[发明专利]一种基于数学模型的运行风险预测方法和预测系统

权利要求书

1.一种基于数学模型的运行风险预测方法，其特征在于，包括如下步骤：

(1)获取变压器在各种故障类型下所发出的噪声信号，求取其梅尔倒谱系数，并根据其梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

(2)在变压器工作过程中检测其产生的噪声信号，求取其梅尔倒谱系数，并结合训练后的卷积神经网络模型预测变压器的运行是否存在风险，以及其存在风险时的故障类型；

获取噪声信号梅尔倒谱系数的方法为：

首先对噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到其中各时间段的频谱图；

然后根据所述频谱图计算噪声信号的梅尔频率，并根据梅尔频率设计三角带通滤波器组；

最后对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。

2.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，所述快速傅里叶变换时所采用的计算公式为：

其中X(k)表示频率k时噪声信号在频域上的幅值，x(n)表示时间为n时噪声信号在时域上的幅值，W(n)为傅里叶变换系数，N为采样数量。

3.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3×3的卷积核，各池化层均为最大池化层。

4.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，所述离散余弦变换所采用的公式为：

其中u和x在1到N之间取值，N为采样数量，F(u)为第u维梅尔倒谱系数，当u＝0时当u≠0时C(u)＝1。

5.根据权利要求1所述的基于数学模型的运行风险预测方法，其特征在于，第m个三角带通滤波器为

式中M为三角带通滤波器的数量，h为频域中的第h条频谱线，f(m)为第m个三角带通滤波器的中心频率，则

其中f_l和f_h分别为第m个三角带通滤波器的最低频率和最高频率，L为离散傅里叶变换窗宽，F_S为采样率，为F_mel的反函数，F_mel(b)是以mel为单位的频率：

F_mel(b)＝700(e^b/2595-1)

其中b为函数F_mel(b)中的自变量。

6.一种基于数学模型的运行风险预测系统，包括存储器和处理器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现如下控制步骤：

(1)获取变压器在各种故障类型下所发出的噪声信号，求取其梅尔倒谱系数，并根据其梅尔倒谱系数对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

(2)在变压器工作过程中检测其产生的噪声信号，求取其梅尔倒谱系数，并结合训练后的卷积神经网络模型预测变压器的运行是否存在风险，以及其存在风险时的故障类型；

获取噪声信号梅尔倒谱系数的方法为：

首先对噪声信号中各时间段的噪声信号进行快速傅里叶变换，得到其中各时间段的频谱图；

然后根据所述频谱图计算噪声信号的梅尔频率，并根据梅尔频率设计三角带通滤波器组；

最后对各时间段的频谱图进行离散余弦变换，得到该组噪声信号中不同时刻的梅尔倒谱系数。

7.根据权利要求6所述的基于数学模型的运行风险预测系统，其特征在于，所述快速傅里叶变换时所采用的计算公式为：

其中X(k)表示频率k时噪声信号在频域上的幅值，x(n)表示时间为n时噪声信号在时域上的幅值，W(n)为傅里叶变换系数，N为采样数量。

8.根据权利要求6所述的基于数学模型的运行风险预测系统，其特征在于，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3×3的卷积核，各池化层均为最大池化层。