[发明专利]基于声音信号和振动信号的有载分接开关故障识别方法

说明书

本发明涉及基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法，包括如下步骤：采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本；对声音信号数据和振动信号数据分别进行分帧处理，并分别计算声音信号数据的自相关函数和振动信号数据的自相关函数；计算每帧声音信号数据的自相关函数的能量特征，并求取当前帧局部范围内的平均能量；计算每帧振动信号数据的自相关函数的熵特征，并求取当前帧局部范围内的平均熵；通过上述数据特征构建声音、振动异构数据联合能量熵特征，并添加故障标签作为训练样本集；构建神经网络，输入训练样本集进行训练，生成故障识别模型，通过故障识别模型进行故障识别。

技术领域

本发明涉及一种基于声音信号和振动信号的有载分接开关故障识别方法，属于电力电子领域技术领域。

背景技术

有载分接开关是有载调压变压器完成调压的关键部件，通过有载分接开关的合理调节，可以有效限制系统电压的大幅波动，增加电网调度的调节手段，增强其调节的灵活性。据统计，在变压器的所有故障类型中，由有载分接开关异常工作引起的事故仅次于绕组变形故障，约占变压器总事故的15％以上。对电力系统发生的多起电压失稳及其它类型事故的分析研究亦发现，在部分电压失稳引起的事故中，有载调压变压器的不合理动作及故障是重要因素。利用的监测手段主要集中在振动及声学手段中的一种，其中，声学监测手段对有载分接开关进行故障诊断具有非接触、不停机、可在线监测等优势，是下一代有载分接开关状态监测系统的重要技术之一。现有的有载分接开关声学及振动信号分析方法主要有：包络线分析法，小波分析法，希尔伯特-黄变换法，以及混沌特性分析法等。

现有的利用声音及振动信号处理方法应用到有载分接开关状态检测中遇到的主要问题为：

(1)信号波形传播特性不清，影响其可靠性。有载分接开关内部机械结构比较复杂，异常信号主要源于切换开关动静触头的开合经液体及结构件传至变压器箱壁，现有手段对信号波形传播特性的研究存在困难。

(2)分接开关声音及振动信号处理技术较为简单，识别率有限。有载分接开关故障类型较多，且同一机械故障的不同程度都会导致信号形态的变化，现有处理方法大都通过对比信号时域波形、频域、及能量谱的差异来进行判断，无法充分表征分接开关切换过程中此类非平稳性和强时变性的振动信号中所包含的状态信息。因此，现有手段无法有效区分不同机理引起的分接开关信号。

发明内容

为了解决上述现有技术中存在的问题，本发明提出一种变压器有载分接开关故障识别方法，利用音频信号的能量特征和振动信号的熵特征构建联合特征并使用深度长短期记忆神经网络对故障进行识别。本发明对声音和振动数据进行融合处理，具有处理量小、实时性能高、故障识别率高等特点。

本发明的技术方案如下：

基于声音信号和振动信号联合特征的变压器有载分接开关故障识别方法，包括如下步骤：

采集变压器有载分接开关载不同故障状态下的声音信号数据和振动信号数据作为样本，并进行预处理滤波；

对声音信号数据和振动信号数据分别进行分帧处理，并分别计算声音信号数据的自相关函数和振动信号数据的自相关函数；

对于声音信号数据，计算每帧声音信号数据的自相关函数的能量特征，并求取当前帧局部范围内的平均能量；对于振动信号数据，计算每帧振动信号数据的自相关函数的熵特征，并求取当前帧局部范围内的平均熵；

通过所述声音信号数据的自相关函数的能量特征、平均能量以及振动信号数据的自相关函数的熵特征和平均熵构建声音、振动异构数据联合能量熵特征，并按帧给声音、振动异构数据联合能量熵特征添加故障标签，收集添加好故障标签的声音、振动异构数据联合能量熵特征作为训练样本集；

构建神经网络，输入训练样本集进行训练，经过更新迭代后生成故障识别模型；