基于声信号和频繁项集挖掘的变压器异常监测方法及系统与流程

1.本发明涉及变压器异常监测技术领域，具体涉及一种基于声信号和频繁项集挖掘的变压器异常监测方法及系统。

背景技术：

2.变压器是电力系统的关键设备之一，其发生任何故障都会带来安全隐患和重大经济损失，直接影响了电网的可靠性与安全性。同时，电力系统日趋复杂、高效、智能，而变压器设备的运行环境较为恶劣，存在空间有限、布线结构复杂，运行时有较强的电磁信号影响等问题，导致对变压器设备进行检修困难较大。变压器在长时间运行过程中会承受电压冲击、热冲击以及机械振动冲击，导致其故障频发。因此，变压器运行状态的智能异常监测对维护电网安全、降低运维成本、保障人民生计具有重要意义。

技术实现要素：

3.本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于声信号和频繁项集挖掘的变压器异常监测方法及系统，本发明具有不依赖专家经验、诊断精度高的特点，能有效应用于复杂噪声环境下的变压器运行状态诊断。
4.为了解决上述技术问题，本发明采用的技术方案为：
5.一种基于声信号和频繁项集挖掘的变压器异常监测方法，包括：
6.s101，获取变压器的实时声信号；
7.s102，对变压器的实时声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；
8.s103，针对多维特征的数值进行离散化以获得离散数据表，根据离散数据表利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集；
9.s104，若频繁项集的数量超过预设的正常状态下频繁项集的异常报警线，则判定变压器当前处于异常状态，否则判定变压器当前处于正常状态。
10.可选地，步骤s104之前还包括确定正常状态下频繁项集的异常报警线：
11.s201，获取变压器的历史声信号；
12.s202，对变压器的历史声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；
13.s203，针对多维特征的数值进行离散化以获得离散数据表，并利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集，并根据挖掘得到的频繁项集的数量确定预设的正常状态下频繁项集的异常报警线。
14.可选地，步骤s101中对变压器的历史声信号进行特征提取之前，还包括对变压器的历史声信号进行数据清洗的步骤。
15.可选地，所述数据清洗包括异常值丢弃、缺失值填充以及数据规约中的至少一项。
16.可选地，所述多维特征包括峰值、峰峰值、均方根值、标准差、斜度、峭度、波形指
标、裕度指标、脉冲指标中的部分或全部。
17.可选地，所述针对多维特征的数值进行离散化是指采用十区分箱操作，根据每一维特征的数值最大值和最小值将数值区间进行十等分并给予对应的标签，某一数值区间内的所有的数值共享同一标签，并根据划分后的特征的数值根据标签建立离散数据表。
18.可选地，所述预设的频繁项集挖掘算法为relim算法。
19.可选地，所述确定正常状态下频繁项集的异常报警线的操作为定时运行以用于实现对正常状态下频繁项集的异常报警线的定时更新。
20.此外，本发明还提供一种基于声信号和频繁项集挖掘的变压器异常监测系统，包括相互连接的微处理器和存储器，所述微处理器被配置以执行所述基于声信号和频繁项集挖掘的变压器异常监测方法。
21.此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器配置以执行所述基于声信号和频繁项集挖掘的变压器异常监测方法。
22.和现有技术相比，本发明主要具有下述优点：本发明方法包括获取变压器的实时声信号；对变压器的实时声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；针对多维特征的数值进行离散化以获得离散数据表，根据离散数据表利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集；若频繁项集的数量超过预设的正常状态下频繁项集的异常报警线，则判定变压器当前处于异常状态，否则判定变压器当前处于正常状态。本发明通过基于有量纲幅域参数和无量纲幅域参数在内的多维特征、多维特征的数值的离散化并利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集进行异常状态的识别，具有不依赖专家经验、诊断精度高的特点，能有效应用于复杂噪声环境下的变压器运行状态诊断。
附图说明
23.图1为本发明实施例方法的基本流程示意图。
24.图2是本发明实施例中的模型训练与应用示意图；。
25.图3是本发明实施例中的离散化特征表示意图。
26.图4是本发明实施例中的频繁项集挖掘结果示意图。
27.图5是本发明实施例中的优选实施例的监测结果。
具体实施方式
28.如图1所示，本实施例基于声信号和频繁项集挖掘的变压器异常监测方法包括：
29.s101，获取变压器的实时声信号；
30.s102，对变压器的实时声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；
31.s103，针对多维特征的数值进行离散化以获得离散数据表，根据离散数据表利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集；
32.s104，若频繁项集的数量超过预设的正常状态下频繁项集的异常报警线，则判定变压器当前处于异常状态，否则判定变压器当前处于正常状态。
33.本实施例中，将步骤s103中挖掘获得频繁项集可视为频繁项集挖掘算法模型的应用过程，而步骤s104中获取预设的正常状态下频繁项集的异常报警线的过程，即可视为频繁项集挖掘算法模型的训练过程。
34.如图2所示，本实施例步骤s104之前还包括确定正常状态下频繁项集的异常报警线：
35.s201，获取变压器的历史声信号；
36.s202，对变压器的历史声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；
37.s203，针对多维特征的数值进行离散化以获得离散数据表，并利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集，并根据挖掘得到的频繁项集的数量确定预设的正常状态下频繁项集的异常报警线。
38.本实施例中，步骤s101中对变压器的历史声信号进行特征提取之前，还包括对变压器的历史声信号进行数据清洗的步骤。一般而言，数据清洗包括异常值丢弃、缺失值填充以及数据规约(以按照规定的数据区间进行数据归一化/标准化处理)中的至少一项。
39.本实施例中，多维特征包括峰值、峰峰值、均方根值、标准差、斜度、峭度、波形指标(均方根值与绝对平均值的比值)、裕度指标(峰值与方根幅值的比值)、脉冲指标(峰值与绝对平均值的比值)中的部分或全部。需要说明的是，峰值、峰峰值、均方根值、标准差、斜度、峭度、波形指标、裕度指标以及脉冲指标均为现有的已知参数，本实施例中仅仅为涉及上述已知参数的应用，故其详细的计算方法在此不再详述。
40.本实施例中，针对多维特征的数值进行离散化是指采用十区分箱操作，根据每一维特征的数值最大值和最小值将数值区间进行十等分并给予对应的标签，某一数值区间内的所有的数值共享同一标签，并根据划分后的特征的数值根据标签建立离散数据表。毫无疑问，此外还可以根据需要采用其他可行的离散化方法。
41.本实施例中，预设的频繁项集挖掘算法为relim算法，利用relim算法科获取特征间深层次关联信息，可确保其异常状态的识别的准确度。relim算法为一种公知的频繁项集挖掘算法，本实施例仅仅涉及该方法的应用，并不涉及该方法的改进，故其实现细节在此不再详述。
42.本实施例中，确定正常状态下频繁项集的异常报警线的操作为定时运行以用于实现对正常状态下频繁项集的异常报警线的定时更新，从而可确保步骤s101～s104的循环执行过程中，正常状态下频繁项集的异常报警线总是被定时更新，以提升监测准确度。
43.为验证本实施例基于声信号和频繁项集挖掘的变压器异常监测方法对变压器声信号智能识别的实际效果，从长沙110kv马王堆变电站、长沙110kv合丰变电站、长沙110kv体育新城现场变电站和娄底九仑变电站分别采集了大量的历史运行声信号数据。对其中一段信号进行数据离散化和频繁项集挖掘的结果如图3和图4所示。图3所示的离散数据表中，共包含10个特征维度，每一个特征维度包含10个数值分区，每一个特征维度对应一个数值分区共用一个离散标签，例如图3中箭头所指离散标签j2即为第10个维度、第4个数值分区的离散标签。图4所示的频繁项集挖掘的结果中，频繁项集的数量随着时间的变化而不断发生变化，频繁项集的数量与变压器异常状态直接相关，因此可通过根据挖掘得到的频繁项集的数量确定预设的正常状态下频繁项集的异常报警线，预设的正常状态下频繁项集的异
常报警线应当大于正常状态下频繁项集的数量，并可根据需要增加所需的裕度，从而可准确区分压器的运行状态。图5为设置报警线后的变压器的运行状态，黑圆圈为捕捉到的异常状态而触发的报警点，可以发现本实施例基于声信号和频繁项集挖掘的变压器异常监测方法能够有效监测设备运行情况。
44.综上所述，变压器是电力系统的关键设备之一，其发生任何故障都会带来安全隐患和重大经济损失，直接影响了电网的可靠性与安全性。在实际运行过程中，变压器的声信号包含强噪声，其频率成分复杂，信号干扰源较多，状态监测难度较大。本实施例基于声信号和频繁项集挖掘的变压器异常监测方法克服了现有方法在强噪音情况下的变压器故障特征提取困难而造成诊断性能欠佳的问题，提高了状态监测能力和实际应用价值。首先基于变压器历史数据，提取多视角特征参数，然后利用频繁项集挖掘并分析特征参量的深层次联系，构建变压器健康状态映射空间，实现变压器运行状态的智能监测与分析。本实施例基于声信号和频繁项集挖掘的变压器异常监测方法通过学习变压器运行状态特征之间的关联性，在没有故障数据的情况下实现对变压器的准确异常监测。与传统的异常监测方法相比，在面对强噪声环境时具有更好的监测性能，更符合工业应用的实际场景。
45.此外，本实施例还提供一种基于声信号和频繁项集挖掘的变压器异常监测系统，包括相互连接的微处理器和存储器，该微处理器被配置以执行前述基于声信号和频繁项集挖掘的变压器异常监测方法。
46.此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序用于被微处理器配置以执行前述基于声信号和频繁项集挖掘的变压器异常监测方法。
47.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
48.以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域
的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：

1.一种基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，包括：s101，获取变压器的实时声信号；s102，对变压器的实时声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；s103，针对多维特征的数值进行离散化以获得离散数据表，根据离散数据表利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集；s104，若频繁项集的数量超过预设的正常状态下频繁项集的异常报警线，则判定变压器当前处于异常状态，否则判定变压器当前处于正常状态。2.根据权利要求1所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，步骤s104之前还包括确定正常状态下频繁项集的异常报警线：s201，获取变压器的历史声信号；s202，对变压器的历史声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；s203，针对多维特征的数值进行离散化以获得离散数据表，并利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集，并根据挖掘得到的频繁项集的数量确定预设的正常状态下频繁项集的异常报警线。3.根据权利要求2所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，步骤s101中对变压器的历史声信号进行特征提取之前，还包括对变压器的历史声信号进行数据清洗的步骤。4.根据权利要求3所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，所述数据清洗包括异常值丢弃、缺失值填充以及数据规约中的至少一项。5.根据权利要求1～4中任意一项所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，所述多维特征包括峰值、峰峰值、均方根值、标准差、斜度、峭度、波形指标、裕度指标、脉冲指标中的部分或全部。6.根据权利要求5所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，所述针对多维特征的数值进行离散化是指采用十区分箱操作，根据每一维特征的数值最大值和最小值将数值区间进行十等分并给予对应的标签，某一数值区间内的所有的数值共享同一标签，并根据划分后的特征的数值根据标签建立离散数据表。7.根据权利要求6所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，所述预设的频繁项集挖掘算法为relim算法。8.根据权利要求2所述的基于声信号和频繁项集挖掘的变压器异常监测方法，其特征在于，所述确定正常状态下频繁项集的异常报警线的操作为定时运行以用于实现对正常状态下频繁项集的异常报警线的定时更新。9.一种基于声信号和频繁项集挖掘的变压器异常监测系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被配置以执行权利要求1～8中任意一项所述基于声信号和频繁项集挖掘的变压器异常监测方法。10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器配置以执行权利要求1～8中任意一项所述基于声信号和频繁项集挖掘的变压器异常监测方法。

技术总结

本发明公开了一种基于声信号和频繁项集挖掘的变压器异常监测方法及系统，本发明方法包括：获取变压器的实时声信号；对变压器的实时声信号进行特征提取，以获得包括有量纲幅域参数和无量纲幅域参数在内的多维特征；针对多维特征的数值进行离散化以获得离散数据表，根据离散数据表利用预设的频繁项集挖掘算法对离散数据表进行频繁项挖掘获得频繁项集；若频繁项集的数量超过预设的正常状态下频繁项集的异常报警线，则判定变压器当前处于异常状态，否则判定变压器当前处于正常状态。本发明具有不依赖专家经验、诊断精度高的特点，能有效应用于复杂噪声环境下的变压器运行状态诊断。断。断。