一种基于HPO-SVM的电力变压器典型故障声纹诊断方法

本发明涉及电力变压器故障声纹诊断，尤其是涉及一种基于hpo-svm的电力变压器典型故障声纹诊断方法。

背景技术：

1、电力变压器作为电力传输与能量转换的枢纽，其运行状态是保证系统电力运行的关键。受到变电站环境与人为因素的影响，其在运行过程中经常会出现如局部放电、短路冲击等不同种类的故障，不仅影响了社会正常的用电需求，而且会造成不可估量的损失。及时对电力变压器进行故障监测与诊断对保障电网安全、稳定的运行具有重要意义。

2、相较于目前广泛应用的振动信号与油中溶解气体检测的方法，声纹信号的采集具有非接触、操作简单与安全可靠的优点，可以随时对电力变压器进行带电检测与诊断。随着机器学习领域的蓬勃发展，支持向量机因其具有较高的准确率与泛化性能而得到了广泛应用。文献“zhou yang,liu yiying,wang na,et al.partial discharge ultrasonicsignals pattern recognition in transformer using bso-svm based on microfibercoupler sensor[j].measurement,2022,201.”提出了一种天牛须搜索和粒子群优化算法联合支持向量机的bso-svm分类算法，将微光纤耦合器传感器应用于局放超声信号的模式识别，对变压器局部放电故障进行了分类识别。文献“邱海枫,苏宁,田松林.改进支持向量机在电力变压器故障诊断中的应用研究[j].电测与仪表,2022,59(11):48-53.doi:10.19753/j.issn1001-1390.2022.11.007.”提出了一种svm-bfa的故障诊断方法，提高了svm算法的准确性与寻优能力。文献“邵宇鹰,王枭,彭鹏,等.基于声场听觉感知的变压器故障诊断方法研究[j].中国测试,2021,47(03):92-97.”通过计算采集到声纹样本的基底膜位移响应的统计平均值构建特征向量并采用svm算法对变压器状态进行了分类识别。研究表明以上算法对电力变压器故障信号具有一定的分类识别能力，但在训练过程中均未加入正常状态下的电力变压器信号，且使用的种群优化算法的训练速度和寻优能力还有提升空间。在实际应用中，正常状态的电力变压器产生的声纹信号缺乏明显的特征，在分类过程中容易与短路冲击等故障发生混叠现象，从而影响故障的分类诊断效果。因此解决分类问题中出现的混叠问题显得尤为重要。

技术实现思路

1、本发明的目的是提供一种基于hpo-svm的电力变压器典型故障声纹诊断方法，解决上述背景技术中提到的方法。

2、为实现上述目的，本发明提供了一种基于hpo-svm的电力变压器典型故障声纹诊断方法，包括以下步骤：

3、s1，采集声纹数据输入分析计算机中；

4、s2，对采集到的声纹信号进行ceemdan分解，然后进行包络谱峭度计算并筛选；

5、s3，利用hpo算法对svm中核函数的惩罚因子c与核函数参数g进行参数寻优，将最优位置的c与g值赋给svm；

6、s4，输入故障数据训练集到svm中构建故障模型；

7、s5，输入故障测试集检验hpo-svm算法对电力变压器声纹信号的诊断与分类能力。

8、优选的，s1中，在不同故障类型的电力变压器周围固定声学传感器，声学传感器通过数据采集装置与分析计算机相连接，设定数据采样和数据分析周期，采集故障信号并输送至分析计算机中。

9、优选的，s2中，对采集到的声纹信号进行ceemdan分解，将分解得到的imf信号进行包络谱峭度计算，筛选包络谱峭度大的信号重组新的时间序列；

10、具体实现过程为：在原始信号中加入高斯噪声并通过多次叠加并平均的方式消除信号中的噪声干扰。具体运算公式为：

11、

12、其中代表第l次经emd分解的模态分量，r(t)代表残余分量；

13、利用ceemdan将x(t)分解成若干个imf分量xi(t)，则imf分量的包络信号为：

14、

15、其中表示xi(t)的希尔伯特变换，其中i＝1,2,…,i，i为最大分解阶数，

16、计算包络信号的频谱，推导其包络谱峭度为：

17、

18、其中en(t)代表包络信号的频谱，ue为en(t)的均值，n为信号的长度。

19、优选的，s3中，具体地，

20、s31：初始化种群位置，猎人或猎物在空间中随机生成，

21、xn＝rand(1,d).*(u-l)+l

22、其中xn表示种群成员的位置，d表示问题的维数，u与l分别代表问题变量的上界与下界。

23、优选的，s32：引入猎人搜索机制，猎人选择远离群体的猎物作为狩猎对象，

24、xi,j(t+1)＝xi,j(t)+0.5[(2czppos(j)-xi,j(t))+(2(1-c)zτ(j)-xi,j(t))]

25、其中xi,j(t)代表猎人目前的位置，xi,j(t+1)即为猎人的下一个位置，ppos(j)为目标猎物的位置，τ(j)代表猎人与猎物位置的均值，z为自适应参数，c是算法探索中的平衡参数，其计算过程如下式：

26、

27、其中t代表迭代次数，tmax代表最大迭代次数。

28、优选的，s33：引入猎物逃跑机制，猎物为逃脱猎人狩猎而移动到全局最优位置，躲避猎人的搜索，

29、xi,j(t+1)＝tpos(j)+czcos(2πr)×(tpos(j)-xi,j(t))

30、其中：xi,j(t)代表猎物目前的位置，xi,j(t+1)即为猎物的下一个位置，tpos(j)为猎物的目标位置，r为[-1,1]范围内随机数。

31、优选的，步骤s34：结合上述公式得到算法对猎人猎物行为的选择机制，设置一个调节参数δ，取[0,1]之间随机数r1与δ比较，如果r1小于δ，则执行猎人搜索机制，相反，则触发猎物逃跑机制，直到满足条件，寻优结束。

32、因此，本发明采用上述一种基于hpo-svm的电力变压器典型故障声纹诊断方法，具有以下有益效果：

33、(1)变压器声纹信号在采集过程中易受到周围噪声干扰，本发明采用ceemdan分解结合包络谱峭度的方法对变压器声纹信号进行降噪处理，能够有效提取故障特征。

34、(2)采集到的短路冲击故障与正常状态下的变压器声纹信号特征具有较强的相似性，标准svm对其分类效果不佳。本发明采用种群优化算法通过对svm核函数c、g进行参数寻优，可以提升svm对特征重合问题的诊断能力，具有良好的诊断效率。

35、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：s1中，在不同故障类型的电力变压器周围固定声学传感器，声学传感器通过数据采集装置与分析计算机相连接，设定数据采样和数据分析周期，采集故障信号并输送至分析计算机中。

3.根据权利要求2所述的基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：s2中，对采集到的声纹信号进行ceemdan分解，将分解得到的imf信号进行包络谱峭度计算，筛选包络谱峭度大的信号重组新的时间序列；

4.根据权利要求3所述的基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：s3中，具体地，

5.根据权利要求4所述的基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：

6.根据权利要求5所述的基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：

7.根据权利要求6所述的基于hpo-svm的电力变压器典型故障声纹诊断方法，其特征在于：

技术总结
本发明公开了一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：S1，采集声纹数据输入分析计算机中；S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；S4，输入故障数据训练集到SVM中构建故障模型；S5，输入故障测试集检验HPO‑SVM算法对电力变压器声纹信号的诊断与分类能力。本发明采用上述一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。

技术研发人员：张雄,董帆,李嘉禄,武文博,万书亭
受保护的技术使用者：华北电力大学（保定）
技术研发日：
技术公布日：2024/1/13