[发明专利]一种基于声纹识别的变压器声音事件检测方法

说明书

本发明提供一种基于声纹识别的变压器声音事件检测方法，包括对变压器语音信号待测样本进行分帧；对每个语音信号帧进行加窗；对每个加窗后的语音信号帧进行离散傅里叶变换；根据傅里叶变换结果计算能量谱密度；采用50Hz倍频三角滤波器组对能量谱密度进行滤波；对滤波后的能量谱密度取对数，最终得到变压器语音信号待测样本的声纹特征；采用事先训练好的CapsNet胶囊网络模型对声纹特征进行检测，得到变压器语音信号待测样本的类别。本发明可以解决变压器声音事件重叠问题，有着较高的识别准确率，提高了变压器声音事件在线检测的智能水平。

技术领域

本发明涉及变压器在线检测技术领域，具体是一种基于声纹识别的变压器声音事件检测方法。

背景技术

随着中国经济的发展，电力需求容量不断提升，电能质量问题备受关注。为增强电力系统中的无功补偿与无功平衡，抑制系统过电压，提高电能质量和供电可靠性，变压器的安全稳定运行尤为关键。大量实践表明，变压器出现严重事故前，往往都存在着潜伏性故障。目前，变压器保护主要是通过故障时的电压、电流等电气参量进行继电保护。然而，变压器潜伏性故障由于普遍存在于内部且难以检测，迄今缺乏有效的在线检测手段。

目前，针对变压器潜伏性故障检测主要围绕以下几种参量进行：

(1)绝缘水平相关检测参量：包括绝缘电阻、吸收比、极化指数、介质损耗因数、泄露电流等。围绕以上参量的检测手段能够反映大多数的电气故障及隐患，但都存在难以实现在线检测的缺陷。

(2)温度：测量变压器的温度参数能够检测到大部分故障，且通过适当的温度传感器如光纤温度传感器以及红外成像仪可以实现变压器的在线检测。然而，温度参量本身承载的信息量有限，难以对故障进行分类。另外，光学设备普遍价格高昂，难以在工程条件下大面积应用。

(3)振动信号：通过适当的算法对振动信号进行分析，可以得出故障类型。但缺点是经常需要贴近振动源进行测量，不适用于强场强位置。

几种测量参量都具有各自优缺点，振动信号相对于其他两项综合优势更为明显，但振动产生的声学特征量在过去的研究中被忽视。变压器在运行过程中由于受到电磁力、机械应力的作用，铁芯、绕组、操纵机构等会发生振动并产生机械波，经过绝缘介质与腔体的传播，产生的声学振动信号包含了大量的设备状态信息。尤其是当设备发生缺陷或故障后，内部组件或结构发生机械形变，会使其声学指纹(以下简称声纹)改变，可以作为诊断缺陷及故障的重要特征参量。另一方面，基于声学振动信号的声纹检测法与许多传统检测方法相比，可以实现在设备外部对其运行状态进行不停电检测，与电气设备没有任何电气连接，不影响系统的正常运行；在安全地检测设备状态的同时，又能解决红外、紫外等远距离成像手段检测特征有限与检测纵深不足的问题。因此，有足够的理论和实践依据表明，声纹不停电检测在电网主设备状态检修领域中具有良好的应用前景。

申请号为201711262969.6的中国专利：一种小区变压器故障预防方法，其公开了采集变压器音频、振动信息，并基于音频、振动信息进行变压器故障判断的过程。但该专利是将采集的音频、振动信息与数据库中的数据进行简单比对以诊断故障，其故障判断的准确率取决于数据库中数据的准确性，需要另外采集大量数据建立数据库，因此该方法的准确率存在受到数据库建立和数据库中数据准确性制约的问题。

申请号为201811425363.4的中国专利：一种变压器故障的声纹识别方法及系统，其公开了采集变压器声纹数据，并基于声纹数据进行变压器故障诊断的方法。但该专利仍然是将采集的声纹数据与数据库中数据进行简单比对以诊断故障，同样存在准确率受到数据库制约的问题。

申请号为201811618261.4的中国专利：基于改进卷积神经网络的电力变压器在线检测系统及方法，其公开了采用卷积神经网络(即CNN网络)进行变压器故障诊断的过程，但其主要是基于变压器自身结构的机械振动数据和CNN网络来实现故障诊断的，需要在变压器现场布置大量用于检测变压器箱体机械振动的传感器，并且单一的CNN网络也存在准确率不高的问题。