[发明专利]一种基于声学特征和神经网络的电力变压器故障诊断方法

说明书

本发明公开了一种基于声学特征和神经网络的电力变压器故障诊断方法，包括以下步骤：使用声音采集装置采集获取电力变压器处于各状态时的声音信号，记录采集的声音信号与电力变压器各状态的对应关系；将采集的声音信号进行预处理；建立并训练GRU神经网络模型；采集待诊断电力变压器的声音信号，预处理后输入训练完毕的GRU神经网络模型中，根据GRU神经网络模型的输出结果完成待诊断电力变压器故障诊断。本发明的方法从电力变压器运行时的声音信号中提取出电力变压器的频域特征，使用电力变压器的频域特征对门限循环单元神经网络进行训练，操作相对简单，成本较低，较容易实现在线监测。

技术领域

本发明属于电力变压器故障诊断技术领域，尤其涉及一种基于声学特征和神经网络的电力变压器故障诊断方法。

背景技术

电力变压器作为电力系统中的重要的设备之一，承担着电力系统内部电压变换、电能分配与传输等关键任务。电力变压器在运行过程中可能会出现放电、过热、绝缘退化、绕组和铁芯松动、绝缘油固态污染等故障。深入研究电力变压器故障诊断方法，对电力系统的稳定运行具有十分重要的意义。

随着机器学习理论的不断发展完善，神经网络的非线性映射能力、自学习能力和容错能力不断增强，将神经网络应用于电力变压器故障诊断渐成趋势。石鑫等人在《深度学习神经网络在电力变压器故障诊断中的应用》中，基于电力变压器油中溶解气体分析技术，使用H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂这7种气体的含量值对神经网络进行训练。该方案在实际应用中，需要对电力变压器油中溶解的气体含量值进行接触式或者非接触式的测量，操作繁琐，成本较高，不容易实现在线监测。综上，亟需一种新型的基于神经网络的电力变压器故障诊断方法。

发明内容

针对现有技术的不足，本发明提出一种基于声学特征和神经网络的电力变压器故障诊断方法。本发明的方法从电力变压器运行时的声音信号中提取出电力变压器的频域特征，使用电力变压器的频域特征对门限循环单元(Gated Recurrent Unit，GRU)神经网络进行训练，操作相对简单，成本较低，较容易实现在线监测。

为达到上述目的，本发明采用以下技术方案：

一种基于声学特征和神经网络的电力变压器故障诊断方法，包括以下步骤：

步骤1，采集电力变压器的声音信号；具体为，使用声音采集装置采集获取电力变压器处于各状态时的声音信号，记录采集的声音信号与电力变压器各状态的对应关系；所述电力变压器的各状态包括正常状态以及各种类型的故障状态；

步骤2，将步骤1采集的声音信号进行预处理；所述预处理过程包括：低通滤波、信号消噪、特征提取和数据降维处理中的一种或多种；

步骤3，建立GRU神经网络模型；具体包括：确定输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的GRU神经元节点个数、权重初始化以及神经网络训练；所述神经网络训练以步骤2中特征提取获得的频域特征以及频域特征对应的电力变压器的状态作为神经网络的训练数据；

步骤4，采集待诊断电力变压器的声音信号；将采集的待诊断电力变压器的声音信号通过步骤2的预处理方法进行预处理；将预处理后的待诊断电力变压器的声音信号输入步骤3训练完毕的GRU神经网络模型中，根据GRU神经网络模型的输出结果完成待诊断电力变压器故障诊断。

进一步地，步骤1中，声音采集装置的采样频率f_s大于或等于预定阈值f_t，表达式为f_s≥f_t，其中，f_t＝2000Hz。

进一步地，步骤2的预处理过程具体包括：