一种基于MVDR的LSTM距离估计方法技术

本发明专利技术公开了一种基于MVDR的LSTM距离估计方法，涉及电力变压器故障诊断技术领域，包括以下步骤：步骤一：建立采集分析平台，对发生不同故障的电力变压器进行信号采集；步骤二：对采集到的信号进行MVDR波束形成处理，生成特征矩阵，并依据生成的特征矩阵构建故障数据集合；步骤三：对构建好的故障数据集合进行划分，取90％作为训练集合，取10％为测试集；步骤四：将构建好的训练集输入到LSTM中构建距离模型；步骤五：距离模型构建完成，输入测试集检验LSTM算法对电力变压器声纹信息的预测精度，本发明专利技术采用上述方法，使用自适应波束赋形算法(MVDR)结合长短期记忆人工网络(LSTM)，通过深度学习与波束形成算法的结合，有效提高故障诊断准确率和诊断速度。断准确率和诊断速度。断准确率和诊断速度。

【技术实现步骤摘要】
一种基于MVDR的LSTM距离估计方法


[0001]本专利技术涉及电力变压器故障诊断
，尤其是涉及一种基于MVDR的LSTM距离估计方法。

技术介绍

[0002]电力变压器作为变电站关键的核心设备，其故障引起的链式反映会对整个配电机组带来安全威胁，因此，开展适用于变电站电力变压器的非接触式声学信号测量、故障距离估计的研究，对于合理的安排检修活动，降低时间、人力及物力成本，确保电力变压器运行的可靠性和安全性具有重要意义。
[0003]随着工业进程的加快，电气设备的安全成为重中之重，电气设备的故障诊断和定位的方法也在不断完善和升级，波束形成通过对麦克风阵列采集的信号进行合并，抑制非选定方向信号，增强选定方向信号；进而能够实现对指定方向的聚焦拾音，有效提高接收信号的信噪比。随着波束形成算法涉及的领域随之增多，其在声源识别领域也起着越来越重要的作用，该方法在仿真和实际应用中都取得了不错的效果，但现有的方法中都没有进行深度学习与波束形成算法的结合使用，为了提高故障诊断准确率，因此，提供了一种基于MVDR的LSTM距离估计方法。

技术实现思路

[0004]本专利技术的目的是提供一种基于MVDR的LSTM距离估计方法，提供一种声源定位算法，解决常规工况下受到不同种类噪声干扰时对电力变压器故障声源位置定位的问题，将深度学习与波束形成算法进行结合，从而有效的提高故障诊断准确率，减少了人工的操作，能实现了对电力变压器故障声纹信号的精准定位，尽早发现问题。
[0005]为实现上述目的，本专利技术提供了一种基于MVDR的LSTM距离估计方法，包括以下步骤：
[0006]步骤一：建立采集分析平台，对发生不同故障的电力变压器进行信号采集；
[0007]步骤二：对采集到的信号进行MVDR波束形成处理，生成特征矩阵，并依据生成的特征矩阵构建故障数据集合；
[0008]步骤三：对构建好的故障数据集合进行划分，取90％作为训练集合，取10％为测试集；
[0009]步骤四：将构建好的训练集输入到LSTM中构建距离模型；
[0010]步骤五：距离模型构建完成，输入测试集检验LSTM算法对电力变压器声纹信息的预测精度。
[0011]优选的，所述步骤一中的采集分析平台包括声学传感器，所述声学传感器通过数据采集装置连接分析计算机，所述声学传感器的频率响应范围10Hz～20kHz，采样频率16000Hz。
[0012]优选的，所述步骤二中，MVDR波束形成处理的具体过程如下：
[0013]空间中期望目标位置P'信息为(r0,θ0)，干扰信号i
j
(j＝1,2,...,J)，干扰位置为(r
j
,θ
j
)，阵元噪声为n(t)，则接收端第n个阵元信号的公式如下：
[0014][0015]在上式中，a(θ)是来自于(r,θ)方向的接收导向矢量，a(θ)的公式如下：
[0016][0017]在上式中，f0是采样频率，c是声速，在满足约束条件w
H
a(θ)＝1，计算噪声最小的结果，则目标函数优化后的结果公式如下：
[0018][0019]在公式(3)中，E是自相关函数，y(t)是阵列的加权输出，W
H
是待求解的自适应波束形成加权共轭转置向量，R为各个阵元信号的相关矩阵，W是待求解的自适应波束形成加权向量，MVDR权重优化问题表示为公式(4)与公式(5)，公式如下：
[0020][0021][0022]上式中，θ
d
代表期望信号的方向，θ
ij
代表干扰信号的方向，MVDR波束形成器求解各个阵元的权系数，使用拉格朗日乘数法进行求解，得到公式如下：
[0023]L(w)＝w
H
Rw+λ[w
H
a(θ
d
)
‑
1]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)对公式(6)进行求导后，当结果为0时，得到公式(7)和公式(8)，公式如下：
[0024][0025]w＝μR
‑1a(θ
d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0026]公式(8)根据MVDR的准则求解该阵列权重的最优值，公式如下：
[0027][0028]上式中，W
MVDR
是最优权重矢量。
[0029]优选的，所述步骤四中，构建的距离模型如下：
[0030]LSTM中包含隐藏状态变量h
t
和保留编码时间阶段t的存储单元c
t
，存储单元的工作效率由三个门决定：输入门、输出门和遗忘门，根据工作流程得到以下六个公式：
[0031]i
t
＝sigm(U
i
h
t
‑1+W
i
x
t
+b
i
)
[0032]f
t
＝sigm(U
f
h
t
‑1+W
f
x
t
+b
f
)
[0033]o
t
＝sigm(U
o
h
t
‑1+W
o
x
t
+b
o
)
[0034][0035][0036]h
t
＝o
t
⊙
tanh(c
t
)
[0037]在上述公式中，i
t
是输入门、ot是输出门，f
t
是遗忘门，整个U∈R
l*l
，W∈R
l*s
，b∈R
l
是学习优化参数，x
t
为输入向量，sigm是s型函数，tanh是双曲切函数，算子
⊙
表示元素级乘积。
[0038]优选的，所述步骤五中，检验过程具体如下：
[0039]在采集到的信号中，加入干扰信号，用距离模型进行判断，得到准确率、混淆矩阵分类结果准确率和KPCA降维分析作为评估标准。
[0040]因此，本专利技术采用上述方法的一种基于MVDR的LSTM距离估计方法，具有以下有益之处：
[0041](1)由于电力变压器数目繁多，故障种类复杂，导致人为诊断步骤繁琐，浪费时间较长，该模型在深度学习的基础上减少了人工提取电力变压器故障特征这一繁琐的步骤，能够大大缩减时间。
[0042](2)生成的电力变压器故障距离样本，通过调节模型结构及参数、权值参数优化算法训练MVDR
‑
LSTM模型。采用所提模型对测试集数据进行回归预测，预测准确率为93.33％，与其它模型相比拟合效果更好，结果更接近真实值。
[0043](3)研究分析了电力变压器运行时的5个故障位置，实验结果表明所提模型具有故障距离估计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MVDR的LSTM距离估计方法，其特征在于：包括以下步骤：步骤一：建立采集分析平台，对发生不同故障的电力变压器进行信号采集；步骤二：对采集到的信号进行MVDR波束形成处理，生成特征矩阵，并依据生成的特征矩阵构建故障数据集合；步骤三：对构建好的故障数据集合进行划分，取90％作为训练集合，取10％为测试集；步骤四：将构建好的训练集输入到LSTM中构建距离模型；步骤五：距离模型构建完成，输入测试集检验LSTM算法对电力变压器声纹信息的预测精度。2.根据权利要求1所述的一种基于MVDR的LSTM距离估计方法，其特征在于：所述步骤一中的采集分析平台包括声学传感器，所述声学传感器通过数据采集装置连接分析计算机，所述声学传感器的频率响应范围10Hz～20kHz，采样频率16000Hz。3.根据权利要求1所述的一种基于MVDR的LSTM距离估计方法，其特征在于：所述步骤二中，MVDR波束形成处理的具体过程如下：空间中期望目标位置P'信息为(r0,θ0)，干扰信号i
j
(j＝1,2,...,J)，干扰位置为(r
j
,θ
j
)，阵元噪声为n(t)，则接收端第n个阵元信号的公式如下：在上式中，a(θ)是来自于(r,θ)方向的接收导向矢量，a(θ)的公式如下：在上式中，f0是采样频率，c是声速，在满足约束条件w
H
a(θ)＝1，计算噪声最小的结果，则目标函数优化后的结果公式如下：在公式(3)中，E是自相关函数，y(t)是阵列的加权输出，W
H
是待求解的自适应波束形成加权共轭转置向量，R为各个阵元信号的相关矩阵，W是待求解的自适应波束形成加权向量，MVDR权重优化问题表示为公式(4)与公式(5)，公式如下：MVDR权重优化问题表示为公式(4)与公式(5)，公式如下：上式中，θ
d
代表期望信号的方向，θ
ij
代表干扰信号的方向，MVDR波束形成器求解各个阵元的权系数，使用拉格朗日乘数法进行求解，得到公式如下：L(w)＝w
H
Rw+λ[w
H
a(θ
d
)
‑
1]
ꢀꢀꢀꢀ
(6)对公式(6)进行求导后，当结果为...

【专利技术属性】
技术研发人员：王建新，赵志山，牛铮，朱军，沈清坤，刘振华，吴寒江，史鑫，张加涛，李冬，李心，宋武超，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：