得到的序列作为中心点,使用基于
K
近邻聚类方法,找到中心点最近的
K
个邻居,邻居和中心点共同组成训练样本集
X
;
[0014]S5、
构建由自动编码器网络
AEN
和门控循环单元
GRU
以及全连接神经网络
NN
组成的
AE
‑
GRUNN
模型,将训练样本集
X
作为自动编码器网络的输入和输出进行训练,得到训练后的自动编码器,将编码器部分提取出来,输出低维稀疏表示序列样本集
X
’
,即提取出自动编码器网络的瓶颈层向量;
[0015]S6、
将低维稀疏表示序列样本集
X
’
作为门控循环单元
GRU
以及全连接神经网络
NN
组成的
GRUNN
模型的输入和目标输出,对构建的
GRUNN
模型进行训练,得到训练后的
GRUNN
模型;
[0016]S7、
将低维稀疏表示序列样本集
X
’
输入
GRUNN
模型中并输出预测序列;
[0017]S8、
通过预测序列和
GRUNN
模型的目标输出计算异常分数
scr
值,得到待测样本中所有样本的异常分数集
A
;
[0018]S9、
使用3‑
sigma
法则排除异常分数集
A
中的异常点,2‑4个周期提取出新的待测声纹信号,重复
S5
‑
S6
本文档来自技高网...
【技术保护点】
【技术特征摘要】
其中,
d
ij
为欧式距离,
S_t
i
为切片后得到的序列中第
i
个序列,长度为
win
,
S_t
j
为切片后得到的序列中第
j
个序列,长度为
win
;
S33、
计算每一个序列的局部密度:计算每一个序列的局部密度:其中,截断距离
d
c
为截断距离,作为超参数
d
c
的值取
ρ
i
,i
=
1,2,...,N
的平均值为
0.2*N
时的值,范围为
0.1
~
0.8
,
d
ij
为欧式距离,
ρ
i
为局部密度,
χ
为判断函数;
S34、
统计局部密度,取局部密度最大的序列样本作为密度中心,密度中心序列为
S_t
po
:
po
=
arg max ρ
i
其中,
po
为局部密度最大的序列的序号,
arg max ρ
i
是当
ρ
i
取最大值时,
i
的取值,
max(
ρ
i
)
为局部密度最大值
。5.
根据权利要求1所述的一种电力变压器声纹信号故障无监督检测方法,其特征在于,
S5
具体为:自动编码器网络的输入层神经元数量为训练样本集
X
中序列的长度
win
,隐层的神经元数量范围为
...
【专利技术属性】
技术研发人员:冶海平,彭家琦,方保民,芈书亮,蒲寅,马育林,李永胜,刘军,张红强,艾斌,马世旭,何海宁,李云,马宁,马志彬,朱明慧,张进,朵向阳,央青卓玛,王伟,丁猛,
申请(专利权)人:国网青海省电力公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。