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方案

本发明专利技术公开了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，该方法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，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；求解得到系数矩阵；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；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

【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的工作效率
。
[0004]现有的变压器声纹数据分析方法，主要是对声纹数据进行特征提取，然后通过分类器或神经网络模型输出故障诊断结果
。
变压器的声纹信号较为冗长杂乱，且不同工况环境下变压器声纹在时域和频域的相似度都很高，很难直接对其进行分析识别
。
现有的通过神经网络模型进行变压器声纹故障诊断的方法，一般只输入声纹数据，而变压器在不同工况环境下，因为温湿度
、
介质条件
、
工作年限
、
周边振动环境等的影响，即使正常工作，也会呈现不同的声纹，所以只以声纹数据训练神经网络模型是不合适，专利公开号
CN115615539A
公开了一种基于声纹识别模型的电力变压器故障监测方法，将变压器声纹信号进行特征提取后与设备特征绑定形成声纹信号特征，用于训练声纹识别模型，所述设备特征是变压器的实时运行时间以及实时环境温湿度和变压器规格
。
[0005]故障诊断的准确率依赖样本数量，特别是负样本的数量，但是，由于变压器在实际运行过程中，极少发生异常故障现象，很难收集大量不同异常工况下的样本数据，因此，在变压器声纹故障模型实际训练中，负样本
(
异常工况
)
较少，直接训练容易出现过拟合，而且，如果将已经训练好某型号变压器的不同工况环境变压器声纹故障模型用于监测其他型号变压器，还需要针对新的监测变压器进行再次训练
。

技术实现思路

[0006]为了克服训练样本少，特别是负样本少，影响变压器声纹故障诊断模型的准确度的问题，本专利技术提供了基于多元回归模型的变压器声纹故障诊断方法及系统
。
本专利技术通过
正样本构建多元回归模型进行对当前运行工况环境因素的正常变压器声纹特征进行预测，将预测值与实测值进行相似度判断，从而判断变压器声纹是否正常
。
[0007]本专利技术通过下述技术方案来实现：基于多元回归模型的变压器声纹故障诊断方法，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
(DNN)
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
(DNN)
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
(DNN)
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
。
[0008]进一步优选，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
。
[0009]进一步优选，所述系数矩阵包括常量系数
、
各运行工况环境因素的回归系数组成的回归系数矩阵和各运行工况环境因素的两两之间的相关系数组成的相关系数矩阵
。
[0010]进一步优选，所述运行工况环境因素数据包括温湿度数据
、
振动数据
、
变压器型号和设备工作年限
。
[0011]进一步优选，所述运行工况环境因素数据归一化采用最大值最小值归一化
。
[0012]进一步优选，步骤
S4
所述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的过程如下：步骤
4.1
...

【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：