无监督变压器声纹异常检测方法与流程

阅读：评论：0

1.本发明涉及变压器检测方法领域，具体是一种无监督变压器声纹异常检测方法。

背景技术：

2.电力变压器运行故障是导致系统大面积停电的关键原因，开展智能运检是保障电力变压器安全运行的有效手段。随着电网规模将迎来爆发式增长，电网运行安全性要求越来越高，现阶段运维检修模式无法满足电网运维工作的实际需求。具体表现在：
3.1)电网规模高速增长与运检人员数量相对稳定的矛盾突出，运维工作量远超人员承载力；
4.2)运检信息化水平仍有待提高，运维人员仍需大量的表计抄录、设备巡视及数据录入等重复性劳动；
5.3)通过带电检测或在线监测发现变压器潜在故障的能力仍然不足，设备故障及其导致的运检人员伤害风险持续存在；
6.4)油中溶解气体监测、铁心接地电流监测、局放监测等一大批在线监测装置相继投入使用，初步建成了变压器关键状态量多维度在线监测系统，但仍存在监测状态量不足、稳定性较差、缺乏系统联动等问题；
7.5)没有先验知识，难以判断变压器是否运行正常；
8.随着智能运检、泛在物联网的建设发展，状态检测与故障诊断新技术的需求愈加凸显。

技术实现要素：

9.本发明为了解决现有技术的问题，提供了一种无监督变压器声纹异常检测方法，可利用深度学习判断变压器的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，具有诊断准确率高、诊断速度快的优点。
10.本发明提供了一种无监督变压器声纹异常检测方法，包括以下步骤：
11.1)变压器声纹数据采集及预处理：采集不同时间不同天气下同一台变压器正常声纹数据，对变压器声纹数据预处理；
12.2)变压器声纹特征提取：收集不同变压器声纹数据，进行变压器声纹特征训练，获得特征提取网络，然后对步骤1)预处理后的变压器声纹数据进行特征提取；
13.3)变压器声纹检测网络训练；设计变压器声纹异常检测网络，将步骤2)提取的变压器声纹特征，输入到变压器声纹异常检测网络中，进行模型训练，再经过输入与输出计算损失函数；
14.4)根据事先设定的阈值与损失值比对，大于阈值则变压器声纹异常声纹，小于阈值则变压器声纹正常，达到变压器异常检测的目的。
15.进一步改进，步骤1)所述变压器声纹数据预处理过程，采集变压器正常数据，进行
等长切分，所述等长切分中每个样本长度为10s，提取每个样本mel频谱图，再将mel频谱图转为rgb图像进行训练。
16.进一步改进，步骤2)所述变压器声纹特征训练过程中，将步骤1)得到的预处理后的变压器声纹数据，输入训练网络中，后接入fc全连接层，再接入度量学习损失函数。
17.所述损失函数采用arcloss，损失函数公式为：
[0018][0019]
n是样本的数量，i代表第i个样本，j代表第j个类别，s表示缩放系数，y为原始标签，m为超参数，是一个常数，数值为0到0.5之间，e是指数数学公式。
[0020]
所述训练网络的cnn主干网络backbone包括vgg、resnet、mobilenet、squeezenet。
[0021]
所述fc全连接层维度为128或者512。
[0022]
进一步改进，步骤3)所述变压器声纹异常检测网络结设计整体采用全卷积网络，通过五层卷积，进行编码，在经过五层反卷积进行解码。所述解码操作采用fpn结构。
[0023]
步骤3)所述损失函数采用mseloss，损失函数公式为：
[0024]
loss(xi，yi)＝(x
i-yi)2[0025]
x是输入，y是输出，i是第i个样本。
[0026]
本发明有益效果在于：可利用深度学习判断变压器的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，具有诊断准确率高、诊断速度快的优点。
附图说明
[0027]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0028]
图1为变压器正常声纹数据预处理流程图；
[0029]
图2为变压器声纹提取网络结构图；
[0030]
图3为变压器声纹异常检测网络结构图；
[0031]
图4为fpn结构示意图；
[0032]
图5为变压器整体异常检测流程图。
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0034]
本发明一种具体实施例如下：
[0035]
1.变压器声纹数据预处理
[0036]
采集变压器正常数据，进行等长切分，每个样本长度为10s，提取每个样本mel频谱图，再将mel频谱图转为rgb图像进行训练如图1所示。
[0037]
2.变压器声纹特征提取
[0038]
2.1变压器声纹特征训练：收集不同变压器声纹数据，变压器厂家、型号、功率、工作状态的不同导致变压器声纹数据各不相同，因此，采集的每一个变压器正常数据为一类样本，如收集n个变压器正常声纹数据，则有n个类别的声纹数据，n越大，模型的泛化性就越好，对变压器声纹特征表征越准确。将所有数据进行第一步的预处理操作，输入训练网络中，如图2下方虚线的特征图，cnn主干网络backbone不限于vgg、resnet、mobilenet、squeezenet等网络结构，后接入fc全连接层，fc全连接层维度为128或者512，再接入度量学习损失函数，这里损失函数采用arcloss，损失函数公式为：
[0039][0040]
n是样本的数量，i代表第i个样本，j代表第j个类别，s表示缩放系数，y为原始标签，m为超参数，是一个常数，数值为0到0.5之间，e是指数数学公式。
[0041]
2.2变压器声纹特征提取：变压器声纹经过预处理，经过第2.1步骤cnn网络进行推理，得到图2中上方虚线的特征图，作为变压器声纹特征的表征方法，维度为mx128的特征向量，m最小取值为32。
[0042]
注：本步骤为变压器声纹提取网络，具有泛化性，可以对不同型号、功率的变压器进行声纹特征提取，作为变压器特征提取的通用模型，为步骤3变压器异常检测网络提供特征输入。
[0043]
3.变压器声纹检测网络训练
[0044]
3.1由于变压器很难获得异常的声纹数据，可以通过训练正常的变压器声纹数据，来判断正常变压器声纹是否出现变化，实现无监督的检测方法，采集不同时间不同天气下同一台变压器正常声纹数据，经过步骤1进行预处理，输入到步骤2.2特征提取网络，经过网络推理，获得变压器声纹特征；
[0045]
3.2变压器声纹异常检测网络结设计：如图3所示，整体采用全卷积网络，通过五层卷积，进行编码，在经过五层反卷积进行解码，在解码操作采用了fpn结构，如图4，使特征更加丰富，防止过拟合，将3.1提取的变压器声纹特征，输入到图3异常检测的网络中，进行模型训练，再经过输入与输出计算损失函数，损失函数采用mseloss，损失函数公式为：
[0046]
loss(xi，yi)＝(x
i-yi)2[0047]
x是输入，y是输出，i是第i个样本。
[0048]
4.变压器异常声纹的判断
[0049]
如图5所示，将3.2的检测模型部署到变压器声纹处理系统中，将采集到的变压器声纹数据，经过步骤1预处理，再经过2.2cnn网络模型推理，进行特征提取，获得变压器声纹特征，输入3.2训练获得的声纹检测模型中，进行mseloss损失函数计算，根据事先设定的阈值与损失值比对，大于阈值则变压器声纹异常声纹，小于阈值则变压器声纹正常，达到变压
器异常检测的目的；
[0050]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，以上所述仅是本发明的优选实施方式，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，对于本技术领域的普通技术人员来说，可轻易想到的变化或替换，在不脱离本发明原理的前提下，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：

1.一种无监督变压器声纹异常检测方法，其特征在于，包括以下步骤：1)变压器声纹数据采集及预处理：采集不同时间不同天气下同一台变压器正常声纹数据，对变压器声纹数据预处理；2)变压器声纹特征提取：收集不同变压器声纹数据，进行变压器声纹特征训练，获得特征提取网络，然后对步骤1)预处理后的变压器声纹数据进行特征提取；3)变压器声纹检测网络训练；设计变压器声纹异常检测网络，将步骤2)提取的变压器声纹特征，输入到变压器声纹异常检测网络中，进行模型训练，再经过输入与输出计算损失函数；4)根据事先设定的阈值与损失值比对，大于阈值则变压器声纹异常声纹，小于阈值则变压器声纹正常，达到变压器异常检测的目的。2.根据权利要求1所述的无监督变压器声纹异常检测方法，其特征在于：步骤1)所述变压器声纹数据预处理过程，采集变压器正常数据，进行等长切分，提取每个样本mel频谱图，再将mel频谱图转为rgb图像进行训练。3.根据权利要求2所述的无监督变压器声纹异常检测方法，其特征在于：所述等长切分中每个样本长度为10s。4.根据权利要求1所述的无监督变压器声纹异常检测方法，其特征在于：步骤2)所述变压器声纹特征训练过程中，将步骤1)得到的预处理后的变压器声纹数据，输入训练网络中，后接入fc全连接层，再接入度量学习损失函数。5.根据权利要求4所述的无监督变压器声纹异常检测方法，其特征在于：所述损失函数采用arcloss，损失函数公式为：n是样本的数量，i代表第i个样本，j代表第j个类别，s表示缩放系数，y为原始标签，m为超参数，是一个常数，数值为0到0.5之间，e是指数数学公式。6.根据权利要求4所述的无监督变压器声纹异常检测方法，其特征在于：所述训练网络的cnn主干网络backbone包括vgg、resnet、mobilenet、squeezenet。7.根据权利要求4所述的无监督变压器声纹异常检测方法，其特征在于：所述fc全连接层维度为128或者512。8.根据权利要求1所述的无监督变压器声纹异常检测方法，其特征在于：步骤3)所述变压器声纹异常检测网络结设计整体采用全卷积网络，通过五层卷积，进行编码，在经过五层反卷积进行解码。9.根据权利要求8所述的无监督变压器声纹异常检测方法，其特征在于：所述解码操作采用fpn结构。10.根据权利要求1或8所述的无监督变压器声纹异常检测方法，其特征在于：步骤3)所述损失函数采用mseloss，损失函数公式为：loss(x
i
，y
i
)＝(x
i-y
i
)2x是输入，y是输出，i是第i个样本。

技术总结

本发明提供了一种无监督变压器声纹异常检测方法，首先对变压器声纹数据采集及预处理，然后对变压器声纹特征提取，再对变压器声纹检测网络训练，最后根据事先设定的阈值与损失值比对，大于阈值则变压器声纹异常声纹，小于阈值则变压器声纹正常，达到变压器异常检测的目的。本发明可利用深度学习判断变压器的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，具有诊断准确率高、诊断速度快的优点。速度快的优点。速度快的优点。