基于LSTM神经网络的油浸式变压器异常声纹诊断方法研究
于达，张玮，王辉
（1.齐鲁工业大学（山东省科学院）电气工程与自动化学院，济南 250353；
2.山东大学电气工程学院，济南 250061）
在电力系统中，电力变压器是最重要的设备之一，电力变压器的运行状态可以直接影响电力系统的供电与安全。据不完全统计，目前我国在运110 kV及以上的电力变压器已经达到30 000 余台，总容量达到了3 400 000 MVA[1]。因此变压器监测与故障检测技术对电网预防故障的能力与安全稳定的运行有着十分重要的意义。
电力变压器发生的故障主要以绝缘故障为主，有些非绝缘的原发故障能够转变成绝缘故障，导致变压器发生绝缘劣化的因素是由多种因素造成的[2-4]。研究显示，局部放电的异常状态是绝缘劣化主要的原因，而且也是绝缘劣化的先兆及显现的形式[5]，所以针对于电力变压器异常状态诊断就显得极其重要。目前针对变压器异常与故障诊断的方法主要有油色谱诊断，振动诊断，红外热成像诊断，声学诊断以及光谱诊断[6]。在这些诊断方式中，声学诊断相较于其他诊断方式拥有装配方便、诊断速度快、不与设备直接接触等优点。运用声音进行异常以及故障诊断的方法大多都是靠有经验的人通过人耳去听，然后进行诊断。但这种方法人为影响偏大，仅仅适用于比较明显的故障发生的状况。因此运用声纹自动诊断技术监测变压器的运行状态，能够将声音诊断方式的优势充分发挥出来。目前对于变压器声学故障诊断的方法大多都是建立模型、特征提取等方法上，对于将声音与深度学习相结合进行识别的方法研究较少，但是这种方法在其他领域取得了优异的诊断效果。黎煊等人运用深度信念网络（Deep Belief Network，DBN）建立模型，并应用于识别猪的咳嗽声，提取声音的梅尔频率倒谱系数（Mel-frequency Cepstral Coefficients，MFCC）与短时能量结合成1030 维的特征数据，将此特征数据通过DBN 进行学习，通过五折交叉验证得到的识别的准确率可以达到90%左右[7]。杨豪鸽通过声音的预处理抽取出MFCC 参数与伽玛通频率倒谱系数（Gammatone Frequency Cepstrum Coefficient，GFCC）特征组成声音的特征矢量在Tensorflow 框架下与卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）以及前馈神经网络（Feedforward Neural Networks，FNN）相结合，识别平均准确率达到了95%，并拥有较优异的鲁棒性[8]。戚敏惠采用三元组损失与CNN网络结合提出...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
