[发明专利]一种变压器声学指纹不停电检测及状态预警方法

权利要求书

1.一种变压器声学指纹不停电检测及状态预警方法，其特征是：包括以下几个方面：变压器运行工况声学指纹在线采集的传感监测，变压器声学指纹识别模型，变压器声学指纹降维及分类，变压器声学指纹异常评价及故障定位；建立人工智能的变压器声纹状态识别方法，实时噪音提取，剔除背景噪音后进行特征提取，特征提取作为加载训练好的设备声纹模型输入，模型给出设备预测判定，根据设备预测判定结果给出预警或者决策信息。

2.根据权利要求1所述的一种变压器声学指纹不停电检测及状态预警方法，其特征是：

所述变压器运行工况声学指纹在线采集的传感监测，采用有源加速度传感器采集振动或声音信号，其频率响应范围为20Hz~1 MHz；声学指纹通过检测传递到箱壁的振动信号，来对变压器的绕组及铁芯状态进行检测；利用声级计对变压器/电抗器的振动噪声以及变电站的环境噪声进行检测，可对带宽为10 Hz~10 kHz、声压级为30~130 dB的声音信号进行采集。

3.根据权利要求1所述的一种变压器声学指纹不停电检测及状态预警方法，其特征是：

所述变压器声学指纹识别模型，为一种通过对变压器噪声状态监测信息的动态提取，而形成的对其典型特征的抽象描述模型；经过采集和预处理的模型信息按“电气设备层”、“监测对象层”和“应用层”分类，根据专家知识的组合制定模型构造规则，通过规则检索相应的状态监测数据构造变压器噪声指纹，其应用层被划分为“全局噪声”、“测点噪声”；两类噪声分别用于整台变压器的噪声状态描述、变压器噪声测点的局部噪声状态描述。

4.根据权利要求3所述的一种变压器声学指纹不停电检测及状态预警方法，其特征是：

变压器声学指纹识别模型主要包括声纹特征提取和模式识别两部分，其中，特征提取对识别率有较大影响；

声纹特征提取流程，声音信号→A/D转换→滤波和归一化→预加重→分帧加窗→短时傅里叶变化→声音信号特征；

所述预加重选用一阶高通滤波器，采样和量化后的波形表示为x[n]，其中 n 是时间索引，并且 0.9=a=1.0，在时域上滤波器表达公式：

所述分帧加窗，在一段相当短的时间内，声音信号是一个平稳信号，即声音具有短时平稳的特性；为了获得平稳的声音信号，需要对声音信号进行分帧和加窗处理：

对每帧声音数据采取短时傅立叶变换，得到其频域下的幅频特性，根据电力变压器声音频域下的幅频特性，将每帧声音傅立叶变换后的频率按块划分成L个子频带；

将每帧声音数据中各子频带内的均值和方差作为其相应频带的特征值，从而得到代表该帧声音数据的一组特征，将该组特征按行排列成一个特征向量；

声纹模式识别包括感知层、网络层、平台层与应用层；感知层主要是利用5G/有线等传输的方式，实现变压器运行声纹的高精度采集，同时利用站端的边缘计算能力实现声纹初步诊断；网络层通过电力专网，将声纹采集装置采集的音频上传至声纹数据中心；平台层具有强大的计算、存储能力，可开展算法的训练迭代和标准样本库的建设，同时对感知层装置的算法进行升级迭代；应用层提供声纹识别算法的应用能力，如变压器音频事件检测、偏磁异常诊断、运行状态识别能力，同时提供变压器状态信息可视化界面。

5.根据权利要求1所述的一种变压器声学指纹不停电检测及状态预警方法，其特征是：

所述变压器声学指纹降维及分类，以MFCC特征向量为依据，针对变压器噪声特点研究变压器声纹建模方法；首先，对变压器噪声进行预处理，然后提取MFCC特征向量，进而对特征向量进行加权优化并用主成分分析算法降低其维数，最后应用LVQ算法建立变压器声纹识别模型库，实现变压器工况的有效识别。

6.根据权利要求1所述的一种变压器声学指纹不停电检测及状态预警方法，其特征是：

所述变压器声学指纹异常评价及故障定位，运用变压器声学指纹模型，实现对噪声监测信息的表达描述、比对解释应用。

7.根据权利要求1所述的一种变压器声学指纹不停电检测及状态预警方法，其特征是：

变压器声学指纹不停电检测及状态预警，结合神经网络算法、统计学和声学技术，在声音信号和声音特征得到有效处理的基础上，突显设备声音的本质化特征，使得设备的声纹特征更易于提取和识别，从而准确判断设备运行声音是否正常，并返回分析结果。