一种基于声波干涉的变压器诊断方法及系统与流程

本发明涉及变压器检测，特别是一种基于声波干涉的变压器诊断方法及系统。

背景技术：

1、变压器是电力系统的核心设备，其运行状态监测对电网安全至关重要。现有基于声学的变压器诊断方法通常分为两步：先利用麦克风阵列通过波束形成或tdoa算法进行声源定位，再对定位后的信号进行频谱分析或深度学习分类以识别故障类型。然而，这种串行架构存在固有缺陷：定位误差会直接传递并放大至后续识别环节，且两个步骤各自独立优化，无法相互增强。此外，传统方法多采用标量声压作为输入，丢失了声波传播的方向信息（即相位干涉信息），限制了定位精度和抗噪能力。近年来虽有学者尝试将定位与识别联合建模，但往往需要复杂的多模态融合策略或对硬件进行定制改造，通用性较差。因此，亟需一种无需硬件改动、能同时实现高精度定位与高可靠识别的一体化诊断方法。

技术实现思路

1、为解决现有技术中存在定位与识别割裂导致的诊断精度低的问题，本发明提供了一种基于声波干涉的变压器诊断方法及系统。

2、本发明采用的技术方案是：

3、一种基于声波干涉的变压器诊断方法，包括以下步骤：

4、s1、通过布置于变压器周围的差分麦克风阵列，同步采集多通道声压信号，并计算所述多通道声压信号的声压梯度张量，所述声压梯度张量为一个三维张量，其维度表示为t×n×g，其中，t为时间帧数，n为麦克风阵列中的传感器单元数量，g为每个传感器单元处的声压梯度分量数量；

5、s2、将所述声压梯度张量输入至一个预训练的时空梯度卷积神经网络中，所述时空梯度卷积神经网络包括一个并行双分支特征提取主干网络和一个多任务输出头；

6、s3、所述并行双分支特征提取主干网络包括一个时间卷积分支和一个空间梯度卷积分支，所述时间卷积分支沿所述时间帧数t的维度，使用一维因果卷积核提取声压梯度随时间变化的时序特征；所述空间梯度卷积分支沿所述传感器单元数量n和所述声压梯度分量数量g构成的二维平面，使用二维卷积核提取声压梯度的空间分布特征；

7、s4、将所述时间卷积分支和所述空间梯度卷积分支输出的特征图进行跨模态融合，得到融合特征图；

8、s5、将所述融合特征图输入至所述多任务输出头，所述多任务输出头包括一个分类子网络和一个回归子网络，所述分类子网络输出变压器当前的状态类别概率分布，所述回归子网络输出故障源在预设坐标系下的三维空间坐标估计值。

9、优选地，所述步骤s1中，计算所述声压梯度张量进一步包括：

10、对于每一个传感器单元i，其由m个紧密排列的微型麦克风组成，所述m个微型麦克风位于一个半径为r的球面上，计算该传感器单元中心点处的声压梯度矢量∇pi(t)，其计算公式为：

11、；

12、其中，pi(t)为传感器单元i的中心点声压，pi,x(t)和pi,-x(t)分别为沿x轴正负方向的两个微型麦克风测得的声压，pi,y(t)和pi,-y(t)分别为沿y轴正负方向的两个微型麦克风测得的声压，pi,z(t)和pi,-z(t)分别为沿z轴正负方向的两个微型麦克风测得的声压，c为当前介质中的声速，所述声压梯度张量grad(t)在时刻t的值是一个n×3的矩阵，由所有n个传感器单元的声压梯度矢量堆叠而成，即grad(t)=[∇p1(t),∇p2(t),...,∇pn(t)]t，最终，将所有t个时间帧的grad(t)堆叠，形成所述三维张量。

13、优选地，所述步骤s3中，所述时间卷积分支由lt个连续的时间卷积块组成，每个时间卷积块包括一个一维因果卷积层、一个批归一化层和一个relu激活函数层；所述一维因果卷积层的卷积核大小为kt，卷积核数量为ft，步长为1，且其输出仅依赖于当前时刻及之前的输入，以保证时序的因果性；所述空间梯度卷积分支由ls个连续的空间梯度卷积块组成，每个空间梯度卷积块包括一个二维卷积层、一个批归一化层和一个relu激活函数层；所述二维卷积层的卷积核大小为ks×ks，卷积核数量为fs，步长为1，并使用零填充以保持特征图的尺寸不变。

14、优选地，所述步骤s4中，所述跨模态融合通过一个基于注意力机制的融合模块实现，该模块首先分别计算所述时间卷积分支输出的第一特征图ft和所述空间梯度卷积分支输出的第二特征图fs的全局平均池化向量vt和vs；然后，通过一个共享的全连接层计算注意力权重向量at和as，其计算公式为：at=σ(wa⋅vt+ba)，as=σ(wa⋅vs+ba)，其中，σ为sigmoid激活函数，wa为所述共享的全连接层的权重矩阵，ba为其偏置向量；最后根据所述注意力权重对所述第一特征图和所述第二特征图进行加权求和，得到所述融合特征图ff，其计算公式为：ff=at⊙ft+as⊙fs，其中，⊙为逐元素乘法。

15、优选地，所述步骤s5中，所述分类子网络由一个全局平均池化层、一个全连接层和一个softmax激活函数层依次连接构成，其输出为一个维度为c的概率向量，c为变压器状态类别的总数，所述概率向量中的最大值对应的索引即为诊断出的变压器状态类别；所述回归子网络由一个全局平均池化层、一个全连接层和一个线性激活函数层依次连接构成，其输出为一个维度为3的实数向量，分别代表所述故障源在所述预设坐标系下的x、y、z坐标估计值。

16、优选地，所述时空梯度卷积神经网络的训练过程采用多任务损失函数ltotal，其定义为ltotal=αlcls+βlreg，其中，lcls为分类损失，采用交叉熵损失函数，lreg为回归损失，采用平滑l1损失函数，α和β为用于平移两类损失权重的超参数，均为正实数；训练时使用adam优化器，初始学习率为lr0=0.001，并在每经过e个训练周期后衰减为原来的0.1倍，共训练epochs个周期，其中e和epochs均为正整数。

17、优选地，所述差分麦克风阵列呈球形分布，所述传感器单元均匀分布在球体表面，所述球体的直径为d，d的取值范围为0.3米至0.6米；所述传感器单元的数量n的取值范围为8至32个。

18、一种基于声波干涉的变压器诊断系统，包括：

19、声压梯度张量构建模块，用于执行如上所述的步骤s1；

20、特征提取与融合模块，用于执行如上所述的步骤s2至步骤s4，其内嵌有一个预训练的如上所述的时空梯度卷积神经网络；

21、诊断结果输出模块，用于执行如上所述的步骤s5，并输出变压器状态类别和故障源坐标。

22、优选地，所述特征提取与融合模块还包括一个数据缓存单元，用于暂存所述声压梯度张量，并以滑动窗口的方式向所述时空梯度卷积神经网络提供连续的数据流，所述滑动窗口的长度为twin个时间帧，相邻窗口的重叠率为or，其中twin的取值范围为512至2048，or的取值范围为50%至75%。

23、优选地，所述诊断结果输出模块还包括一个可视化单元，用于将所述回归子网络输出的三维空间坐标估计值，结合预先建立的变压器三维模型，在显示界面上以标记点或热力图的形式实时呈现所述故障源的位置。

24、本发明的有益效果是：

25、通过构建统一的声压梯度张量表征并设计多任务学习的时空梯度卷积神经网络，使网络在提取声纹特征时能感知声源空间位置、在定位时能利用声纹频域特性增强信噪比，实现了真正的端到端联合学习，克服了传统串行架构误差累积的弊端；

26、采用差分麦克风阵列获取声压梯度矢量替代传统标量声压，将声场信息从标量场扩展为矢量场，天然蕴含了声波的传播方向即相位干涉信息，为后续网络提供了更丰富的物理先验，显著提升了在强噪声和多源干扰环境下的诊断鲁棒性；

27、方法完全基于算法层面创新，不涉及任何麦克风阵列硬件结构的改变，可直接部署于现有各类麦克风阵列系统，兼容性好、推广成本低；时间卷积分支采用因果卷积确保模型输出仅依赖当前及历史时刻信息，满足在线实时监测的因果约束，适用于变电站连续监控场景；

28、通过注意力机制自动学习时序特征和空间特征的相对重要性，实现针对不同故障类型的自适应融合，进一步提升了模型泛化能力。