首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 融合声纹特征的智慧电网主设备故障自动化识别系统

融合声纹特征的智慧电网主设备故障自动化识别系统

2024-11-25 55 上传者：管理员

摘要：为准确识别电网主设备故障，推进电网智能化水平和安全运行，设计融合声纹特征的智慧电网主设备故障自动化识别系统。采集电网主设备故障信号，通过主控中枢和上位机将其发送到人工智能中枢，人工智能中枢对信号进行分帧和添加汉明窗处理后，提取电网主设备超声信号的声纹特征，再将该声纹特征输入到卷积深度置信网络模型内，输出电网主设备故障自动化识别结果。实验表明，该系统可有效采集智慧电网主设备故障超声信号，提取到电网主设备声纹特征，有效识别不同电网主设备出现的故障类型和故障时间，应用效果较为显著。

关键词：
声纹特征
故障识别系统
智慧中枢
电网主设备
超声传感器
加入收藏

电网主设备作为电力系统的核心组成部分[1]，其稳定运行对电力系统的整体安全与效率具有决定性作用。然而，电网主设备在运行过程中难以避免地会出现各类故障，这些故障若不能得到及时识别和处理，将对电网的稳定运行构成严重威胁[2-4]。

目前已有相关领域学者研究电网主设备故障识别系统，例如从知识图谱、空气绝缘以及最小二乘法方面开展了变电站设备故障识别系统研究[5-7]，但仍存在准确性不足、应用范围不够广泛以及降低预测能力的问题。

声纹特征是指设备在运行过程中产生的独特声音模式，这些声音包含了能够标识和表征设备特定状态的关键信息。通过分析设备声纹特征，可以有效识别设备的类型、运行状态以及潜在的故障。声纹特征提取技术对于智能监控和预防性维护至关重要[8]，它们提供了非侵入式、实时且准确的设备监测手段，有助于提升设备的运行效率和安全性。在此以声纹特征为基础，设计融合声纹特征的智慧电网主设备故障自动化识别系统，以提高电网的智能化水平和运行效率。

1、智慧电网主设备故障自动化识别系统

1.1 系统技术框架构建

电网主设备自动化识别系统依托智慧中枢构建，智慧中枢是一个高度集成、智能化的数据管理与服务平台，其核心功能在于通过大数据、人工智能等先进技术实现数据的全面整合、高效分析以及智能化应用[9]，构架智慧电网主设备故障自动化识别系统技术框架，如图1所示。智慧电网主设备故障自动化识别系统技术框架由数据中枢、主控中枢、人工智能中枢和应用中枢组成，在数据中枢内，使用超声传感器连接变压器、断路器、隔离开关等不同类型的电网主设备，采集电网主设备故障超声信号后，通过微处理器和短距无线传输单元将电网主设备故障超声信号发送到无线网络汇聚节点内，再发送到主控中枢内，主控中枢使用型号为STM32F103RCT6的MCU主控芯片作为核心控制器，该核心控制器负责接收电网主设备故障超声信号并对其进行存储，使用远距离传输方式，将电网主设备故障超声信号发送到上位机中，上位机连接可编程逻辑控制器，该逻辑控制器通过运行人工智能中枢内超声信号分帧、加窗预处理方法、基于梅尔频率倒谱系数的超声信号特征提取方法和深度卷积置信网络模型，获得当前电网主设备故障自动化识别结果后，将其反馈到上位机内，上位机连接应用中枢，将得到的电网主设备故障自动化识别结果应用到故障维修、隐患排查、电网主设备管理等应用中。

图1 智慧电网主设备故障自动化识别系统技术框架

1.2 超声传感器硬件选择

超声传感器是智慧电网主设备故障自动化识别系统中重要的硬件，其负责采集电网主设备故障超声信号。在此选择型号为JSN-SR04T超声传感器采集电网主设备故障超声信号。该超声传感器内具有一个电容式微加工超声换能器[10]，该换能器是由一系列小的、悬空的、电容式薄膜（也称为“膜片”）组成，这些膜片与下方的电极之间形成电容，当在这些电极上施加电压时，膜片会振动，产生超声波。同样，当超声波撞击膜片时，它们会振动，从而在电极上产生电压信号，实现超声波的接收。该超声传感器的电容式微加工超声换能器硬件结构如图2所示。

图2 超声传感器电容式微加工超声换能器结构

1.3 融合声纹特征的电网主设备故障自动化识别方法

使用超声传感器采集的电网主设备故障超声信号具有短时平稳性特征，在提取电力系统主设备超声声纹特征之前，需要将一整段超声信号分为若干个短信号[11]，该过程为超声信号分帧。令R表示完整超声信号分帧后得到的电网主设备故障超声信号帧数量，其计算公式为

式中：u表示电网主设备故障超声信号长度；s表示分帧时的帧移动数值；floor（·）表示向下取整函数。

要对分帧处理后的电网主设备故障超声信号进行加窗处理。在此选择汉明窗，汉明窗具有分辨率高和信号频率泄露少等特点，电网主设备故障超声信号汉明窗加窗表达式如下：

式中：Γ（n）为电网主设备故障超声信号的汉明窗；Q为电网主设备故障超声信号总帧数，q∈Q;θ1、θ2为汉明窗调节参数。

以添加汉明窗后的电网主设备故障超声信号为基础，使用梅尔频率倒谱系数提取电网主设备故障超声信号特征，其提取流程如图3所示。

图3 电网主设备故障超声信号特征提取流程

将电网主设备故障声纹特征作为输入，使用卷积深度置信网络模型实现电网主设备故障自动化识别，其实现过程如下所述。

卷积深度置信网络由若干个最大池化卷积受限玻尔兹曼机叠加组成[12]，分为可见层、隐含层和池化层，电网主设备故障声纹特征输入到可见层内，可见层将其传输到隐含层，在该过程中通过卷积操作对网络内第k个主设备故障声纹特征的第i行第j列隐含层进行激活处理，其激活概率函数表达式如下：

式中：A为隐含层单元；W为权值；h为偏置；σ为激活函数。

使用式（8）激活隐含层单元后，该层与池化层之间通过池化操作选择电网主设备故障声纹特征类别，则池化层条件激活概率计算公式如下：

式中：C表示池化层；i′、j′为池化层神经元行和列。

通过式（9）对池化层激活后，该层计算当前电网主设备故障声纹特征类别向量后，将其映射到样本标记空间内，然后计算每个电网主设备故障声纹特征对应故障类型的概率，其表达公式如下：

式中：Y[·]为分类器函数；P0为电网主设备故障声纹特征对应故障类型的总概率；为第i类电网主设备故障声纹特征；T(i）为该特征对应故障类型的概率，当该概率数值大于0.85时，则表明当前电网主设备故障声纹特征属于第i个故障。

通过式（5）反复运算后，卷积深度置信网络模型输出智慧电网主设备故障自动化识别结果。

2、实验结果与分析

以某省智慧电网作为实验对象，该电网内包括变压器、断路器、隔离开关、变压器保护装置、变压器合并器等若干电网主设备，电网主设备在运行过程中会出现不同类型故障，为保障该电网运行正常，使用本文系统对该智慧电网主设备故障展开自动化识别。

本文系统采集电网主设备故障声波信号结果如图4所示。在300～450 kHz的频段内，传感器的频点响应显著上升，敏感响应幅值高达-120 dB，这意味着对故障产生的声波信号极为敏感。

图4 电网主设备故障声波信号频段响应曲线

某电网主设备故障超声信号作为实验对象，使用本文系统对其进行分帧处理，分帧结果如图5所示。图5展示了本文系统对电网主设备故障超声信号的高效处理能力。系统成功地将连续的故障超声信号分割为9个帧移相等的帧，确保每个帧都包含了故障信号的关键信息。

以某电网主设备故障超声信号作为实验对象，本文系统声纹特征结果如图6所示。图6所展示的内容清晰揭示了本文系统在电网主设备超声信号处理方面的卓越性能。通过将超声信号转换为梅尔频谱对数，系统能够多维度、多帧地展示电网主设备的超声信号频谱数值，这一转换过程不仅凸显了信号的声纹特征，而且进一步增强了系统对这些特征的提取能力。

图5 电网主设备故障超声信号分帧结果

图6 电网主设备超声信号声纹特征提取结果

以该智慧电网内的主设备作为实验对象，使用本文系统在一年内对该电网主设备的故障展开自动化识别，识别结果如表1所示。表1详细记录了本文系统在一年内对电网主设备故障自动化识别的结果，成功识别出各类故障类型及其发生时间。

表1 电网主设备故障自动化识别结果

3、结语

融合声纹特征的自动化识别系统，为电网主设备的故障检测提供了一种高效、精准的新途径。该系统不仅极大地提高了故障识别的速度和准确性，降低了维护成本，而且通过实时监控和预警，有效预防了潜在的安全隐患。展望未来，随着人工智能和大数据技术的深度融合，这一智慧中枢将助力电网系统实现更高水平的智能化和自动化，为电力行业的可持续发展注入新的活力。

参考文献:

[1]李鑫,刘佳钰,龚正宇,等.基于子图同构的电力系统故障建模方法[J].电力系统及其自动化学报,2023,35(1):120-128.

[2]沈政委,孙华东,仲悟之,等.基于关键事件的高比例新能源电力系统故障连锁演化规律分析[J].电力系统自动化,2022,46(24):57-65.

[3]裴晓东,张文龙,刘海龙,等.基于SVM-PSO的电网设备早期故障分类方法[J].电网与清洁能源,2022,38(4):68-75.

[4]黄志鸿,洪峰,黄伟.形状自适应低秩表示的电力设备热故障诊断方法研究[J].红外技术,2022,44(8):870-874.

[5]肖发龙,吴岳忠,沈雪豪,等.基于深度学习和知识图谱的变电站设备故障智能诊断[J].电力建设,2022,43(3):66-74.

[6]王琼苑,褚继峰,李秋霖,等.基于微型气体传感阵列的空气绝缘设备放电故障识别[J].电工技术学报,2023,38(23):6494-6502.

[7]卢晓强,李刚,周万竣,等.基于最小二乘双支持向量机的配电网短路故障辨识方法研究[J].武汉大学学报(工学版),2022,55(4):401-408.

[8]托娅,王伟,毛华敏,等.基于机器学习的电力设备故障红外智能诊断方法[J].河南理工大学学报(自然科学版),2022,41(5):121-126.

[9]王雪,刘长荣,刘兴杰,等.基于脱网负荷容量的电网薄弱环节识别方法[J].电力科学与技术学报,2022,37(3):85-93.

[10]张贺,曹天陛,李先允.基于小波近似熵及BP神经网络的直流电网短路故障识别方法[J].电气传动,2023,53(4):84-90+96.

[11]李楠,马宏忠,张玉良,等.基于特征筛选和改进深度森林的变压器内部机械状态声纹识别[J].电机与控制应用,2022,49(9):57-65+74.