一种电力变压器声纹信号故障无监督检测方法与流程

本发明涉及电力变压器故障检测，更具体的说是涉及一种电力变压器声纹信号故障无监督检测方法。

背景技术：

1、随电力变压器是电力系统中的重要设备之一，广泛应用于电力传输和配电系统中，起着变换电压、调节电压、隔离电力线路以及保护电力设备的作用。然而，由于长期运行和各种外界因素的影响，电力变压器存在着故障的风险，而这些故障可能会导致设备无法正常工作甚至造成事故，严重影响电力系统的稳定运行。

2、目前，传统的电力变压器故障检测方法主要依靠人工巡检和定期的仪器检测，这种方法需要耗费大量的人力和物力，并且不能实时监测设备的状态，无法进行真正意义上的故障预警。另外，由于电力变压器内部存在复杂的电磁场和热场等环境，故障信号往往被掩盖在背景噪声中，使得故障的检测变得更加困难。声纹信号是电力变压器故障检测的重要指标之一，可以通过分析声学特征来判断设备是否存在异常。声纹信号是指在电力变压器运行时产生的声音信号，由于故障导致的设备振动或内部电弧等原因，会产生特定频率和幅值的声音。因此，通过对变压器声纹信号进行分析，可以准确地识别故障类型和位置，实现对设备的故障诊断和状态监测。

3、关于电力变压器声纹信号故障检测的研究主要集中在两个方向：特征提取和故障识别。特征提取是指通过对声纹信号进行数学处理和分析，提取出能够表示声音特征的参数或特征。常用的特征包括频域特征(如能量、幅度谱等)、时域特征(如时长、过零率等)和小波变换特征等。而故障识别则是利用机器学习、深度学习等方法，将提取的特征与故障模式进行匹配，识别出异常信号，从而实现故障的自动检测。然而，目前的故障诊断方法往往需要大量的手动标记样本来进行监督学习，这限制了其在实际应用中的灵活性和可扩展性。

4、目前的变压器声纹信号故障诊断的主流技术有基于机器学习和深度学习的方法，基于聚类的k最近邻算法(k-means)、主成分分析(pca)算法、随机森林(rf)、支持向量机(svm)等机器学习方法被应用在故障诊断中，但这些方法往往依赖于特征提取效果的好坏，在使用这些方法进行分类诊断之前，需要进行特征提取，而手动提取峰峰值、方差、频谱等特征的方法并不能很好的适用所有的场景，并且人为提取的方式较复杂繁琐，有一些学者提出傅里叶变换或者小波变换的方式进行特征提取，然而这些方法需要针对不同的场景人为设定不同的适用的小波基函数等参数，泛化能力较弱。当信号存在噪声的时候，机器学习方法方法并不能很好的学习数据分布特点，对带噪信号的非线性拟合效果较差，以至于在测试集中效果不佳。深度学习越来越多的应用在解决复杂的非线性拟合的问题上，对于变压器故障分类，有人提出神经网络的方法，对已有数据集进行学习，检测未知样本并分类出故障信号，但由于实际情况中，声纹信号我们并不能提前获取，所以很多基于先验数据进行有监督学习的神经网络方法并不具有泛化性。长短期记忆神经网络(lstm)作为循环神经网络的一种变种，具有可以更好处理长序列具有依赖的问题，同时可以对变压器中异常的长序列进行检测，但由于本身结构的复杂性和训练中循环的特点，硬件化较困难，本发明采用改进后的lstm网络进行序列预测，可以更好的解决应用难的问题。

5、因此，提出一种电力变压器声纹信号故障无监督检测方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种电力变压器声纹信号故障无监督检测方法，用于解决现有技术中存在的技术问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种电力变压器声纹信号故障无监督检测方法，包括以下步骤：

4、s1、利用传感器采集每一个电力变压器声纹信号，通过与传感器连接的读取电路将基于时序的声纹信号进行提取和收集，并组成样本集s；

5、s2、定义一个窗口，使用窗口对样本集s中的每一个序列样本进行滑动切片处理，得到切片后的样本集s’；

6、s3、对切片后的样本集s’采用密度峰值算法，得到一个序列作为密度中心；

7、s4、以s3得到的序列作为中心点，使用基于k近邻聚类方法，找到中心点最近的k个邻居，邻居和中心点共同组成训练样本集x；

8、s5、构建由自动编码器网络aen和门控循环单元gru以及全连接神经网络nn组成的ae-grunn模型，将训练样本集x作为自动编码器网络的输入和输出进行训练，得到训练后的自动编码器，将编码器部分提取出来，输出低维稀疏表示序列样本集x’，即提取出自动编码器网络的瓶颈层向量；

9、s6、将低维稀疏表示序列样本集x’作为门控循环单元gru以及全连接神经网络nn组成的grunn模型的输入和目标输出，对构建的grunn模型进行训练，得到训练后的grunn模型；

10、s7、将低维稀疏表示序列样本集x’输入grunn模型中并输出预测序列；

11、s8、通过预测序列和grunn模型的目标输出计算异常分数scr值，得到待测样本中所有样本的异常分数集a；

12、s9、使用3-sigma法则排除异常分数集a中的异常点，2-4个周期提取出新的待测声纹信号，重复s5-s6，得到新的异常分数集。

13、可选的，s1具体为：

14、样本集s＝{s1，s2，..，snum}，其中num为样本数量，取值范围为200～3000，si＝(si1，si2，..，sil)，i＝1，2，…，num，为第i个样本的时间序列，l为序列的长度，取值范围为50～500。

15、可选的，s2具体为：

16、s21、定义窗口的长度范围为win＝30～300；

17、s22、将滑窗的起始位置设为序列的开始位置；

18、s23、取样本集s的第1个样本时间序列，以滑窗大小为单位，从序列的起始位置开始，逐步移动滑窗，并将每个滑窗切分出来；

19、s24、重复s23，取第2～num个样本时间序列，最后切片后样本组成得到训练样本集s’＝{s_win1，s_win2…s_winnum}。

20、可选的，s3具体为：

21、s31、定义s’＝{s_win1，s_win2…s_winnum}＝{s_t1，s_t2，…，s_tn}，其中n为对num个序列切片后得到的序列总数，s_ti＝{s_ti1，s_ti2，…，s_tiwin}，i＝1，2，…，n，为所有序列中的第i个序列，其中win为序列长度，即窗口的长度；

22、s32、计算s’中任意两个序列之间的欧式距离dij，i＝1，2，…，n，j＝1，2，…，n：

23、dij＝||s_ti-s_tj||2

24、其中，dij为欧式距离，s_ti为切片后得到的序列中第i个序列，长度为win，s_tj为切片后得到的序列中第j个序列，长度为win；

25、s33、计算每一个序列的局部密度：

26、

27、

28、其中，截断距离dc为截断距离，作为超参数dc的值取ρi,i＝1,2,...,n的平均值为0.2*n时的值，范围为0.1～0.8，dij为欧式距离，ρi为局部密度，χ为判断函数；

29、s34、统计局部密度，取局部密度最大的序列样本作为密度中心，密度中心序列为s_tpo：

30、po＝arg maxρi

31、其中，po为局部密度最大的序列的序号，argmaxρi是当ρi取最大值时，i的取值，max(ρi)为局部密度最大值。

32、可选的，s5具体为：

33、自动编码器网络的输入层神经元数量为训练样本集x中序列的长度win，隐层的神经元数量范围为10～500，瓶颈层的神经元数量的范围为n＝12～256。

34、可选的，s8中计算异常分数scr值，公式为：

35、

36、其中，ypre为grunn预测向量，ytrue为样本的真实向量，n_ner为预测的序列长度，即nn神经元数量；y_prei，i＝1，2…，n_er为grunn预测的序列样本中第i个时间点值，y_truei，i＝1，2…，n_er为该序列样本中第i个时间点的真实值，n_er＝n_ner，e为平均值计算函数，t为矩阵转置符号。

37、可选的，s9中的3-sigma法则具体步骤为：

38、s91、计算异常分数集a的平均值和标准差；

39、s92、计算异常分数集a的所有scr值，当scr值大于平均值加3倍标准差或小于平均值减3倍标准差时，判定该scr值对应的序列为异常序列，即异常声纹信号。

40、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电力变压器声纹信号故障无监督检测方法，其有益效果是：通过使用聚类算法的思想，让模型自动寻找训练集而无需人为定义，从而实现无监督训练，并通过密度聚类得到的数据集作为训练集可以更好的揭示序列的特征，从而更适合后面网络的训练；设计自动编码器网络aen结合门控循环单元gru和全连接神经网络的模型，用自动编码器网络aen提取出的特征更能揭示序列的变化特性，该方法避免了针对不同特点的数据分别定义提取函数的缺点；最后设计结构简单的ae-grunn模型，预测效果更好，漏报率和误报率都得到较低的结果，全程实现了无监督的模型学习方式和简单的预测网络模型结构，可以在后续更好的硬件化并进行实际场景的应用。