[发明专利]基于无监督深度学习的变压器异常声纹预警方法

权利要求书

1.一种基于无监督深度学习的变压器异常声纹预警方法，其特征在于包括以下步骤：

1)将变压器声纹进行预处理；

2)将预处理后的声纹输入深度网络模型中进行编码处理，将站点信息、预处理后的声纹数据作为模型输入，声纹数据作为期望输出，自动化选取最优阈值，提取有效抽象表征编码；

3)将抽象表征解码至变压器异常声纹预警模型输出，得到生成的声纹特征；

4)将生成的声纹特征与变压器当前实际输入的声纹特征数据计算误差，依据正常运行时，变压器声纹数据下的误差较小，而异常运行时，变压器声纹数据下的误差较大。

2.根据权利要求1所述的基于无监督深度学习的变压器异常声纹预警方法，其特征在于：步骤1)所述的变压器声纹为变压器正常运行情况下的数据，包含变压器基频、共振峰，有效数据长度不少于10秒。

3.根据权利要求1或2所述的基于无监督深度学习的变压器异常声纹预警方法，其特征在于：步骤1)所述的预处理过程具体如下：

2.1)按时域间隔固定时长切分与模型输入大小匹配的数据；

2.2)数据降采样，保留变压器声纹的信息，去除与变压器声纹无关的信息；

2.3)数据预加重，将数据中高频分量进行补偿；

2.4)特征转换，将声纹特征转换为高维声学特征。

4.根据权利要求1所述的基于无监督深度学习的变压器异常声纹预警方法，其特征在于：步骤2)所述的利用深度网络模型学习训练条件如下：

式中，N为每一个mini batch训练数据集序号的集合，k代表mini batch训练的N个数据的序号；M为变压器种类的集合，i和j都代表变压器种类标识，即第i类和第j类；α为loss 2的赋予模型的学习权重；

训练过程具体如下：

output_k＝model(input_k) (1)

le_k＝-log(mse_loss(input_k，output_k)) (2)

total_loss＝loss₁+α×loss₂ (5)

其中，N为每一个mini batch训练的数据个数，output为变压器声纹input经过推理后的重构输出；le为对重构后的均方误差值做负对数似然计算的结果，主要由loss 1和loss2两部分损失构成，loss 1为变压器类型i声纹重构后的负对数似然均值误差，loss 2为分别计算变压器类型i、j声纹重构后的负对数似然之间的，相似度度量损；total_loss为同类型变压器训练的误差与非同类型变压器训练的误差权重之差，由loss 1和loss 2加权求和得出；margin为不同变压器种类声纹之间的误差区分程度；le_i和le_j分别是以变压器类型i和变压器类型j经过公式(1)计算的结果。

5.根据权利要求1所述的基于无监督深度学习的变压器异常声纹预警方法，其特征在于：步骤2)所述的最优阈值选取过程，依据测试数据的结果数值集，将集内每一个数值作为阈值进行尝试，得分越高，则认为选取的阈值得到的效果越好，公式如下：