一种变压器剩磁检测方法、装置、系统和存储介质与流程

1.本技术涉及电力设备检测技术领域，具体涉及一种变压器剩磁检测方法、装置、系统和存储介质。


背景技术：

2.在变压器运行时，变压器的铁芯中的剩磁使铁芯在励磁电流中产生大量的谐波形成励磁涌流，励磁涌流会增加变压器的无功消耗，同时也可能引起继电保护器的误触发、甚至损坏；另外，铁芯的高度饱和使漏磁增加，引起金属结构件和油箱过热，局部过热将使得绝缘纸老化并促使变压器油分解，影响变压器的寿命；因此为了保证绕组的运行安全以及电力系统的稳定运行，需要重视变压器剩磁所带来的影响，检测变压器是否存在剩磁即为亟待解决的问题。


技术实现要素：

3.本技术提供一种变压器剩磁检测方法、装置、系统和存储介质，能够实现对变压器的剩磁检测，且无需停机检测。
4.为解决上述技术问题，本技术采用的技术方案是：提供一种基于声纹的变压器剩磁检测方法，该方法包括：获取变压器工作时的第一声音信号；对第一声音信号进行检测，得到变压器是否存在剩磁的检测结果。
5.为解决上述技术问题，本技术采用的另一技术方案是：提供一种剩磁检测装置，该剩磁检测装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的基于声纹的变压器剩磁检测方法。
6.为解决上述技术问题，本技术采用的另一技术方案是：提供一种剩磁检测系统，该剩磁检测系统包括剩磁检测装置与音频采集设备，音频采集设备用于采集变压器工作时的声音信号，并将声音信号发送至剩磁检测装置，以使得剩磁检测装置基于声音信号检测变压器是否存在剩磁，其中，剩磁检测装置为上述技术方案中的剩磁检测装置。
7.为解决上述技术问题，本技术采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的基于声纹的变压器剩磁检测方法。
8.通过上述方案，本技术的有益效果是：本技术采用了一种基于声纹的检测变压器是否剩磁的方法，先获取变压器运转时的第一声音信号；然后对第一声音信号进行检测，得到变压器是否存在剩磁的检测结果，方便后续在检测出变压器存在剩磁时及时进行预警，方便相关人员及时对变压器进行消磁处理，缓解因剩磁带来的不良影响；本技术所提供的剩磁检测方案能够通过变压器运转时的声音信号判断出变压器是否存在剩磁，对检测环境的要求不高，通用性较好；而且无需停机检测，能够实现变压器的实时剩磁检测，使用方便，且成本较低。
附图说明
9.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，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。其中：
10.图1是本技术提供的基于声纹的变压器剩磁检测方法一实施例的流程示意图；
11.图2是本技术提供的基于声纹的变压器剩磁检测方法另一实施例的流程示意图；
12.图3是图2所示的实施例中步骤23的流程示意图；
13.图4是图3所示的实施例中步骤31的流程示意图；
14.图5是本技术提供的第一重构误差分布与第二重构误差分布的示意图；
15.图6是图3所示的实施例中步骤31的另一流程示意图；
16.图7是本技术提供的剩磁检测装置一实施例的结构示意图；
17.图8是本技术提供的剩磁检测系统一实施例的结构示意图；
18.图9是本技术提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
19.下面结合附图和实施例，对本技术作进一步的详细描述。特别指出的是，以下实施例仅用于说明本技术，但不对本技术的范围进行限定。同样的，以下实施例仅为本技术的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
20.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
21.需要说明的是，本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.在变压器的状态检修例行试验中必不可少的绕组直流电阻试验将使得变压器的铁芯中残留剩磁，因此，在变压器投入运行之前或者运行时，检测是否存在剩磁十分必要，相关技术中有不少关于剩磁检测及消除的技术方案，常用的剩磁检测方案包括以下方案：
23.①
采用无需侵入到变压器内部的剩磁检测设备，该剩磁检测设备可以为基于谐波测量的设备，其采用快速傅里叶变换(fast fourier transform，fft))算法，用具有fft分解功能的示波器对变压器空载电流进行傅里叶分解和波形记录，得出包含偶次谐波在内的各次谐波含量的分布图，利用分布图判断变压器是否存在剩磁。
24.②
通过往变压器的高压绕组输入扫频信号来检查低压绕组的频响，得到幅频响应曲线，将该幅频响应曲线与无剩磁状态下的基准幅频响应曲线比较，即可直观地判断出变压器的铁芯中是否存在剩磁。
25.对于上述的技术方案
①
来说，剩磁检测设备对检测环境的要求较高，存在通用性差的问题，难以兼容不同品牌和型号的变压器，且整个检测过程的耗时较长，效率不高。对于上述的技术方案
②
来说，由于需入侵到变压器的内部，因此需要停机检测，具有局限性，检测成本较高。为了解决这些问题，本技术提供了一种基于声纹的检测变压器是否存在剩磁的方法，下面对本技术所采用的技术方案进行详细描述。
26.请参阅图1，图1是本技术提供的基于声纹的变压器剩磁检测方法一实施例的流程示意图，该方法包括：
27.步骤11：获取变压器工作时的第一声音信号。
28.利用音频采集设备对当前环境中正在工作的电压器进行音频采集处理，得到变压器的声音信号(即第一声音信号)，实现声纹获取；具体地，音频采集设备可以为传感器，该传感器部署在变压器的绕组处，该传感器能够获取变压器的声音信号，并可通过消息队列遥测传输协议(message queuing telemetry transport，mqtt)传给检测平台(即剩磁检测装置)，该剩磁检测装置可以为计算机或云端的服务器等具备处理能力的设备。
29.步骤12：对第一声音信号进行检测，得到变压器是否存在剩磁的检测结果。
30.剩磁检测装置在获取到第一声音信号之后，可对该第一声音信号进行检测，以确定当前变压器中是否存在剩磁，生成检测结果，该检测结果可以为变压器存在剩磁或者该变压器不存在剩磁。具体地，可将当前获取到的第一声音信号与变压器不存在剩磁时的声音信号(记作基准无剩磁声音信号)进行比较，以实现通过第一声音信号来判定变压器是否存在剩磁。
31.在一具体的实施例中，在变压器存在剩磁时，可基于检测结果进行预警处理；具体地，如果剩磁检测装置判定出当前变压器存在剩磁，则直接显示变压器存在剩磁的检测结果，或者进行预警，以提醒相关人员及时进行剩磁消除处理，从而消除安全隐患以及降低变压器的能耗；具体地，提醒的方式可以为生成一警示信息，将该警示信息发送至外部电子设备(比如：移动终端或者计算机等设备)，或者显示警示信息，或者播放该警示信息，或者拨打预设联系人(比如：操作人员)的电话等。
32.可以理解地，在其他实施例中，还可间隔预设时间收集变压器工作时的声音信号，以降低剩磁检测装置的处理负担；例如：在部署好剩磁检测装置与音频采集设备后，可间隔60秒获取第一声音信号，比如，获取当前这一分钟中第0-10秒的声音信号，下一分钟中第0-10秒的声音信号，以此类推。
33.本实施例提出了一种基于声纹的电力变压器剩磁检测方法，结合了电力变压器的特点，通过将音频采集设备指向变压器的绕组，来获取变压器运行时的第一声音信号，通过将该第一声音信号与无剩磁状态下的基准无剩磁声音信号比较，即可直观地判断出变压器的铁芯中是否存在剩磁；由于变压器有剩磁状态和无剩磁状态下的声音信号有差异，因此通过学习变压器无剩磁状态下的无剩磁声音信号的特征，就可以顺利根据当前获取到的第一声音信号判断变压器是否存在剩磁，由于对检测环境的要求不高，因此通用性较好；此外，在变压器的运转过程中实时检测是否存在剩磁即可，无需停机检测，使用方便。
34.请参阅图2，图2是本技术提供的基于声纹的变压器剩磁检测方法另一实施例的流程示意图，该方法包括：
35.步骤21：获取变压器工作时的第一声音信号。
36.步骤21与上述实施例中步骤11相同，在此不再赘述。
37.步骤22：对第一声音信号进行特征提取处理，得到当前声纹特征。
38.采用特征提取方法对当前获取到的新数据(即第一声音信号)进行特征提取处理，生成当前声纹特征；具体地，当前声纹特征包括短时能谱、谱熵或梅尔倒频谱参数(mel-frequency cepstral coefficients，mfcc)，特征提取方法为相关技术中能实现特征提取功能的方法，在此不再赘述。
39.步骤23：采用剩磁检测模型对当前声纹特征进行检测，以获取检测结果。
40.剩磁检测模型包括深度学习模型或信号处理模型，深度学习模型为采用深度学习方法构建的网络模型，信号处理模型为对输入数据进行统计或其他处理的模型，其可以为非机器学习模型，即无需对信号处理模型进行训练；具体地，可采用图3所示的方案来获取检测结果，包括以下步骤：
41.步骤31：基于当前声纹特征、预设声纹库或剩磁检测模型的输出结果，判断当前声纹特征是否满足预设剩磁条件。
42.在获取到第一声音信号对应的声纹特征(即当前声纹特征)之后，可结合该当前声纹特征、预先建立的预设声纹库或剩磁检测模型的输出结果，来判定当前变压器中是否存在剩磁。
43.在一具体的实施例中，深度学习模型为自编码模型，自编码模型包括编码器与解码器，可采用图4所示的方案来确定当前声纹特征是否满足预设剩磁条件，包括以下步骤：
44.步骤41：采用编码器对当前声纹特征进行编码处理，得到编码特征。
45.将当前声纹特征输入编码器，以使得编码器对当前声纹特征进行编码，生成编码特征，然后将该编码特征输入解码器。
46.步骤42：采用解码器对编码特征进行解码处理，得到重构声纹特征。
47.解码器在接收到编码特征后，对该编码特征进行解码处理，生成对输入的当前声纹特征进行重建得到的特征(即重构声纹特征)。
48.步骤43：基于重构声纹特征与预设声纹库，判断当前声纹特征是否满足预设剩磁条件。
49.预设声纹库包括第一测试样本数据，第一测试样本数据包括多个无剩磁声纹特征，无剩磁声纹特征为变压器未存在剩磁时运行产生的声音对应的声纹特征；可利用所有无剩磁声纹特征确定基准无剩磁声纹特征；再计算基准无剩磁声纹特征与重构声纹特征之间的误差，得到当前重构误差(即奇异度)；然后判断当前重构误差是否大于预设误差阈值，该预设误差阈值用于剩磁检测装置对新输入的第一声音信号进行判断；若当前重构误差大于预设误差阈值，则表明当前重构误差较大，此时可判定当前声纹特征满足预设剩磁条件；若当前重构误差小于/等于预设误差阈值，则表明当前重构误差较小，此时判定当前声纹特征不满足预设剩磁条件。具体地，预设误差阈值可以为根据经验或实际应用需求设置的阈值，或者由自编码模型的训练过程确定。
50.进一步地，可直接从所有无剩磁声纹特征中随机选择一个无剩磁声纹特征作为基
准无剩磁声纹特征；或者采用自编码模型对所有无剩磁声纹特征进行处理，以获取基准无剩磁声纹特征，比如：采用具备记忆槽存储的隐空间编码方式，对历史输入的无剩磁声纹特征进行学习，存储无剩磁声纹特征的主要成分作为基准无剩磁声纹特征。进一步地，在每次将无剩磁声纹特征输入自编码模型的过程中，在使用解码器进行解码处理时，结合基准无剩磁声纹特征，对无剩磁声纹特征对应的编码特征进行解码，生成相应的解码后的特征。
51.在一具体的实施方式中，自编码模型的训练过程如下所示：
52.1)构建第一测试样本数据。
53.获取无剩磁状态下变压器的声音信号，将所有声音信号组成数据集；然后对数据集进行筛选，得到筛选后的无剩磁声音信号；对筛选后的无剩磁声音信号进行提取处理，得到无剩磁声音信号的声纹特征(包括短时能谱、谱熵或mfcc等)，以构建出第一测试样本数据，该第一测试样本数据包括无剩磁声音信号以及与该无剩磁声音信号对应的无剩磁声纹特征。
54.进一步地，由于变压器等设备部署在室外，设备所处的环境中可能存在多种声音，为了提升自编码模型的效果，可刨除数据集中杂音较大的声音信号，筛选出相对纯净的声音信号，从而保证训练自编码模型所需的数据的有效性。
55.2)将第一测试样本数据输入自编码模型，以对自编码模型进行训练。
56.采用第一测试样本数据对自编码模型进行自监督训练，以学习无剩磁状态下声音信号的特征；在采用第一测试样本数据对自编码模型进行训练后，该自编码模型能够输出基准无剩磁声纹特征。
57.在一具体的实施方式中，预设声纹库还包括第二测试样本数据，第二测试样本数据包括多个剩磁声纹特征，该剩磁声纹特征为变压器在剩磁状态下运行时产生的声音信号对应的特征；采用自编码模型对所有无剩磁声纹特征进行处理，以获取第一重构误差分布；采用自编码模型对所有剩磁声纹特征进行处理，以获取第二重构误差分布；基于第一重构误差分布与第二重构误差分布，确定预设误差阈值。
58.进一步地，将每个无剩磁声纹特征输入自编码模型训练，得到相应的第一重建特征；计算每个无剩磁声纹特征与相应的第一重建特征之间的误差，得到第一重构误差；对所有第一重构误差进行统计，得到第一重构误差分布；将每个剩磁声纹特征输入自编码模型训练，得到相应的第二重建特征；计算每个剩磁声纹特征与相应的第二重建特征之间的误差，得到第二重构误差；对所有第二重构误差进行统计，得到第二重构误差分布。具体地，第一重构误差与第二重构误差分别符合一定的分布，能够用于辅助识别报警，第一重构误差分布为第一重构误差以及与该第一重构误差对应的数量/概率的关系，第二重构误差分布为第二重构误差以及与该第二重构误差对应的数量/概率的关系，将能够将第一重构误差分布与第二重构误差分布区分开的误差作为预设误差阈值。例如：如图5所示，第一重构误差分布记作a，第二重构误差分布记作b，由于第一重构误差分布a与第二重构误差分布b不存在重叠区域，此时可将落在第一重构误差分布a与第二重构误差分布b之间的误差c作为预设误差阈值。可以理解地，当第一重构误差分布与第二重构误差分布存在重叠区域时，可将重叠区域中的某一重构误差作为预设误差阈值，然后使用预设声纹库中的验证样本数据对自编码模型进行验证，当验证出的虚警率(即无剩磁的声音信号被判定为存在剩磁的概率)小于预设虚警率时，停止验证；当验证出的虚警率大于预设虚警率时，调整预设误差阈
值的数值，继续进行验证，直至验证出的虚警率小于预设虚警率。
59.在另一具体的实施例中，可结合声纹短时平稳技术，采用信号处理模型对第一声音信号进行处理，即采用图6所示的方案，具体包括以下步骤：
60.步骤61：获取第一声音信号的能量均值。
61.可以直接利用当前声纹特征中的短时能量谱计算出第一声音信号的能量均值；或者按照频率对第一声音信号进行划分，得到不同频段的第二声音信号；获取不同频段的第二声音信号的能量值，得到子能量值；对所有子能量值进行平均，得到第一声音信号的能量均值；或者计算预设频段的第一声音信号的能量值，得到能量均值，该预设频段为存在剩磁是声纹可能出现的频段，比如：4khz～8khz。
62.步骤62：判断能量均值与基准能量值之间的差值是否超过预设差值。
63.基准能量值为基准无剩磁声纹特征对应的能量均值，通过将第一声音信号的能量均值与基准无剩磁声纹特征对应的能量均值进行比较，从而确定当前变压器是否存在剩磁。
64.步骤63：若能量均值与基准能量值之间的差值超过预设差值，则确定当前声纹特征满足预设剩磁条件。
65.如果检测到第一声音信号的能量均值与基准无剩磁声纹特征对应的能量均值之间的差值超过预设差值，则表明二者差异较大，此时可判定当前声纹特征满足预设剩磁条件，即变压器存在剩磁；如果检测到第一声音信号的能量均值与基准无剩磁声纹特征对应的能量均值之间的差值未超过预设差值，则表明二者差异不大，此时可判定当前声纹特征不满足预设剩磁条件，即变压器不存在剩磁；预设差值为根据经验或应用需要设置的值，比如：0，即在第一声音信号的能量均值与基准无剩磁声纹特征对应的能量均值不同时，便判定变压器存在剩磁，进行报警。
66.通过不同频段的短时能谱计算第一声音信号的能量均值，将该能量均值与基准能量值比对，能够增强对瞬时、异常的声音信号的捕捉能力，实现更加精准地捕捉出瞬时声纹。
67.步骤32：若当前声纹特征满足预设剩磁条件，则确定变压器存在剩磁。
68.步骤33：若当前声纹特征不满足预设剩磁条件，则确定变压器不存在剩磁。
69.步骤24：在变压器存在剩磁时，生成警示信息，显示和/或播放剩磁检测相关信息，和/或将剩磁检测相关信息发送至外部电子设备。
70.检测相关信息包括警示信息或检测结果，即在检测到变压器存在剩磁时，可显示检测结果、播放检测结果或者将检测结果发送至预先设定的外部电子设备；或者可显示警示信息、播放警示信息或者将警示信息发送至预先设定的外部电子设备，以提醒相关人员对变压器进行象声词消除处理，提升变压器运行的安全性以及使用寿命。
71.可以理解地，所有新获取到的数据(即声音信号)都被输入至深度学习模型或信号处理模型，深度学习模型与信号处理模型中的任意一个的检测结果为变压器存在剩磁，则判定变压器存在剩磁，以免漏报，提升剩磁检测的准确率。
72.步骤25：在变压器不存在剩磁时，显示变压器的信息并进行存储。
73.如果判定出变压器不存在剩磁，则可显示出变压器的详细信息，并将详细信息存储起来，该详细信息包括变压器的型号、声音信号、声纹特征以及不存在剩磁的检测结果。
74.在其他具体的实施例中，为了方便处理，还可对第一声音信号进行划分，得到多个第三声音信号；然后将第三声音信号输入剩磁检测模型，具体的实现过程与上述实施例中对第一声音信号进行处理的过程类似，在此不再赘述。例如，第一声音信号的长度为10秒，剩磁检测装置在接收到该第一声音信号后，对该第一声音信号进行片段提取处理，以将10秒的第一声音信号分成9个2秒的第三声音信号，即第0～2秒为第一个第三声音信号，第1～3秒为第二个第三声音信号，以此类推，最终获得9个第三声音信号，将这9个第三声音信号输入剩磁检测模型进行剩磁检测处理；可以理解地，如果这9个第三声音信号中的任意一个第三声音信号的检测结果为变压器存在剩磁，则判定变压器存在剩磁。
75.本实施例提出了一种基于声纹的电力变压器剩磁检测方法，将当前获取到的第一声音信号输入深度学习模型和/或信号处理模型，以使得深度学习模型和/或信号处理模型将第一声音信号与基准无剩磁声音信号对比，确定第一声音信号与基准无剩磁声音信号是否相差较大，如果二者相差较大，则确定变压器存在剩磁；本实施例所采用的方案能够在电压器运行时进行剩磁检测，无需使得变压器停止运行才能检测，能够进行实时地在线检测；而且将深度学习模型与信号处理模型的检测结果相结合，有助于提升检测的准确率，防止漏检。
76.请参阅图7，图7是本技术提供的剩磁检测装置一实施例的结构示意图，剩磁检测装置70包括互相连接的存储器71和处理器72，存储器71用于存储计算机程序，计算机程序在被处理器72执行时，用于实现上述实施例中的基于声纹的变压器剩磁检测方法。
77.请参阅图8，图8是本技术提供的剩磁检测系统一实施例的结构示意图，剩磁检测系统80包括音频采集设备81与剩磁检测装置82，音频采集设备81用于采集变压器工作时的声音信号，并将声音信号发送至剩磁检测装置82，以使得剩磁检测装置82基于声音信号检测变压器是否存在剩磁，其中，剩磁检测装置82为上述实施例中的剩磁检测装置。
78.如图8所示，剩磁检测系统80还包括电子设备83，电子设备83与剩磁检测装置82连接，电子设备83用于接收剩磁检测装置82的检测结果，并进行展示，电子设备83可以为移动终端或计算机等具有显示功能的设备81。
79.在其他实施例中，还可在剩磁检测系统80中设置电力听诊装置(图中未示出)，该电力听诊装置与音频采集设备81以及剩磁检测装置82连接，用于对音频采集设备81采集到的声音信号进行存储，并传输至剩磁检测装置82；可以理解地，该电力听诊装置可间隔预设时间将音频采集设备81采集到的声音信号传输至剩磁检测装置82。
80.请参阅图9，图9是本技术提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质90用于存储计算机程序91，计算机程序91在被处理器执行时，用于实现上述实施例中的基于声纹的变压器剩磁检测方法。
81.计算机可读存储介质90可以是服务端、u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
82.在本技术所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
83.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
84.另外，在本技术各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
85.以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。