基于制造技术

本发明专利技术涉及基于

【技术实现步骤摘要】
基于DNN算法的超特高压变压器故障状态分析方法


[0001]本专利技术属于变压器音频特征提取
，具体涉及基于
DNN
算法的超特高压变压器故障状态分析方法
。

技术介绍

[0002]变压器是电力系统中的重要设备，其运行稳定性直接影响供电质量，所以对变压器运行情况进行监测及故障诊断，提前发现故障隐患并消除，提高变压器可靠性，对于保证变压器可靠运行具有重要意义，因此变压器运行状态监测及故障诊断已成为电网维护的一项重要工作；目前的变电站设备的检测手段主要通过二次装置在线监测
、
视频或人员定期进行巡检，即变压器监测一般需要使用接触式测量仪器进行巡检，人力成本高，效率低；因此，提供一种采集故障音频信号
、
准确提取有效的故障特征量
、
快速判断故障类型的基于
DNN
算法的超特高压变压器故障状态分析方法是非常有必要的
。

技术实现思路

[0003]本专利技术的目的是为了克服现有技术的不足，而提供一种采集故障音频信号
、
准确提取有效的故障特征量
、
快速判断故障类型的基于
DNN
算法的超特高压变压器故障状态分析方法
。
[0004]本专利技术的目的是这样实现的：基于
DNN
算法的超特高压变压器故障状态分析方法，方法包括以下步骤：
[0005]步骤1：使用经验模态分解方法即
EMD
将信号分解成若干/>IMF
特征分量；
[0006]步骤2：进行
Hilbert
变换，得到相应的
Hilbert
谱；
[0007]步骤3：将异常运行时的音频特征量与正常运行时的特征量做对比分析，从而实现变压器故障诊断
。
[0008]所述的步骤1中的经验模态分解方法具体为：
EMD
的主要作用是将信号分解成若干个
IMF
，每一个
IMF
必须满足两个条件：
①
信号的极值点数目和过零点数目相等或最多相差一个；
②
由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零
。
[0009]所述的步骤1中的经验模态分解
EMD
方法具体包括以下步骤：
[0010]步骤
1.1
：首先获得给定的信号
s(t)
的所有极点，用三次样条插值函数求出上下包络线，上下包络线的均值记为
m1(t)
，
s(t)
与
m1(t)
的差记为
h1(t)
，则：
s(t)
‑
m1(t)
＝
h1(t)
；
[0011]步骤
1.2
：由于通常情况下此时的
h1(t)
还不是一个
IMF
分量序列，这就需要对
h1(t)
重复步骤
1.1
，直到过零点的数目和极点的数目相等或仅相差一个，且各个瞬时平均值都等于零，从而得出第一个
IMF
分量
c1
；
[0012]步骤
1.3
：然后用
s(t)
减去
c1
，得到残余信号
r(t)
，再用
s(t)
重复步骤
1.2
，得到第二个
IMF
分量
cc2、
第三个
IMF
分量
c3......
，最后得到第
m
个
IMF
分量
cm
和残余信号
rm
；
[0013]步骤
1.4
：
rm
满足给定的终止条件时结束，最终获得的表达式为：
[0014][0015]所述的步骤2中的进行
Hilbert
变换，得到相应的
Hilbert
谱具体为：对于每一个分解出来的
IMF
分量，做
Hilbert
变换：生成的解析信号为：由此得到瞬时振幅和瞬时相位的函数：进一步可求出瞬时频率：将所有分量的
Hilbert
谱汇总，就得到了：这个表达式省略了残余函数
r
m
(t)
，它可能是一个单调函数，也可能是一个常数；
Re
表示取实部，展开式称为
Hilbert
谱，记为：由此对上式进行积分就可以进一步得到
Hilbert
边际谱：
[0016]所述的步骤3中的将异常运行时的音频特征量与正常运行时的特征量做对比分析，从而实现变压器故障诊断，即通过特征对比判断运行状态或故障，具体为：对分解求得的
IMF
分量分别进行
Hilbert
‑
Huang
变换的
EMD
分解后，便可提取出每一个
IMF
分量的特征波形及其频谱
、
包络线
、
瞬时频率
、
调制信号和调制信号的频谱等可以反映此分量特征信息的特征量，通过将这些特征量与变压器正常运行时的音频特征量进行对比分析，即可及时判断变压器的运行状态或者故障类型
。
[0017]本专利技术的有益效果：本专利技术为基于
DNN
算法的超特高压变压器故障状态分析方法，变压器在运行过程中可能会出现不同类型的故障，导致变压器发出异常声响，本专利技术根据变压器运行时声音的变化来反映变压器运行状态的变化，即在变压器发生故障时提取音频特征信息，通过采集变压器故障运行时的异常音频，并提取音频特征量进行分析处理，就可判断出变压器的故障类型，本专利技术能够采集变压器运行中的故障音频信号并提取其特征量，尤其是从包含环境噪声的混合音频中准确提取有效的故障特征量，本专利技术在音频分析中通过应用
Hilbert
‑
Huang
变换，实现变压器故障音频特征的有效分离和提取；本专利技术具有采集故障音频信号
、
准确提取有效的故障特征量
、
快速判断故障类型的优点
。
附图说明
[0018]图1为本专利技术的感知机模型图
。
[0019]图2为本专利技术的神经网络模型图一
。
[0020]图3为本专利技术的神经网络模型图二
。
[0021]图4为本专利技术的
DNN
深度神经网络模型图
。
[0022]图5为本专利技术的模函数原始信号示意图
。
[0023]图6为本专利技术的函数
IMF
分量示意图
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
DNN
算法的超特高压变压器故障状态分析方法，其特征在于：所述的方法包括以下步骤：步骤1：使用经验模态分解方法即
EMD
将信号分解成若干
IMF
特征分量；步骤2：进行
Hilbert
变换，得到相应的
Hilbert
谱；步骤3：将异常运行时的音频特征量与正常运行时的特征量做对比分析，从而实现变压器故障诊断
。2.
如权利要求1所述的基于
DNN
算法的超特高压变压器故障状态分析方法，其特征在于：所述的步骤1中的经验模态分解方法具体为：
EMD
的主要作用是将信号分解成若干个
IMF
，每一个
IMF
必须满足两个条件：
①
信号的极值点数目和过零点数目相等或最多相差一个；
②
由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零
。3.
如权利要求2所述的基于
DNN
算法的超特高压变压器故障状态分析方法，其特征在于：所述的步骤1中的经验模态分解
EMD
方法具体包括以下步骤：步骤
1.1
：首先获得给定的信号
s(t)
的所有极点，用三次样条插值函数求出上下包络线，上下包络线的均值记为
m1(t)
，
s(t)
与
m1(t)
的差记为
h1(t)
，则：
s(t)
‑
m1(t)
＝
h1(t)
；步骤
1.2
：由于通常情况下此时的
h1(t)
还不是一个
IMF
分量序列，这就需要对
h1(t)
重复步骤
1.1
，直到过零点的数目和极点的数目相等或仅相差一个，且各个瞬时平均值都等于零，从而得出第一个
IMF
分量
c1
；步骤
1.3
：然后用
s(t)
减去
c1
，得到残余信号
r(t)
...

【专利技术属性】
技术研发人员：董武亮，王世旭，池锐敏，吴帅，尹秀刚，封永才，张勋，杨平，崔琰，时延英，宋丹，
申请(专利权)人：国网河南省电力公司超高压公司，
类型：发明
国别省市：