一种基于小波时频熵和rusboost的变压器运行状态监测方法和系统
技术领域
1.本发明属于变压器声纹状态监测技术领域，涉及一种基于小波时频熵和rusboost的变压器运行状态监测方法和系统。
背景技术：2.变压器是电力系统的核心设备之一，其安全稳定运行，对电力系统的安全性和可靠性起着重要作用。长期以来，变压器运行时发出的声音一直被视为噪声，而忽略其中包含的大量的设备信息。基于声音信号的变压器状态监测与故障诊断，因其与被测对象没有任何接触，并且易于实现带电监测与诊断，从而展现出广阔的应用前景。
3.目前针对变压器声纹信号的状态监测与故障诊断已经开展了广泛研究，包括变压器声纹机理和基于智能算法的声纹特征提取与模式识别。多数学者认为变压器声纹信号是由绕组以及铁芯振动产生，可以从振动角度去阐述声纹机理。绕组以及铁芯振动的基频都是100hz，因此变压器声纹信号的基频也是100hz。然而从现场数据测量角度看，变压器声纹信号除100hz以外，还含有大量50hz的倍频信号，并且不同类型的变压器以及在变压器不同的运行状态下，其声纹信号也都存在差异。变压器本身结构的非线性以及声纹信号为多振动源叠加是上述现象的主要原因，并且在变压器运行工况波动时，提取的特征量在正常以及故障之间存在交叠。因此不对变压器运行全工况进行分析，仅从从数据角度对变压器内部机械状态进行监测和诊断，其数据往往为不仅难以对变压器真实状态进行精确判断，且不具备适用性。
4.近年来，随着人工智能技术的发展，由于其在预测、分类等方面的高效率和高准确度，这给变压器故障诊断和状态监测提供了一种新的思路。包海龙、邵宇鹰等人针对常规波束形成算法定位精确度差，提出基于反卷积波束形成算法的干式变压器异响故障研究。刘云鹏、罗世豪等人提出一种基于mel时频谱-卷积神经网络的变压器铁芯松动声纹识别方法。马文嘉、王丰华等人针对变压器遭受短路冲击时的声信号，提出基于稀疏自适应s变换的变压器绕组状态检测方法。大型电力变压器可靠性高，且工况稳定，故障或异常数据往往较难获取，传统的研究方法对变压器声纹信号能够进行有效的特征提取和模式识别，但存在对不平衡数据适用性差和对数据样本要求较高等问题。
技术实现要素：5.为解决现有技术中存在的不足，本发明的目的在于，提供一种基于小波时频熵和rusboost的变压器运行状态监测方法和系统，基于50hz倍频小波时频熵和rusboost实现变压器运行状态在线监测，为基于声纹的变压器故障诊断提供依据。
6.为了实现上述目标，本发明采用如下技术方案：
7.一种基于小波时频熵和rusboost的变压器运行状态监测方法，所述方法包括以下步骤：
8.步骤1：搭建电力变压器声纹数据采集平台，采集变压器不同运行工况下的声纹信号数据并进行数据预处理；
9.步骤2：对数据预处理后的变压器声纹信号进行铁芯及绕组声纹特征的时频域分析、运行工况分析以及测点选择；
10.步骤3：对所选测点处预处理后的变压器声纹信号进行50hz倍频小波时频熵计算，构成样本集；
11.步骤4：基于rusboost算法建立变压器声纹识别模型，对样本集中不同运行工况下的样本分别设置相应的工况标签，采用样本集对变压器声纹识别模型进行训练和测试；
12.步骤5：基于变压器声纹识别模型进行变压器运行状态在线监测。
13.本发明进一步包括以下优选方案：
14.优选地，步骤1中，搭建220kv自耦电力变压器声纹信号数据采集平台，采集变压器不同运行工况下的声纹信号数据，并对声纹信号数据进行灵敏度转换、数据切片预处理操作。
15.优选地，步骤2经时频域分析和运行工况分析得出变压器声纹信号大多集中于50hz及其倍频为主；
16.测点选择是指选择故障信息最为突出的测点位置。
17.优选地，步骤3中，对测点处预处理后的变压器声纹信号进行50hz倍频小波时频熵计算，具体包括：
18.步骤3.1：对声纹信号进行小波变换，计算得到小波系数序列；
19.步骤3.2：基于小波系数序列计算50hz倍频分量的时频熵；
20.步骤3.3：计算50hz倍频分量的占比权重；
21.步骤3.4：基于步骤3.2的时频熵和步骤3.3的占比权重计算最终的50hz倍频小波时频熵。
22.优选地，步骤3.1中，对声纹信号进行小波变换，计算得到小波系数序列，具体的：
23.对声纹信号进行分帧以及加窗处理后，对声纹信号进行连续小波变换，先确定小波基与尺度，而后求出小波系数序列，小波系数计算公式为：
[0024][0025]
式中：x(t)为输入声纹信号序列；
[0026]
a为尺度因子，决定时频窗的大小；
[0027]
τ为平移因子，决定时频窗的位置；
[0028]
ψ为母小波，采用复数小波complex morlet。
[0029]
优选地，步骤3.2具体包括：
[0030]
步骤3.2.1：从小波系数序列中提取50hz倍频分量小波系数coefs
50
×i(i＝1,2,3
…
20)，并对其进行相空间重构：
[0031][0032]
式中：m为嵌入维数，t为延迟时间，k＝n-(m-1)t
[0033]
步骤3.2.2：将y中每行重构分量按照升序重新排列，将重新排列后的矩阵记为s(l)＝{j(1),j(2)
…
j(m)}；
[0034]
其中，每列数据记为一种符号序列，并计算每一种符号序列出现的概率，记为{p1，p2,
…
,pk}；
[0035]
步骤3.2.3：利用以下公式计算{p1，p2,
…
,pk}熵值，后对计算结果进行归一化处理，得各50hz倍频分量的时频熵：
[0036][0037]
优选地，步骤3.3中，占比权重计算公式为：
[0038][0039]
优选地，步骤3.4具体为：
[0040]
将50hz倍频分量的时频熵按照频率大小排列构成特征向量h
pe,i
×
50
＝{h
pe,50
,h
pe,100
，
…
，h
pe,1000
}；
[0041]
将50hz倍频分量的占比权重按照频率大小排列构成占比权重向量δ＝{δ1,δ2,
…
,δ
20
}；
[0042]
根据特征向量h
pe,i
×
50
和占比权重向量δ计算50hz倍频小波时频熵，计算公式为：
[0043]hi
＝h
pe,i
×
50
·
δ
ꢀꢀꢀꢀ
(8)
[0044]
优选地，步骤4中，基于rusboost算法建立变压器声纹识别模型，对样本集中不同运行工况下的样本分别设置相应的工况标签，采用样本集对变压器声纹识别模型进行训练和测试；
[0045]
具体的，模型训练采用10折交叉验证的方式，即将样本集划分为10个子集，随机挑选其中1个子集作为验证组，其他9个子集作为训练集，对模型进行十次训练和测试，并通过网格搜索的方法对rusboost超参数进行寻优。
[0046]
优选地，所述模型训练过程中，对比当前基学习器的训练误差调整训练样本的分布权重，并增加惩罚因子，提高后续训练过程中的关注度，然后利用调整后的样本训练下一个基学习器，并由此反复迭代；
[0047]
迭代过程中，rusboost算法通过最小化指数损失函数以达到贝叶斯最优错误率，进而得出最优分布权重，最优分布权重计算公式为：
[0048][0049]
式中：ε
t
为t组样本预测错误率；
[0050]
所述变压器声纹识别模型最终输出的学习器预测值为t个基学习器预测值的线性分布权重叠加组合：
[0051][0052]
式中：h
t
(x)为基学习器h
t
在对应样本x下的预测值。
[0053]
优选地，步骤5中，将数据采集设备安装至现场，电力变压器声纹数据采集平台实
时采集现场变压器声纹信号数据并进行数据预处理，并通过频谱分析和测点选择，选择测点采集到的声纹数据，计算得出其50hz倍频小波时频熵，并将计算结果带入训练好的变压器声纹识别模型，获得变压器运行状态信息，实现变压器运行状态在线监测。
[0054]
本发明还提供一种基于小波时频熵和rusboost的变压器运行状态监测系统，所述系统用于实现所述的基于小波时频熵和rusboost的变压器运行状态监测方法。
[0055]
本发明的有益效果在于，与现有技术相比：
[0056]
本发明在基于变压器声纹信号采集平台的基础之上，结合理论研究和数据结果分析，将运行过程分成停运、负载、轻载、空载、合闸和拉闸等六种运行工况。其次，针对变压器声纹特点，提出50hz倍频小波时频熵，解决常见的特征提取信息利用率低的问题。最后，针对变压器声纹故障以及异常样本较少导致的样本不平衡的问题，提出基于rusboost算法的模式识别，算法对存在不平衡问题的变压器声纹样本具有良好的识别精度和适用性。本发明为存在样本不平衡声纹的变压器机械状态监测与识别提供有效支撑，对运行工况的分析能够有效排除本身不同运行状态可能造成的误差。
附图说明
[0057]
图1是本发明方法流程图；
[0058]
图2是数据采集平台图；
[0059]
图3是声传感器测点布置图；
[0060]
图4是声纹信号频域与时频分布图；
[0061]
图5是不同测点数据对比图；
[0062]
图6是不同工况时频图；
[0063]
图7是稳态主要频率变化图；
[0064]
图8是奇偶次分量比与频谱复杂度图；
[0065]
图9是50fmwte计算过程图；
[0066]
图10是rusboost算法流程图；
[0067]
图11是混淆矩阵图。
具体实施方式
[0068]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0069]
如图1所示，本发明提供了一种基于小波时频熵和rusboost的变压器运行状态监测方法，在本发明优选但非限制性的实施方式中，所述方法包括以下步骤：
[0070]
步骤1：搭建220kv自耦电力变压器声纹信号数据采集平台，采集变压器不同运行工况下的声纹信号数据，并对声纹信号数据进行灵敏度转换、数据切片等数据预处理操作；
[0071]
以南京市九龙变电站为例，搭建数据采集平台采集变压器声纹信号数据，如图2所示，数据采集平台主要由220kv自耦变压器、电脑、dhdas动态信号采集仪、信号传输线、前置放大器hs14618以及电容式传声器hs14018等，进一步优选地：
[0072]
1)如图3所示，在信号测量方面，采用电容式传声器，将被测声信号转换成电信号，拥有频率范围宽，稳定性好，最大程度减少自身误差。
[0073]
2)根据国际测量标准iec60651，声信号测量应该覆盖20hz-20khz的可听声范围内，因此设备采用50khz的采样频率。
[0074]
3)采用抗强磁场干扰的信号传输线，有效减少外界电磁场干扰。
[0075]
4)电容式声传感器距离变压器油箱外壁2m，距离地面1.5m。
[0076]
步骤2：对预处理后的变压器声纹信号进行铁芯及绕组声纹特征的时频域分析、运行工况分析以及测点选择；
[0077]
步骤2经时频域分析和运行工况分析得出变压器声纹信号大多集中于50hz及其倍频为主，为下文50hz倍频小波时频熵的提出提供依据；
[0078]
测点选择是为了选择故障信息最为突出的测点位置。测点选择最终选择了故障信息最为突出的2号测点。
[0079]
时频域分析、运行工况分析和测点选择都与步骤3的50hz倍频小波时频熵的提出及计算有关。
[0080]
具体的，从时域和频域角度分析不同测点位置、不同运行工况下的声纹信号特征，频谱与时频谱是声信号处理的重要特征频率谱，频谱能够反映信号在不同频率的幅值大小，时频谱能够反映声纹信号在不同时间下频率能量的分布状况。
[0081]
频谱与时频谱可以有效建立时域与频域之间的联系，展现声纹信号的特征信息，反映变压器的运行状态。
[0082]
通过对于不同测点数据的分析，选择最具有代表性的测点位置，为后续特征提取和模型训练等环节提供基础。
[0083]
1)铁芯振动声纹主要由硅钢片的磁致伸缩作用造成，为分析磁致伸缩现象对变压器铁芯的影响，设自耦变压器电压为：
[0084]
u1＝u0sinωt
ꢀꢀꢀꢀ
(1)
[0085]
铁芯在磁致伸缩作用下产生振动，其磁致伸缩率ε可以表示为：
[0086][0087]
式中：l为硅钢片的原始长度；δl为硅钢片在磁场作用下的形变长度。
[0088]
因此，可以得到磁致伸缩引起的加速度为：
[0089][0090]
由此可知，硅钢片在交变磁场中产生的振动频率为电压频率的2倍，对于50hz的电网而言，100hz是变压器铁芯振动的基频，除此之外，当铁芯松动或者预紧力不均匀时，硅钢片会产生周期性的往复运动，从而产生50hz的偶数倍频分量。
[0091]
2)绕组是变压器的基本结构，而线圈是绕组的基本组成单元，存在多种绕制方式。以往的质量-弹簧-阻尼模型大多针对饼式结构，不具备普适性，将垫块间的导线作为基本物理单元，称为简化线圈基本单元。将这种具备机械特性和电磁场特性的物理模型称为绕组两体模型
[16]
。绕组两体模型的运动方程为：
[0092][0093]
式中：m为导线段总质量；k为垫块总刚度；μ为变压器油磁导率；l为导线长度；x为
绕组振动位移，为绕组振动加速度。其中i2(t)与x的相互作用，表征导体振动与磁场之间的耦合。
[0094]
对两体模型进行逐步简化分析，将原非线性系统转换为线性系统，假设流经绕组的电流为：i(t)＝icosωt。式中：i为电流幅值，ω为电源的角频率。两体模型可以转换为：
[0095][0096]
求解非齐次常系数线性微分方程的通解，分为齐次方程的通解和非齐次方程的特解，其中自由分量，特解为强制分量，由于实际系统中的阻尼存在，无源的自由分量最终衰减为零，因此只需要考虑方程的强制分量解。
[0097][0098]
等式第一项为恒定力产生的恒定分量，第二项中绕组振动的频率为2ω，对于50hz的电力系统而言，其振动频率为100hz，即50hz的偶数倍频分量。在绕组线圈振动情况下，线圈之间发生周期性变化，使得导线周围磁场与自身振动存在机电耦合。当变压器绕组固有频率与激励频率满足一定条件时，会产生参数共振，当固有频率与电源频率相近时，产生激励电流的奇数倍频率，当固有频率为电源频率2倍时，产生偶数倍频率。
[0099]
如图4所示，变压器正常运行时的声纹信号频率分量表现为50hz、100hz、150hz等50hz倍频分量，其中100hz、200hz和300hz频率分量相对较多。
[0100]
如图5所示，测点位置不同，声纹信号各频率分量幅值大小有所差异，但都表现出相近的趋势，声纹信号一般都位于900hz范围内，并且声纹信号频率以50hz偶数倍分量为主，50hz以及其奇数倍分量所占比重较少。变压器声纹为多声源耦合叠加，造成声纹复杂程度增加，测点选取应遵循频谱简单，但变压器状态改变时，此测点相对其他测点变化更为剧烈。2号测点多次测量结果稳定，声纹特征突出，基频占比高，因此选择此测点作为代表测点进行后续研究分析。
[0101]
如图6所示，由测点位置分析可得，选取2号测点进行详细分析，其他测点具有相同的性质。将变压器运行过程分成停运、负载、轻载、空载、拉闸和合闸六种工况。
[0102]
停运状态下，变压器没有电压，也没有电流流过，铁芯声纹与绕组声纹都为0。由采集数据分析可得，其声压幅值低于正常运行状态的十分之一，频率成分多集中于50hz以下的低频段，且主频存在频繁跳动现象，因此不具备研究价值。
[0103]
由图7所示，负载、轻载和空载状态下的主频为100hz，分析其原因可知，变压器绕组声纹和铁芯声纹基频都是100hz,且此时处于稳态，奇次谐波的含量很少，很难产生参数共振现象。在由正常负载向空载转变过程中，变压器声纹组成结构也在由绕组声纹转向铁芯声纹，在整个过程中，声压幅值逐渐减少，空载状态幅值为正常负载状态下的三分之一，验证前文对变压器声纹组成分析结论。
[0104]
由图8所示，拉闸和合闸状态为暂态变化过程，其主频分别为300hz和450hz。此时电流中含有大量奇次谐波分量，发生参数共振现象，其幅值为稳态状态下的2倍以上，含有大量50hz奇数倍分量，奇偶次分量比明显增加，频率成分更加复杂。
[0105]
步骤3：对所选测点处预处理后的变压器声纹信号进行50hz倍频小波时频熵计算，
构成样本集；即提取50hz倍频小波时频熵构成样本集；
[0106]
如图9所示，本发明针对变压器声纹信号特点，提出一种针对变压器声纹信号的特征提取方法，实现对大量音频信号的降维压缩与特征提取，本发明称之为50hz倍频占比时频熵(50fmwte)，主要针对变压器声纹信号中50hz倍频分量。
[0107]
步骤3.1：对声纹信号进行小波变换，计算得到小波系数序列；
[0108]
对声纹信号进行分帧以及加窗处理后，对声纹信号进行连续小波变换，先确定小波基与尺度，而后求出小波系数，其计算公式如下所示：
[0109][0110]
式中：x(t)为输入声纹信号序列，ψ为母小波，采用复数小波complex morlet，其在时频两域具有很好的分辨率，适合处理非平稳的声纹信号。
[0111]
步骤3.2：基于小波系数序列计算50hz倍频分量的时频熵；
[0112]
步骤3.1计算出来的小波系数中包含所有频点，针对变压器声纹特征，本发明只提取50hz及其倍频，即步骤3.2具体包括：
[0113]
步骤3.2.1：从小波系数序列中提取50hz倍频分量小波系数coefs
50
×i(i＝1,2,3
…
20)，并对其进行相空间重构。
[0114][0115]
式中：m为嵌入维数，t为延迟时间，k＝n-(m-1)t
[0116]
步骤3.2.2：将y中每行重构分量按照升序重新排列，将重新排列后的矩阵记为s(l)＝{j(1),j(2)
…
j(m)}，其中每列数据记为一种符号序列，并计算每一种符号序列出现的概率，记为{p1，p2,
…
,pk}。
[0117]
相空间重构可以有效挖掘时间序列信息的相关性等信息，上述矩阵为相空间重构过程中的一部分。
[0118]
步骤3.2.3：利用以下公式计算{p1，p2,
…
,pk}熵值，后对计算结果进行归一化处理，得各50hz倍频分量的时频熵。
[0119][0120]
步骤3.3：计算50hz倍频分量的占比权重；
[0121]
为削弱无用分量的波动信息，增强幅值大的分量，权值采用每种频率分量在时间序列中的最大值的最大值，其占所有分量在时间序列中的最大值之和的比重，计算公式如下所示：
[0122][0123]
步骤3.4：基于步骤3.2的时频熵和步骤3.3的占比权重计算最终的50hz倍频小波时频熵。
[0124]
将50hz倍频分量小波时频熵按照频率大小排列构成特征向量h
pe,i
×
50
＝{h
pe,50
,h
pe,100
，
…
，h
pe,1000
}。
[0125]
将权重按照频率大小排列构成权重向量δ＝{δ1,δ2,
…
,δ
20
}。
[0126]
50hz倍频小波时频熵计算公式如下所示：
[0127]hi
＝h
pe,i
×
50
·
δ
ꢀꢀꢀꢀ
(8)
[0128]
步骤4：基于rusboost算法建立变压器声纹识别模型，对样本集中不同运行工况下的样本分别设置相应的工况标签，采用样本集对变压器声纹识别模型进行训练和测试；
[0129]
具体的，模型训练采用10折交叉验证的方式，即将样本集划分为10个子集，随机挑选其中1个子集作为验证组，其他9个子集作为训练集，对模型进行十次训练和测试，并通过网格搜索的方法对rusboost超参数进行寻优，即对于模型中的超参数进行调整寻优，寻找最合适本模型的模型参数。
[0130]
人工智能算法往往要求训练集中各样本数据相对均衡，以保证算法具有良好的泛化性。然而作为运行可靠性相对较高的变压器而言，各类样本分布往往不均衡，正常运行状态数据较多，而非正常运行状态数据较少，这使得模型预测结果往往偏向正常状态，对更具意义的非正常样本识别效果不佳。
[0131]
针对样本数据存在的严重不平衡问题，本发明提出基于rusboost算法建立变压器声纹识别模型，通过欠采样提高数据样本的均衡性，并结合提升法，将多个简单的基学习器提升为强学习器，如图10所示。其中，欠采样是rusboost算法本身运行产生的操作。
[0132]
对比当前基学习器的训练误差调整训练样本的分布权重，并增加惩罚因子，提高后续训练过程中的关注度，后利用调整后的样本训练下一个基学习器，并由此反复迭代。
[0133]
迭代过程中，rusboost算法通过最小化指数损失函数以达到贝叶斯最优错误率，进而得出最优分布权重，最优分布权重计算公式为：
[0134][0135]
式中：ε
t
为t组样本预测错误率
[0136]
算法最终输出的学习器预测值为t个基学习器预测值的线性分布权重叠加组合：
[0137][0138]
式中：h
t
(x)为基学习器h
t
在对应样本x下的预测值。
[0139]
步骤5：基于变压器声纹识别模型进行变压器运行状态在线监测。
[0140]
将数据采集设备安装至现场，电力变压器声纹数据采集平台实时采集现场变压器声纹信号数据并进行数据预处理，并通过频谱分析和测点选择，选择测点采集到的声纹数据，计算得出其50hz倍频小波时频熵，并将计算结果带入训练好的变压器声纹识别模型，获得变压器运行状态信息，实现变压器运行状态在线监测。
[0141]
本发明一种基于小波时频熵和rusboost的变压器运行状态监测系统，用于实现所述的基于小波时频熵和rusboost的变压器运行状态监测方法。
[0142]
综上所述，本发明针对变压器声纹信号特点，提出基于50hz倍频小波时频熵的声纹特征提取方法，既保证了关键信息的提取，又防止数据量过大。对随机森林算法进行改进，优化调整其参数，提高识别率。
[0143]
具体实施例与效果分析如下：
[0144]
数据是模型训练识别的基础，本发明对设定的五种工况进行数据收集，对麦克风接收到的声纹信号进行数据预处理，并通过频谱分析和测点选择，选择2号测点采集到的声纹数据，计算其50hz倍频小波时频熵得到特征向量[h
1 h
2 h3,
…
,h
20
]。
[0145]
为保证模型识别的有效性，在进行模型训练时，需要样本集分成训练集和测试集，样本划分如下表1所示，在共计795组样本中，正常负载样本257组，轻载样本240组，空载样本218组，拉闸样本43组，合闸样本37组，各类别样本间最大不平衡率为6.94。
[0146]
表1中对不同的工况设置标签，最后将所有带有标签的样本随机输入到模型中进行训练。
[0147]
表1样本个数
[0148]
运行工况标签样本数(个)负载1257轻载2240空载3218拉闸443合闸527
[0149]
模型训练采用10折交叉验证的方式，即将数据集划分为10个子集，随机挑选其中1个子集作为验证组，其他9个子集作为训练集，对模型进行十次训练和测试，并通过网格搜索的方法对超参数进行寻优，由于平均准确率对不平衡样本的性能评价不够全面，因此网格搜索的优化目标为寻找最优auc值。最终设置调整最大分裂数为37、基学习器个数45以及学习率为0.12。评价结果可以如图11混淆矩阵表示。
[0150]
在如图11所示的混淆矩阵中，横坐标为模型的预测结果，纵坐标为模型的真实结果，最右边一列为模型召回正确率与错误率。由图11可知，所有样本的召回率均达到94％以上，表明模型对样本数较多正常样本和样本数较少的拉闸合闸样本识别结果都很精确，总体精确度达到98.9％，auc值为0.98，表明模型对存在不平衡问题的变压器声纹样本具有良好的识别精度和适用性。
[0151]
此外，将常见的决策树(decision tree,dt)、随机森林(random forest,rf)、k近邻(knn)、以及支持向量机(svm)等算法与本发明所提算法进行对比，算法均采用网格搜索寻找最佳超参数，使得其auc值最佳，训练模型结果如下所示。
[0152]
表2常见算法分类结果对比
[0153][0154]
由表2可知，决策树、随机森林、k近邻、以及支持向量机等算法与本发明所提算法总体准确率都表现出良好的性能，但在样本量较少的合闸样本和拉闸样本中分类性能较差，rf的拉闸样本召回率为92.1％，较本发明基于rusboost的模型降低2.5％，dt的合闸样本召回率为82.4％，较基于rusboost的模型降低14.8％，knn的合闸样本召回率为81.6％，较基于rusboost的模型降低15.6％，svm的合闸样本召回率为52.9％，较基于rusboost的模型降低41.7％，由此可知本发明基于rusboost的模型对于不平衡的变压器样本数据具有较好的分类准确率，这对在实际运用中解决变压器故障或异常样本数据缺失具有重要作用。
[0155]
本发明的有益效果在于，与现有技术相比：
[0156]
本发明在基于变压器声纹信号采集平台的基础之上，结合理论研究和数据结果分析，将运行过程分成停运、负载、轻载、空载、合闸和拉闸等六种运行工况。其次，针对变压器声纹特点，提出50hz倍频小波时频熵，解决常见的特征提取信息利用率低的问题。最后，针对变压器声纹故障以及异常样本较少导致的样本不平衡的问题，提出基于rusboost算法的模式识别，算法对存在不平衡问题的变压器声纹样本具有良好的识别精度和适用性。本发明为存在样本不平衡声纹的变压器机械状态监测与识别提供有效支撑，对运行工况的分析能够有效排除本身不同运行状态可能造成的误差。
[0157]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
技术特征：1.一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：所述方法包括以下步骤：步骤1：搭建电力变压器声纹数据采集平台，采集变压器不同运行工况下的声纹信号数据并进行数据预处理；步骤2：对数据预处理后的变压器声纹信号进行铁芯及绕组声纹特征的时频域分析、运行工况分析以及测点选择；步骤3：对所选测点处预处理后的变压器声纹信号进行50hz倍频小波时频熵计算，构成样本集；步骤4：基于rusboost算法建立变压器声纹识别模型，对样本集中不同运行工况下的样本分别设置相应的工况标签，采用样本集对变压器声纹识别模型进行训练和测试；步骤5：基于变压器声纹识别模型进行变压器运行状态在线监测。2.根据权利要求1所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤1中，搭建220kv自耦电力变压器声纹信号数据采集平台，采集变压器不同运行工况下的声纹信号数据，并对声纹信号数据进行灵敏度转换、数据切片预处理操作。3.根据权利要求1所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤2经时频域分析和运行工况分析得出变压器声纹信号大多集中于50hz及其倍频为主；测点选择是指选择故障信息最为突出的测点位置。4.根据权利要求1所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤3中，对测点处预处理后的变压器声纹信号进行50hz倍频小波时频熵计算，具体包括：步骤3.1：对声纹信号进行小波变换，计算得到小波系数序列；步骤3.2：基于小波系数序列计算50hz倍频分量的时频熵；步骤3.3：计算50hz倍频分量的占比权重；步骤3.4：基于步骤3.2的时频熵和步骤3.3的占比权重计算最终的50hz倍频小波时频熵。5.根据权利要求4所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤3.1中，对声纹信号进行小波变换，计算得到小波系数序列，具体的：对声纹信号进行分帧以及加窗处理后，对声纹信号进行连续小波变换，先确定小波基与尺度，而后求出小波系数序列，小波系数计算公式为：式中：x(t)为输入声纹信号序列；a为尺度因子，决定时频窗的大小；τ为平移因子，决定时频窗的位置；
ψ为母小波，采用复数小波complex morlet。6.根据权利要求4所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤3.2具体包括：步骤3.2.1：从小波系数序列中提取50hz倍频分量小波系数coefs
50
×
i
(i＝1,2,3
…
20)，并对其进行相空间重构：式中：m为嵌入维数，t为延迟时间，k＝n-(m-1)t步骤3.2.2：将y中每行重构分量按照升序重新排列，将重新排列后的矩阵记为s(l)＝{j(1),j(2)
…
j(m)}；其中，每列数据记为一种符号序列，并计算每一种符号序列出现的概率，记为{p1，p2,
…
,p
k
}；步骤3.2.3：利用以下公式计算{p1，p2,
…
,p
k
}熵值，后对计算结果进行归一化处理，得各50hz倍频分量的时频熵：7.根据权利要求4所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤3.3中，占比权重计算公式为：8.根据权利要求4所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤3.4具体为：将50hz倍频分量的时频熵按照频率大小排列构成特征向量h
pe,i
×
50
＝{h
pe,50
,h
pe,100
，
…
，h
pe,1000
}；将50hz倍频分量的占比权重按照频率大小排列构成占比权重向量δ＝{δ1,δ2,
…
,δ
20
}；根据特征向量h
pe,i
×
50
和占比权重向量δ计算50hz倍频小波时频熵，计算公式为：h
i
＝h
pe,i
×
50
·
δ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)。9.根据权利要求1所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤4中，基于rusboost算法建立变压器声纹识别模型，对样本集中不同运行工况下的样本分别设置相应的工况标签，采用样本集对变压器声纹识别模型进行训练和测试；具体的，模型训练采用10折交叉验证的方式，即将样本集划分为10个子集，随机挑选其中1个子集作为验证组，其他9个子集作为训练集，对模型进行十次训练和测试，并通过网格
搜索的方法对rusboost超参数进行寻优。10.根据权利要求9所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：所述模型训练过程中，对比当前基学习器的训练误差调整训练样本的分布权重，并增加惩罚因子，提高后续训练过程中的关注度，然后利用调整后的样本训练下一个基学习器，并由此反复迭代；迭代过程中，rusboost算法通过最小化指数损失函数以达到贝叶斯最优错误率，进而得出最优分布权重，最优分布权重计算公式为：式中：ε
t
为t组样本预测错误率；所述变压器声纹识别模型最终输出的学习器预测值为t个基学习器预测值的线性分布权重叠加组合：式中：h
t
(x)为基学习器h
t
在对应样本x下的预测值。11.根据权利要求1所述的一种基于小波时频熵和rusboost的变压器运行状态监测方法，其特征在于：步骤5中，将数据采集设备安装至现场，电力变压器声纹数据采集平台实时采集现场变压器声纹信号数据并进行数据预处理，并通过频谱分析和测点选择，选择测点采集到的声纹数据，计算得出其50hz倍频小波时频熵，并将计算结果带入训练好的变压器声纹识别模型，获得变压器运行状态信息，实现变压器运行状态在线监测。12.一种基于小波时频熵和rusboost的变压器运行状态监测系统，其特征在于：所述系统用于实现权利要求1-11任意一项所述的基于小波时频熵和rusboost的变压器运行状态监测方法。
技术总结本发明公开了一种基于小波时频熵和RUSboost的变压器运行状态监测方法和系统，所述方法包括：搭建电力变压器声纹数据采集平台，采集变压器不同运行工况下的声纹信号数据并进行数据预处理；对预处理后的变压器声纹信号进行时频域分析、运行工况分析以及测点选择；对声纹信号进行50Hz倍频小波时频熵计算；基于RUSBoost算法建立变压器声纹识别模型，对变压器声纹识别模型进行训练和测试；基于变压器声纹识别模型进行变压器运行状态在线监测。本发明为存在样本不平衡声纹的变压器机械状态监测与识别提供有效支撑，对运行工况的分析能够有效排除本身不同运行状态可能造成的误差。差。差。
技术研发人员：李勇 朱雷 许自强 何萍 尹来宾 许洪华 陈寿龙 李杰 徐中中 王俊康 吕梦婕
受保护的技术使用者：国网江苏省电力有限公司南京供电分公司
技术研发日：2022.06.21
技术公布日：2022/11/1
