[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

说明书

本发明提供了一种基于无监督深度学习的变压器异常声纹预警方法，输入声纹特征进入模型中编码处理，提取有效抽象表征编码，再将抽象表征解码至模型输出，得到生成的声纹特征。生成的声纹特征与输入特征计算误差，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。本发明可以实现变压器异常声纹的预测，利用深度网络模型学习训练，自动化选取最优阈值，提前避免变压器受到不可修复的破坏。

技术领域

本发明涉及技术领域，具体是一种基于无监督深度学习的变压器异常声纹预警方法。

背景技术

随着现代社会国民经济的综合发展，全国用电量逐渐增加，民用电量已成为衡量国家社会经济的重要指标。近年来我国大容量、长距离、特高压输电技术的不断发展，电力系统的安全运行由此显得极为重要。电力变压器作为电力系统中改变电压等级与输送电能的关键枢纽型电气设备，其安全稳定运行与整个电力系统的安全可靠息息相关，一旦发生事故，将会给地区甚至全国电力安全以及能源战略带来巨大的损害，严重影响正常的安全与生产。因此，电力变压器能够安全的运行是维护电力系统可靠运行与供电安全的重要保障。

以变压器设备的日常维护为例，当中有大部分的变压器异常运行来源于设备内部产生的声音震动。这种特性可唯一表征为一个变压器当前的运行状态，利用声纹特征统计方法，可以建立一套有效的变压器检测声纹异常模型。通过实时输入变压器声纹数据，输出预测结果，有效地帮助运维人员快速告知变压器运行状态。针对目前已有的变压器声纹检测方法，仍然存在一些不足：

1.现有检测方法主要以特征统计方法，建立在声纹数据特征已标注前提下得出模型，对已标注的异常声纹类别进行预测，没有关注到变压器存在未知类型异常出现的情况。

2.异常声纹数据采集难度较大，单台变压器需要运行大量时间，才有可能采集到若干条异常数据。根据现实情况，现有方案以低压设备模拟异常、设备声学仿真等方法实现，这两类方法与真实采集数据会存在误差，且误差大小未知。

3.采集得到的异常声纹检测需要人工标注，而且需要从事变压器行业的专业人士进行时域标注。

采集变压器(约有30种变压器类型)的声纹数据，有某些类型变压器数据量较少，使用现有深度模型算法

1.只能抽取某一个变压器类型的数据训练，容易出现过拟合现象，导致客户真实使用过程中效果变差。

2.将30种变压器类型数据输入到一个模型训练，由于现场环境其他外部声音干扰，实际效果也不理想。

发明内容

本发明为了解决现有技术的问题，提供了一种基于无监督深度学习的变压器异常声纹预警方法，实现变压器异常声纹的预测，利用深度网络模型学习训练，自动化选取最优阈值，提前避免变压器受到不可修复的破坏。

本发明包括以下步骤：

1)将变压器声纹进行预处理；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；预处理过程具体为：

1.1)按时域间隔固定时长切分与模型输入大小匹配的数据；

1.2)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；

1.3)数据预加重，将数据中高频分量进行补偿；

1.4)特征转换，将声纹特征转换为高维声学特征。

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。

利用深度网络模型学习训练条件如下：