一种基于变压器声纹大数据的智能故障识别方法与流程

1.本发明涉及数据分析与计算机应用领域，特别是指一种基于变压器声纹大数据的智能故障识别方法。


背景技术：

2.变压器是输变电、供配电系统中的重要设备，且数量非常庞大，在我国预计有上千万台之多，而且每年都会有几百万台变压器需要更新维护，变压器安全可靠稳定运行是供电网络安全可靠稳定运行的根本。近几年随着我国国民经济的快速发展，对供配电网络的质量和数量都提出了更高的要求。传统变压器故障检测方法为通过人工数据采样和在线参数采样相结合，由维护人员根据这些采样数据判断变压器的运行状态。然而由于人工判断一般只结合当前时刻的采样数据，缺乏预见性，不能有效地预测故障，可能造成不可估量的损失。因此，引入计算机在线检测和辅助分析就显得尤为重要。目前深度学习已经成为机器学习中一个非常关键的研究领域，并取得了许多颠覆性的研究成果。针对变压器等故障缓慢变化、又缺乏故障发展变换的预测模型，采用深度学习方法分析设备故障具有非常重要的现实意义。


技术实现要素：

3.针对上述背景技术中存在的不足，本发明提出了一种基于变压器声纹大数据的智能故障识别方法，解决了现有供配电网络中变压器设备数量众多、故障损失巨大、不能及时有效地实现故障检测和预报的技术问题。
4.本发明的技术方案是这样实现的：
5.一种基于变压器声纹大数据的智能故障识别方法，其步骤如下：
6.步骤一：获取变压器的本体物理参数的监测样本，并对本体物理参数的监测样本进行预处理，得到本体特征向量x；
7.步骤二：获取变压器的运行参数的监测样本，并对运行参数的监测样本进行预处理，得到检测特征向量z；
8.步骤三：将本体特征向量x检测特征向量z和变压器的工作状态组合后作为特征向量y'；
9.步骤四：确定帧间隔构建特征向量y'的密度图像，并根据特征向量y'的密度图像构建工作状态核；
10.步骤五：针对工作状态核，按照变压器工作状态发生故障时参数变化的快慢设定变压器工作状态迁移的时间片，并将该时间片内的变压器工作状态迁移的密度图像拟合成一条拟合曲线；所述拟合曲线的线性为直线、二次曲线或三次曲线中的一种；
11.步骤六：将变压器的工作状态分别与不同的时间段进行组合，经过步骤一至步骤五的操作方式进行处理，得到m条变压器工作状态迁移的拟合曲线，并分别利用工作状态对m条拟合曲线进行标注，再将标注后的m条拟合曲线与工作状态组合后作为数据集，其中数
据集包括训练集和测试集；
12.步骤七：将训练集输入alexnet卷积神经网络中进行训练，得到alexnet卷积神经网络模型；
13.步骤八：将测试集输入alexnet卷积神经网络模型中进行检测以验证检测率，同时将测试集中的数据转移至训练集中以实时更新alexnet卷积神经网络模型，提高alexnet卷积神经网络模型的检测率。
14.优选地，所述变压器的本体物理参数包括变压器材质，变压器材质是指硅钢片尺寸材质、绕组尺寸材质、绕组绕线方式、绝缘件材质或变压器油；变压器油包括h2、ch4、c2h6、c2h4和c2h2五中气体。
15.优选地，所述对本体物理参数的监测样本进行预处理的方法为：
16.将本体物理参数包括的所有参量合并，构建一个特征向量y＝(y1,y2,
…
,yn)，其中，y1,y2,
…
,yn分别为本体物理参数中参量的直接数值或编号；
17.将本体物理参数中参量的绝对含量转化为相对含量：
[0018][0019]
其中，i＝1,2,
…
,n，j＝2,3,
…
,n，即特征向量y转换为相对特征向量x＝(x1,x2,
…
,xn)。
[0020]
优选地，所述变压器的运行参数包括变压器的声纹数据、一次侧电参数和二次侧电参数；一次侧电参数和二次侧电参数均包括变压器两侧的电流、电压、有功功率、无功功率和关键点的温度。
[0021]
优选地，所述对运行参数的监测样本进行预处理的方法为：
[0022]
利用变压器声纹检测设备对变压器的声纹数据进行采集、去噪、滤波和平滑处理；再对处理后的声纹数据进行快速傅里叶变化，提取三种局部功率最大的三种频率信号作为声纹数据的特征参数，分别为特征频率1、特征频率1的强度、特征频率1的持续时间、特征频率2、特征频率2的强度、特征频率2的持续时间、特征频率3、特征频率3的强度、特征频率3的持续时间；
[0023]
将二次侧电参数包括的变压器两侧的电流、电压、有功功率、无功功率分别除以变压器容量作为相对采样值；
[0024]
将声纹数据的特征参数和相对采样值组合构建特征向量z，表示为：z＝(z1,z2,
…
,z
13
)。
[0025]
优选地，所述变压器的工作状态包括故障状态、正常工作状态、预警状态和报警状态；故障状态包括高温过热状态、中温过热状态、低温过热状态、高能放电状态、低能放电状态、局部放电状态。
[0026]
优选地，所述构建特征向量y'的密度图像的方法为：将变压器的特征向量转换为以采样数据为坐标轴的多维空间的密度图像，多维空间的密度图像的像素间隔表示各采样数据的分辨率，帧间隔表示根据需要确定的某一数据的采样时段，该时段内所有采样数据作为一个密度图像帧，图像点的坐标表示各有关量的采样值，其出现的次数作为该图像点的值；将所有运行时段的、多个同类变压器的运行数据都显示在同一张图中，构成了变压器运行的全状态空间运行图，也即特征向量y'的密度图像。
[0027]
优选地，所述根据特征向量y'的密度图像构建工作状态核的方法为：
[0028]
a)将提取的特征向量y'的密度图像中密度最大的区域作为工作状态核轮廓；
[0029]
b)利用八邻域膨胀和腐蚀方法填补工作状态核轮廓的一些小空洞；
[0030]
c)对填补后的工作状态核轮廓进行腐蚀操作，将粘连在工作状态核轮廓上的其它状态分割开；
[0031]
d)对步骤c中的工作状态核轮廓进行膨胀操作，得到工作状态核。
[0032]
优选地，所述alexnet卷积神经网络的结构包括五个卷积层、三个全连接层和七个激活函数层；第一卷积层与第一激活函数层相连接，第一激活函数层与第一最大池化层相连接，第一最大池化层与第二卷积层相连接，第二卷积层与第二激活函数层相连接，第二激活函数层与第二最大池化层相连接，第二最大池化层与第三卷积层相连接，第三卷积层与第三激活函数层相连接，第三激活函数层与第四卷积层相连接，第四卷积层与第四激活函数层相连接，第四激活函数层与第五卷积层相连接，第五卷积层与第六激活函数层相连接，第六激活函数层与第三最大池化层相连接，第三最大池化层与第一全连接层相连接，第一全连接层与第二全连接层相连接，第二全连接层与第三全连接层相连接，第三全连接层与softmax分类器相连接。
[0033]
一种基于变压器声纹大数据的智能故障识别系统，包括声纹检测模块、仪表检测模块和监控中心；声纹检测模块、仪表检测模块均通过通信模块与监控中心相连接；监控中心内设有数据处理模块和存储模块，数据处理模块与存储模块相连接；所述数据处理模块与分别声纹检测模块、仪表检测模块相连接，数据处理模块内嵌入alexnet卷积神经网络模型，利用alexnet卷积神经网络模型计算并输出变压器的实时在线工作状态。
[0034]
与现有技术相比，本发明产生的有益效果为：本发明提出了一种多变量、多时段采样数据预处理，并使用大量的多时段采样数据训练深度学习网络，得到了一个变压器故障预测模型来预测变压器故障状态，实现了基于深度学习网络的变压器在线声纹故障检测，有效提高了变压器的故障预报的准确性和实时性。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1为本发明的流程图。
[0037]
图2为某采样时段的“密度图像”。
[0038]
图3为全时段的“密度图像”。
[0039]
图4为连续状态空间迁移的曲线拟合。
[0040]
图5为深度学习网络的结构图。
[0041]
图6为基于深度学习训练模型的变压器状态监测系统结构图。
具体实施方式
[0042]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
实施例1，如图1所示，一种基于变压器声纹大数据的智能故障识别方法，主要利用变压器本体的物理参数、一次侧电参数、二次侧电参数和声纹数据等参数检测变压器的运行状态，及时报告变压器故障；具体步骤如下：
[0044]
步骤一：获取变压器的本体物理参数的监测样本，并对本体物理参数的监测样本进行预处理，得到本体特征向量x；所述变压器的本体物理参数包括变压器材质，变压器材质是指硅钢片尺寸材质、绕组尺寸材质、绕组绕线方式、绝缘件材质或变压器油；变压器油包括h2、ch4、c2h6、c2h4和c2h2五中气体。经验表明，利用这些参数可以及时发现变压器内部的早期故障，消除事故隐患。利用溶解气体分析技术，可以精确测量变压器的参数，有效地反应变压器本体的运行状态；为了方便分析运算，将本体物理参数包括的所有参量合并，构建一个特征向量y＝(y1,y2,
…
,yn)，其中，y1,y2,
…
,yn分别为本体物理参数中参量的直接数值或编号。
[0045]
另外由于不同容量和电压等级变压器中，这些变压器参量差异较大，需要将这些参量的绝对含量转化为相对含量，以减小误差，将本体物理参数中参量的绝对含量转化为相对含量的具体公式为：
[0046][0047]
其中，i＝1,2,
…
,n，j＝2,3,
…
,n，即特征向量y转换为相对特征向量x＝(x1,x2,
…
,xn)。这样利用相对特征向量x描述变压器本体的状态就可以消除不同容量和电压等级变压器的参数差异。
[0048]
步骤二：获取变压器的运行参数的监测样本，并对运行参数的监测样本进行预处理，得到检测特征向量z；所述变压器的运行参数包括变压器的声纹数据、一次侧电参数和二次侧电参数；一次侧电参数和二次侧电参数均包括变压器两侧的电流、电压、有功功率、无功功率和关键点的温度；通过对数字信号的运算和处理，得出介质损耗和电容量等信息。
[0049]
所述对运行参数的监测样本进行预处理的方法为：
[0050]
利用变压器声纹检测设备对变压器的声纹数据进行采集、去噪、滤波和平滑处理；再对处理后的声纹数据进行快速傅里叶变化，提取三种局部功率最大的三种频率信号作为声纹数据的特征参数，分别为特征频率1、特征频率1的强度、特征频率1的持续时间、特征频率2、特征频率2的强度、特征频率2的持续时间、特征频率3、特征频率3的强度、特征频率3的持续时间。
[0051]
在这些声纹数据和电参数数据出现异常波动时，系统自动发出报警，提醒维护或安全监管人员，及时处理问题，避免事故的发生。同样，为了方便分析运算，消除数据冗余，这里忽略一次测电参数，将二次侧电参数包括的变压器两侧的电流、电压、有功功率、无功功率分别除以变压器容量作为相对采样值，以消除变压器容量的差别。
[0052]
将声纹数据的特征参数和相对采样值组合构建特征向量z，表示为：z＝(z1,z2,
…
,z
13
)，用来描述变压器的电运行状态。另外还有变压器关键点的温度单独作为一种参数描述变压器的工作状态。
[0053]
步骤三：将本体特征向量x检测特征向量z和变压器的工作状态组合后作为特征向量y'；可以通过两个向量x，z和油温等参数来描述变压器的工作状态。所述变压器的工作状态包括故障状态、正常工作状态、预警状态和报警状态；故障状态包括高温过热(高于700℃)状态、中温过热(低于700℃且高于300℃)状态、低温过热(低于300℃)状态、高能放电状态、低能放电状态、局部放电状态。预警状态和报警状态两种状态是指变压器故障状态之外的变压器状态的其余空间，是为了保证变压器状态空间的封闭完备。
[0054]
步骤四：确定帧间隔构建特征向量y'的密度图像，并根据特征向量y'的密度图像构建工作状态核；为了能够利用alexnet深度卷积神经网络算法来对变压器工作状态进行空间数据分析，还必须对上述数据进行数据预处理，共有三个步骤，分别为：变压器工作状态核的“密度图像”提取、7大状态核的校验、故障产生发展的连续状态空间迁移图像的曲线拟合。所述构建特征向量y'的密度图像的方法为：将变压器的特征向量转换为以采样数据为坐标轴的多维空间的密度图像，多维空间的密度图像的像素间隔表示各采样数据的分辨率，帧间隔(监测周期)表示根据需要确定的某一数据的采样时段，该时段内所有采样数据作为一个密度图像帧，图像点的坐标表示各有关量的采样值，其出现的次数作为该图像点的值；例如(x1，x2)为待采样的两个参量，则在x1-x2坐标系中可以用函数的值表示采样结果为(x1，x2)出现的次数，也称为密度，而x1-x2坐标空间中没出现的采样值-即剩余空间点的函数值为0，即密度为0。如图所示表示(x1，x2)两个参数在某段时间内的采样值在x1-x2坐标系中的“密度图像”。通过上述转换，变压器故障检测问题就转换为多维空间“密度图像”的空间聚类。另外，由于这些采样数据在电网实时监测系统中可以不间断采集，而且经过上述处理后，同类变压器之间采集参数可以相互通用，这样就可在电网监测系统中获得海量的多维空间“密度图像”数据。将所有运行时段的、多个同类变压器的运行数据都显示在同一张图中，构成了变压器运行的全状态空间运行图，也即特征向量y'的密度图像。如图2、图3所示。
[0055]
数据预处理的第一步为变压器工作状态核的提取。由于本发明主要对变压器工作状态核部分感兴趣，所以从原始工作状态“图像”中提取出工作状态核来进行分析，这样就可以有效过滤变压器工作状态数据。在工作状态核提取的过程中，采取了图像轮廓腐蚀的方法来去除粘连在工作状态核上的其它干扰数据。
[0056]
所述根据特征向量y'的密度图像构建工作状态核的方法为：
[0057]
a)将提取的特征向量y'的密度图像中密度最大的区域作为工作状态核轮廓；
[0058]
b)利用八邻域膨胀和腐蚀方法填补工作状态核轮廓的一些小空洞；
[0059]
c)对填补后的工作状态核轮廓进行腐蚀操作，将粘连在工作状态核轮廓上的其它状态分割开；
[0060]
d)对步骤c中的工作状态核轮廓进行膨胀操作，得到工作状态核。
[0061]
其中，步骤c和d的腐蚀操作和膨胀操作的操作算子相同。
[0062]
数据预处理的第二个步骤是对7种状态核中的6大故障状态核进行校验。在得到了初步的工作状态核之后，必须要对故障状态核的个数进行校验，即对每个参数的极限值进行校验，如果每个参数的极限值都包含在故障状态核之内，则故障状态核保持不变，如果有些参数的极限值在故障状态核之外，则重新调整故障状态核，使之包含这些参数的极限值，确保故障状态核的描述图像符合实际需求。故障状态核的调整方法有区域合并及膨胀腐蚀
和点面图像的边界拟合等方法。
[0063]
当获得7种故障状态核以后，还必须将正常状态和6大故障状态核之外的状态“图像”分类，一般可分成预警状态和报警状态，同时按实际需要分为多级预警状态和报警状态，这样就会产生更多的状态。
[0064]
步骤五：针对工作状态核，按照变压器工作状态发生故障时参数变化的快慢设定变压器工作状态迁移的时间片，并将该时间片内的变压器工作状态迁移的密度图像拟合成一条拟合曲线；所述拟合曲线为直线、二次曲线或三次曲线。当获得6大故障状态核、正常状态核、多级预警状态核和报警状态核以后，就可按变压器工作状态故障发生时参数变化的快慢设定变压器工作状态迁移的时间片，并将该时间片内的变压器工作状态迁移图像拟合成简单的一条曲线，可以根据需要拟合成直线、二次曲线或三次曲线，如图4所示，作为状态迁移的最小描述，并且这条状态迁移曲线就作为深度学习网络的输入参数。
[0065]
步骤六：为增加训练集的数量，将变压器的工作状态分别与不同的时间段进行组合，即一组工作状态对应多个时间段，可将其分为与故障有关和与故障无关的数据，经过步骤一至步骤五的操作方式进行处理，得到m条变压器工作状态迁移的拟合曲线，并分别利用工作状态对m条拟合曲线进行标注，再将标注后的m条拟合曲线与工作状态组合后作为数据集，其中数据集包括训练集和测试集。
[0066]
步骤七：将训练集输入alexnet卷积神经网络中进行训练，得到alexnet卷积神经网络模型；所述alexnet是一种经典开源卷积神经网络，与今天动则十几层、几十层甚至成百上千层相比，网络结构非常简单；alexnet卷积神经网络的结构包括五个卷积层、三个全连接层和七个激活函数层，有近六千万个自由参数。第一卷积层与第一激活函数层相连接，第一激活函数层与第一最大池化层相连接，第一最大池化层与第二卷积层相连接，第二卷积层与第二激活函数层相连接，第二激活函数层与第二最大池化层相连接，第二最大池化层与第三卷积层相连接，第三卷积层与第三激活函数层相连接，第三激活函数层与第四卷积层相连接，第四卷积层与第四激活函数层相连接，第四激活函数层与第五卷积层相连接，第五卷积层与第六激活函数层相连接，第六激活函数层与第三最大池化层相连接，第三最大池化层与第一全连接层相连接，第一全连接层与第二全连接层相连接，第二全连接层与第三全连接层相连接，第三全连接层与softmax分类器相连接。利用tensorflow架构，很容易实现一个alexnet网络，而且可以将其定义成一个单独的python类，方便引用。本发明采用为现在通用的tensorflow架构实现alexnet网络，因有两台gpu服务器，采用两个独立的学习过程，数据处理流程如图5所示。
[0067]
初始学习率设置为0.01，以0.001的衰减因子进行迭代。最大迭代次数设为100000次，动量系数设为0.9，衰减权值为0.0005。经过训练以后，得到了一个神经网络模型，判断变压器工作状态迁移拟合曲线与其中一种故障状态之间的因果关系。
[0068]
步骤八：将测试集输入alexnet卷积神经网络模型中进行检测以验证检测率，同时将测试集中的数据转移至训练集中以实时更新alexnet卷积神经网络模型，提高alexnet卷积神经网络模型的检测率。
[0069]
学习数据集可采用电力局5～10年间的变压器运行数据作为基础数据，经过预处理后得到与故障有关的拟合曲线和与故障无关的拟合曲线作为训练数据样本集，通过深度学习网络对数据进行学习和分析，训练得到预测模型。
[0070]
实施例2，利用深度学习算法获得变压器状态预测模型后，可以搭建一种基于变压器声纹大数据的智能故障识别系统，如图6所示，包括声纹检测模块、仪表检测模块和监控中心；声纹检测模块、仪表检测模块均通过通信模块与监控中心相连接；监控中心内设有数据处理模块和存储模块，数据处理模块与存储模块相连接；所述数据处理模块与分别声纹检测模块、仪表检测模块相连接，数据处理模块内嵌入alexnet卷积神经网络模型，利用alexnet卷积神经网络模型计算并输出变压器的实时在线工作状态，并判断各种故障状态，进而给出各种故障处理指令。该系统目前已在某电力局进行试用，试用结果表明，有效提高了变压器的故障预报的准确性和实时性，基本满足了实际使用的要求。
[0071]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。