一种基于声音特征分析的低压变压器故障诊断方法与流程

1.本发明涉及变压器故障诊断技术领域，更具体的说是涉及一种基于声音特征分析的低压变压器故障诊断方法。


背景技术：

2.目前，随着电网系统的规模越来越庞大，作为电力系统中最核心的部件，变压器在很大程度上影响电能的输送以及正常的变电运行，在设备投入使用之后，会因为电气负载过大，材质、环境或人为等问题发生故障，因此，对变压器进行故障检测迫在眉睫，即通过监控变压器运行状态来检测，实时预警，减少各类用电故障和灾害的发生，同时更提升了变压器管理的“智能化”手段。
3.但是，低压变压器故障诊断方法主要有，一是通过变压器中溶解气体含量进行故障分析，采用气色相色谱仪分析溶解于油中的气体含量来判断变压器有无异常情况，但是需要专业设备，且实现难度较高；二是通过变压器振动信号进行故障分析，通过在线监测变压器自身振动信号来诊断变压器潜伏故障，需要安装振动加速传感器，但是变压器的振动频率随位置的变化而不同，并且由于铁芯叠积方式的改进，变压器的铁芯振动很小；三是通过变压器局部放电信号进行故障分析，通过提取出局部放电信号进行变压器绝缘状态检测，但是局部放电信号对去噪要求比较高，噪声对模型的研究结果影响较大。
4.因此，如何提供一种设备简单，安装要求低且能精准地进行变压器运行状态的实时预警是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种基于声音特征分析的低压变压器故障诊断方法；通过变压器的声音信号的挖掘分析，建立变压器声音信号特征模型，并结合xgboost等机器学习分类模型进行变压器故障诊断，精准地进行变压器运行状态的实时预警，减少各类用电故障和灾害的发生，同时更提升了变压器管理的“智能化”手段。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种基于声音特征分析的低压变压器故障诊断方法，包括以下步骤：
8.s1、采集声音振动信号，采用分帧的方式对信号进行截取，并采用重叠取帧的方式进行取帧，获得模拟电压信号；
9.s2、基于pcm进行非均匀量化，将模拟电压信号转化为离散的采样值；
10.s3、基于声音信号的特征进行数据分析，得到变压器的频谱数据以及反映声音特征的各项指标，构建故障特征集；
11.s4、构建xgboost故障分类模型，以故障特征集为输入数据，故障类型为输出数据，对变压器是否故障以及故障类型进行研判；
12.s5、通过信息增益值计算变压器每个声音特征重要性并进行排序，选择对故障分类模型结果影响较深的特征作为最终特征，实现对变压器的故障诊断。
13.优选的，所述步骤s1还包括，采用重叠取帧的方式，相邻帧之间存在重叠部分，重叠时间为1分钟。
14.优选的，所述步骤s3中所述的故障特征集包括声音信号的特征过零率、频谱质心、频谱衰减和mfcc指标。
15.优选的，所述步骤s4具体包括：
16.以故障特征集作为分类模型的输入，输出为是否故障的标识，通过历史数据对声音信号进行分类，通过信息增益计算每个特征对于分类模型的重要性，并将其作为二叉树的节点，建立xgboost模型；
17.信息增益计算为：
[0018][0019]
其中，g是叶子结点的一阶导数，h是叶子结点的二阶导数，l表示左子树，r表示右子树，γ表示节点切分的难度，λ表示l2正则化系数。
[0020]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于声音特征分析的低压变压器故障诊断方法；通过变压器的声音信号的挖掘分析，建立变压器声音信号特征模型，并结合xgboost等机器学习分类模型进行变压器故障诊断，精准地进行变压器运行状态的实时预警，减少各类用电故障和灾害的发生，同时更提升了变压器管理的“智能化”手段。。
附图说明
[0021]
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，还可以根据提供的附图获得其他的附图。
[0022]
图1附图为本发明提供的整体流程结构示意图。
具体实施方式
[0023]
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做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。
[0024]
本发明实施例公开了一种基于声音特征分析的低压变压器故障诊断方法，包括以下步骤：
[0025]
s1、采集声音振动信号，采用分帧的方式对信号进行截取，并采用重叠取帧的方式进行取帧，获得模拟电压信号；
[0026]
s2、基于pcm进行非均匀量化，将模拟电压信号转化为离散的采样值；
[0027]
s3、基于声音信号的特征进行数据分析，得到变压器的频谱数据以及反映声音特征的各项指标，构建故障特征集；
[0028]
s4、构建xgboost故障分类模型，以故障特征集为输入数据，故障类型为输出数据，
对变压器是否故障以及故障类型进行研判；
[0029]
s5、通过信息增益值计算变压器每个声音特征重要性并进行排序，选择对故障分类模型结果影响较深的特征作为最终特征，实现对变压器的故障诊断。
[0030]
为进一步优化上述技术方案，步骤s1还包括，采用重叠取帧的方式，相邻帧之间存在重叠部分，重叠时间为1分钟。
[0031]
为进一步优化上述技术方案，步骤s3中所述的故障特征集包括声音信号的特征过零率、频谱质心、频谱衰减和mfcc指标。
[0032]
为进一步优化上述技术方案，步骤s4具体包括：
[0033]
以故障特征集作为分类模型的输入，输出为是否故障的标识，通过历史数据对声音信号进行分类，通过信息增益计算每个特征对于分类模型的重要性，并将其作为二叉树的节点，建立xgboost模型；
[0034]
信息增益计算为：
[0035][0036]
其中，g是叶子结点的一阶导数，h是叶子结点的二阶导数，l表示左子树，r表示右子树，γ表示节点切分的难度，λ表示l2正则化系数。
[0037]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0038]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。