【技术实现步骤摘要】
基于多元回归模型的变压器声纹故障诊断方法及系统
[0001]本专利技术属于变压器故障诊断
,具体涉及一种基于多元回归模型的变压器声纹故障诊断方法及系统
。
技术介绍
[0002]变压器是电网各环节至关重要的设备之一,一旦发生故障将严重影响电网系统运行,造成重大经济损失
。
变压器体积庞大
、
构造复杂
、
成本高昂,其重大故障和严重事故大多是由于内部局部放电
、
局部过热
、
绕组变形
、
机械部件松动
、
以及设备绝缘老化等潜伏性故障随时间积累引起的,因此,对变压器的运行状态进行在线监测,检测发现潜伏性故障,并基于监测数据分析潜伏性故障的发展趋势,准确预测事故的发生,及时对电力变压器进行检修维护,是运维人员的重要工作
。
[0003]经验丰富的运维人员可以通过变压器发出的声音定性地判断变压器是否存在故障,但是人耳监听的方式易受主观影响,误差较大,且人耳是有特定的听觉感知范围的,超出此范围的声音人耳无法监听,不能达到定量的科学分析
。
因此,采用声纹传感监测与智能诊断技术,在待测设备旁安装传感器采集声音实时监测设备工作情况,不需要使设备停止运行,也不需要与设备接触,就可对变压器声信号进行采集
、
处理
、
分析,可定量实时监测变压器运行声纹数据,解决人工监听的不足,有效诊断评估变压器健康状态和分析预测异常故障,极大地提高了设备巡检
【技术保护点】
【技术特征摘要】
1.
基于多元回归模型的变压器声纹故障诊断方法,其特征在于,步骤如下:步骤
S1、
变压器声纹数据和运行工况环境因素数据采集;步骤
S2、
将历史的变压器声纹数据和变压器故障诊断结果进行标注,正常变压器声纹数据标记为正常,存在故障的变压器声纹数据标记为异常,并标记故障类型,通过深度神经网络进行变压器声纹特征提取,得到带标记的变压器声纹特征数据集,将运行工况环境因素进行归一化处理,得到归一化后的历史运行工况环境因素数据集,存入历史变压器声纹与工况环境数据库;步骤
S3、
以标记为正常的变压器声纹特征为因变量,以对应的归一化后的运行工况环境因素为自变量构建多元回归模型; 以标记为正常的变压器声纹特征数据和对应的以归一化后的运行工况环境数据进行自变量构建多元回归模型训练,得到系数矩阵;步骤
S4、
使用改进后的野马优化算法对多元回归模型训练的系数矩阵进行优化,剔除离群点,得到优化后的多元回归模型;所述改进后的野马优化算法是在野马优化算法的基础上,每次更新后,利用布朗
‑
莱维微分进化机制生成子代种群;步骤
S5、
实时采集变压器声纹数据和运行工况环境因素数据,通过深度神经网络提取实时变压器声纹特征,将运行工况环境因素与历史变压器声纹与工况环境数据库中的历史运行工况因素对比,如完全一致,则提取对应的历史变压器声纹特征,通过深度神经网络提取实时变压器声纹特征,计算实时变压器声纹特征与历史变压器声纹特征的相似度来判定是否异常;如不完全一致,则将实时运行工况环境因素数据归一化,然后利用优化后的多元回归模型预测实时运行工况环境因素数据所对应的变压器声纹特征预测值,计算实时变压器声纹特征与变压器声纹特征预测值的相似度来判定是否异常;最后将实时变压器声纹特征加上正常或异常的标记,存入历史变压器声纹与工况环境数据库,用于扩展学习并优化多元回归模型
。2.
根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特征在于,所述多元回归模型表示如下;;其中,
y
为变压器声纹特征,
b0为常量系数;
x
i
为第
i
项归一化后的运行工况环境因素,
x
j
为第
j
项归一化后的运行工况环境因素,
b
i
为第
i
项运行工况环境因素的回归系数,
b
ij
为第
i
项归一化后的运行工况环境因素与第
j
项归一化后的运行工况环境因素的相关系数
。3.
根据权利要求1所述的基于多元回归模型的变压器声纹故障诊断方法,其特...
【专利技术属性】
技术研发人员:范国柱,李善文,丁元,周宇成,熊志强,赖东升,刘嘉,
申请(专利权)人:国家电网有限公司,
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。