本發(fā)明涉及電氣工程，更具體的說是涉及一種利用變壓器聲信號(hào)的非侵入故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、電力變壓器作為電力系統(tǒng)的核心設(shè)備，其能否安全可靠的運(yùn)行對整個(gè)供配電的運(yùn)行發(fā)揮著舉足輕重的影響；其中，鐵心和繞組作為變壓器的重要部件，在長期運(yùn)行過程中難免發(fā)生故障，有關(guān)統(tǒng)計(jì)表明：鐵心和繞組的故障占變壓器總故障的一半以上，鑒于此，有必要加強(qiáng)對鐵心繞組故障的監(jiān)測。

2、目前，發(fā)展較為成熟的變壓器在線檢測方法包括：溶解氣體分析、紅外測溫、局部放電在線檢測、頻率響應(yīng)分析、振動(dòng)分析等。這些傳統(tǒng)方法有助于保證電力系統(tǒng)的安全運(yùn)行，但近些年受到廣泛關(guān)注的非侵入式智能在線檢測技術(shù)具有設(shè)備簡單、測量速度快、非接觸式測量、不影響設(shè)備正常工作等優(yōu)點(diǎn)。

3、變壓器聲紋故障診斷通常以其正常運(yùn)行時(shí)發(fā)出的聲信號(hào)為基準(zhǔn)，把采集到的實(shí)時(shí)運(yùn)行狀態(tài)聲音信號(hào)與基準(zhǔn)信號(hào)對比，從而定性識(shí)別變壓器運(yùn)行工況，而變壓器的聲信號(hào)主要來源于繞組和鐵心，因而能夠直接反映其內(nèi)部結(jié)構(gòu)的改變，如內(nèi)部放電以及器件螺絲松動(dòng)等故障，這是上述傳統(tǒng)檢測方法無法完成的。

4、但是，由于電力系統(tǒng)規(guī)模擴(kuò)大、數(shù)據(jù)來源日益多元化，而聲信號(hào)包含的信息量巨大，聲信號(hào)分析所需的數(shù)據(jù)量極為龐大，使得數(shù)據(jù)的合理利用遇到瓶頸，所以越來越多的研究人員開始研究能夠應(yīng)用于變壓器聲紋診斷的算法模型，希望將在線檢測技術(shù)機(jī)器學(xué)習(xí)理論結(jié)合起來，通過先進(jìn)模型或算法從海量、多元的數(shù)據(jù)中快速、準(zhǔn)確提取有效特征信息來評價(jià)和描述變壓器工況。

5、因此，如何基于聲音信號(hào)分析，對變壓器進(jìn)行非侵入式在線智能檢測，以快速、準(zhǔn)確識(shí)別電力變壓器運(yùn)行狀態(tài)，以便于有效提高設(shè)備管理效率是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種利用變壓器聲信號(hào)的非侵入故障診斷方法及系統(tǒng)以解決背景技術(shù)中提到的技術(shù)問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種利用變壓器聲信號(hào)的非侵入故障診斷方法，包括以下步驟：

4、s1.采集不同運(yùn)行情況下變壓器發(fā)出的聲音信號(hào)并進(jìn)行預(yù)處理；

5、s2.基于變壓器不同工況下發(fā)出的聲音信號(hào)各頻段能量分布相異，通過改進(jìn)小波包能量提取方法提取聲音信號(hào)特征；

6、s3.將提取到的特征量輸入到通過隱馬爾可夫模型完成模型訓(xùn)練并構(gòu)建好的hmm分類器以獲得目標(biāo)故障分類結(jié)果。

7、優(yōu)選的，步驟s1中對變壓器聲音信號(hào)的預(yù)處理過程包括分幀處理和加窗處理；

8、分幀處理為通過將語音信號(hào)分成短幀，將每一幀信號(hào)視為穩(wěn)態(tài)信號(hào)，設(shè)置相鄰幀之間部分重疊使各幀參數(shù)平滑過渡；

9、加窗處理為對聲信號(hào)加漢明窗。

10、優(yōu)選的，漢明窗的公式為：

11、

12、其中，a為常數(shù)，改變a的數(shù)值可取不同漢明窗。

13、優(yōu)選的，步驟s2的具體內(nèi)容包括：

14、s21.對預(yù)處理后的聲音信號(hào)進(jìn)行一次小波包分解與重構(gòu)；

15、s22.計(jì)算分解后的各頻段的能量值，根據(jù)第1頻段能量占比進(jìn)行第二次小波包分解與重構(gòu)，并計(jì)算分解后的各頻段的能量值；

16、s23.根據(jù)能量值對特征向量進(jìn)行歸一化百分比處理，得到聲音信號(hào)特征向量。

17、優(yōu)選的，步驟s21的具體內(nèi)容為：

18、對信號(hào)f(x)進(jìn)行i層分解，為j層上第i個(gè)小波包系數(shù)，則：

19、

20、

21、

22、其中，t＝1,2,…,2j，i＝1,2,…,2j，j＝log2n，hk-2j為低通濾波器，gk-2j為高通濾波器；

23、第i層小波包重構(gòu)公式為：

24、

25、其中，j＝j(luò),j-1,…,1,0；

26、步驟s22分解后的n個(gè)頻段中的第i個(gè)區(qū)間上的能量計(jì)算式為：

27、

28、其中，f(x)為原始信號(hào)，ei為第i個(gè)頻帶的能量，pi為離散點(diǎn)幅值，pi(k)表示小波包分解后節(jié)點(diǎn)對應(yīng)的第k個(gè)小波包系數(shù)；

29、步驟s23中特征向量為：

30、

31、優(yōu)選的，步驟s3，通過隱馬爾可夫模型完成模型訓(xùn)練并構(gòu)建hmm分類器的具體內(nèi)容包括：

32、s31.按照左右式馬爾可夫鏈的連接方式選取初始參數(shù)，在已知hmm模型參數(shù)和l個(gè)相互獨(dú)立的觀測序列o(l)條件下，o(l)＝o1(l)，o2(l)···，ot(l)，l＝1，···，l，用前向-后向算法計(jì)算觀測序列發(fā)生的概率；

33、s32.在僅獲得觀測序列條件下，使用baum-welch算法，初始化模型參數(shù)，修正重估公式得到多觀測值的重估公式；

34、s33.通過重估公式對參數(shù)進(jìn)行更新，經(jīng)過多次迭代尋優(yōu)求解使觀測值發(fā)生概率最大的參數(shù)，此時(shí)的模型參數(shù)即為最終模型參數(shù)，實(shí)現(xiàn)模型的訓(xùn)練；

35、s34.利用訓(xùn)練好的模型計(jì)算觀測序列出現(xiàn)的概率，通過對比求解的概率來確定對應(yīng)的運(yùn)行狀態(tài)以生成故障診斷，從而得到構(gòu)建好的hmm分類器。

36、優(yōu)選的，用前向-后向算法計(jì)算觀測序列發(fā)生的概率包括前向概率計(jì)算和后向概率計(jì)算；其中：

37、前向概率為：

38、

39、后向概率為：

40、

41、l個(gè)相互獨(dú)立的觀測序列發(fā)生的概率為：

42、

43、其中，λ＝(π,a,b)，為模型參數(shù)，π是初始概率向量，矩陣a＝(aij)n×n與b＝(bik)n×m則分別描述了隱狀態(tài)之間、隱狀態(tài)與觀測值之間的概率轉(zhuǎn)移關(guān)系，πi為最初第i個(gè)狀態(tài)出現(xiàn)的概率，bi(o1)為o1觀測狀態(tài)下的概率。

44、優(yōu)選的，修正重估公式得到多觀測值的重估公式具體為：

45、

46、其中，為歸一化后最初第i個(gè)狀態(tài)出現(xiàn)的概率，為歸一化后第l序列在第i個(gè)狀態(tài)時(shí)的前向概率初始值，為歸一化后第l序列在第i個(gè)狀態(tài)時(shí)的后向概率初始值；

47、

48、其中，為歸一化后在t時(shí)刻第l序列在第i個(gè)狀態(tài)時(shí)的前向概率，aij是t時(shí)刻第j個(gè)狀態(tài)到t時(shí)刻第i個(gè)狀態(tài)的轉(zhuǎn)移矩陣，是歸一化后在t+1時(shí)刻第l序列在j狀態(tài)下ot+1觀測情況發(fā)生的概率，為歸一化后在t+1時(shí)刻第l序列在第j個(gè)狀態(tài)時(shí)的后向概率；

49、

50、其中，為歸一化后在t時(shí)刻第l序列在第i個(gè)狀態(tài)的前向概率，為歸一化在t時(shí)刻第l序列在第j個(gè)狀態(tài)時(shí)的后向概率。

51、一種利用變壓器聲信號(hào)的非侵入故障診斷系統(tǒng)，基于所述的一種利用變壓器聲信號(hào)的非侵入故障診斷方法，包括：聲音信號(hào)采集模塊、預(yù)處理模塊、聲音信號(hào)特征提取模塊、hmm分類器和模型訓(xùn)練模塊；

52、聲音信號(hào)采集模塊，用于采集不同運(yùn)行情況下變壓器發(fā)出的聲音信號(hào)；

53、預(yù)處理模塊，用于對采集的聲音信號(hào)進(jìn)行預(yù)處理；

54、聲音信號(hào)特征提取模塊，用于基于變壓器不同工況下發(fā)出的聲音信號(hào)各頻段能量分布相異，通過改進(jìn)小波包能量提取方法提取聲音信號(hào)特征；

55、模型訓(xùn)練模塊，用于通過隱馬爾可夫模型完成模型訓(xùn)練并構(gòu)建hmm分類器；

56、hmm分類器，用于將提取到的特征量輸入到構(gòu)建好的hmm分類器以獲得目標(biāo)故障分類結(jié)果。

57、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的一種利用變壓器聲信號(hào)的非侵入故障診斷方法。

58、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種一種利用變壓器聲信號(hào)的非侵入故障診斷方法及系統(tǒng)，基于聲信號(hào)采集的簡便與非侵入特點(diǎn)，并結(jié)合隱馬爾可夫模型訓(xùn)練的快速性和高效性，在利用聲信號(hào)進(jìn)行變壓器的故障診斷方面有著較好的性能；具體來說，iwpe-hmm框架使用隱馬爾科夫模型作為骨干框架，利用改進(jìn)的小波包能量提取方法有效提取聲信號(hào)中的特征信息并減少計(jì)算量，由此可對不同的變壓器故障狀況進(jìn)行良好辨別。