基于聲陣列的非接觸式局放監測方法及監測裝置制造方法及圖紙

本發明專利技術涉及電力設備監測技術領域，尤其是提供一種基于聲陣列的非接觸式局放監測方法及監測裝置，方法包括獲取待測設備正常狀態及多種類型局放狀態下的聲學指紋樣本，對聲學指紋樣本進行預處理，構建聲學指紋樣本數據庫并獲取深度神經網絡模型；獲取待測設備視頻信息，通過分布式麥克風傳感器陣列采集待測設備聲波信號；基于深度神經網絡模型判斷待測設備是否發生局放；針對聲波信號進行DOA方向估計以獲取二維DOA信息，采用波束形成算法對聲波信號進行增強處理，基于二維DOA信息結合視頻信息確定聲波信號的具體位置信息；基于聲波信號的具體位置信息，獲取聲波信號的聲學指紋信息，通過深度神經網絡模型對局放實施診斷并發出報警信息。出報警信息。出報警信息。

【技術實現步驟摘要】
基于聲陣列的非接觸式局放監測方法及監測裝置


[0001]本專利技術涉及電力設備監測
，具體而言，涉及一種基于聲陣列的非接觸式局放監測方法及監測裝置。

技術介紹

[0002]目前，隨著大電網建設的不斷推進，電網設備數量迅猛增長，對大電網運行設備運行安全提出了更高要求。電網設備中尤其是變壓器，其作為電能輸出和配送過程中能量轉換的核心，是大電網運行中最關鍵的電力設備；局部放電是引起變壓器絕緣劣化的重要原因，若不能及時發現和維護，會導致整個設備的損壞，因此對變壓器局部放電的有效監測和類型識別有重大意義；
[0003]目前，針對變壓器局部放電監測的研究存在如下問題：
[0004]1.超聲局部放電檢測是局部放電檢測
非電檢測技術中的一種，其原理是變壓器發生局部放電時，局部空間體積在一個瞬間迅速膨脹又迅速收縮，引起高頻振動，由于局部放電是連續的脈沖，因而這種高頻振動產生的壓力波也是脈沖形式的，即聲波；該方法在實際運用時，超聲波在傳播過程中在變壓器復雜環境影響下衰減嚴重，因此這種方法不易實現放電量的標定，且對于傳感器的檢測靈敏度要求非常高；
[0005]2.超聲波局部放電檢測的原理是在接收到局部放電發出的超聲波信號后，利用波的傳播特性，對聲源進行定位，現有技術通常只能夠做到定位出疑似故障方位；在實際變壓器運行環形中存在大量的噪聲干擾，當局部放電量較小時，局部放電超聲波信號可能會淹沒在噪聲干擾中，變壓器內部發生局部放電時，超聲信號傳播過程中，可能在變壓器內遇到油箱箱壁或其內部的變壓器繞組和鐵芯等硬質界面上會發生反射、散射現象，產生混響，因此傳感器陣列接收到的局部放電超聲信號中除了直達波信號外，還有經過一次或多次反射后的混響信號，會對局部放電的定位產生影響；為此，我們提出一種基于聲陣列的非接觸式局放監測方法及監測裝置。

技術實現思路

[0006]本專利技術的目的在于提供一種基于聲陣列的非接觸式局放監測方法及監測裝置，用以解決
技術介紹
變壓器局部放電監測研究不足的問題。
[0007]本專利技術的第一方面技術方案提供了一種基于聲陣列的非接觸式局放監測方法，所述方法包括：
[0008]獲取待測設備正常狀態及多種類型局放狀態下的聲學指紋樣本，對聲學指紋樣本進行預處理，構建聲學指紋樣本數據庫并獲取深度神經網絡模型；
[0009]獲取待測設備視頻信息，通過分布式麥克風傳感器陣列采集待測設備的聲波信號；
[0010]基于深度神經網絡模型判斷待測設備是否發生局放；
[0011]針對聲波信號進行DOA方向估計以獲取二維DOA信息，采用波束形成算法對聲波信
號進行增強處理，基于二維DOA信息結合視頻信息確定聲波信號的具體位置信息；
[0012]基于聲波信號的具體位置信息，獲取聲波信號的聲學指紋信息，通過深度神經網絡模型對局放實施診斷并發出報警信息。
[0013]進一步地，所述獲取深度神經網絡模型具體包括：
[0014]提取聲學指紋樣本功率密度、頻譜分布特征參數，利用聲紋識別算法進行訓練、迭代，根據構建好的聲學指紋樣本數據庫訓練出可判斷是否發生局放、判別不同局放類型的深度神經網絡模型。
[0015]進一步地，所述利用聲紋識別算法進行訓練、迭代還包括：
[0016]利用高斯徑向基核函數，將訓練樣本映射到高維特征空間，求解劃分各類局放特征的最優分類超平面，形成判斷各局放類型的判別函數，并輸入深度神經網絡模型進行驗證。
[0017]進一步地，所述通過深度神經網絡模型對局放實施診斷還包括：
[0018]獲取聲波信號對應的聲譜圖，并映射至特征空間，輸入判別函數得到類型識別結果。
[0019]進一步地，所述對聲學指紋樣本進行預處理具體包括：
[0020]對聲學指紋樣本進行交疊分幀處理；
[0021]利用端點檢測方法，確定聲學指紋樣本的始端和末端，去掉聲學指紋樣本的噪聲和首尾的靜音；
[0022]通過數字濾波器，利用預加重方法，增加聲學指紋樣本高頻分量，濾除低頻干擾；利用去加重方法，減少聲學指紋樣本高頻分量；
[0023]利用矩形窗函數對聲學指紋樣本進行加窗處理。
[0024]進一步地，采集聲波信號之前還包括：
[0025]獲取噪聲信號的統計特性，利用自適應濾波器，采用維納濾波、最小均方濾波器算法，根據噪聲信號的統計特性和頻譜特性，調整濾波器參數，以實現對復雜噪聲跟蹤消除。
[0026]進一步地，該方法還包括：采用盲信號分離方法，根據觀測到的混合信號估計源信號。
[0027]進一步地，所述采集待測設備聲波信號還包括：
[0028]采用自適應波束形成算法，向各個麥克風采集到的聲波信號施加一個由目標方向決定的延遲，然后將各個通道的聲波信號疊加，最終得到一個指向目標方向的增強信號。
[0029]本專利技術的第二方面技術方案提供了一種基于聲陣列的非接觸式局放監測裝置，應用于包含有分布式麥克風傳感器陣列的局放監測系統，該裝置包括：
[0030]局放監測終端，以非接觸的方式布置在被監測的待測設備處，包括有：
[0031]麥克風傳感器陣列，配置為通過無線通信模塊與云服務器通信連接；
[0032]感知模塊，配置有用于采集聲紋信息的拾音器，還配置有ADC轉換器；
[0033]特征提取模塊，用于對聲波信號進行特征提取并得到矢量特征；
[0034]識別分類模塊，配置為通過深度神經網絡模型對局放及局放類型做出判斷，得到故障結果；
[0035]報警模塊，配置為基于故障結果發出報警信息；
[0036]電源模塊，用于為局放監測終端供電。
[0037]進一步地，所述待測設備至少包括變壓器、斷路器、開關柜。
[0038]本專利技術的有益效果包括：
[0039]1.本專利技術通過聲學陣列技術與超聲波局放檢測的配合使用，利用麥克風陣列傳感器監測電氣設備局部放電超聲信號，通過聲波信號處理技術實現了波達方向估計和空間定位，最終實現了局部放電的非接觸定位；基于麥克風陣列傳感器，通過波束形成算法，利用聲波到達各個麥克風存在時間延遲(相位差)這一現象，使得麥克風陣列傳感器在監測局部放電時具有超強指向能力，可有效去除周圍其他設備的聲音和環境底噪，能夠做到對局放的精確定位；另一方面，本專利技術利用機器學習，通過訓練聲學指紋樣本、構建深度神經網絡模型，實現了針對局部放電監測傳統的“計劃性維修”演變為“預測性運維”，在于分布式麥克風傳感器陣列的配合使用下，實現了通過云端對主要電力設備運行狀態的在線聲學監測，無需進行人工巡檢，只需要在監測裝置檢測出局放故障并發出報警信息后，再由運維人員到系統定位的故障位置進行確認和排障即可。
附圖說明
[0040]為了更清楚地說明本專利技術實施例的技術方案，下面將對本專利技術實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本專利技術的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創造性勞本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.基于聲陣列的非接觸式局放監測方法，其特征在于，所述方法包括：獲取待測設備正常狀態及多種類型局放狀態下的聲學指紋樣本，對聲學指紋樣本進行預處理，構建聲學指紋樣本數據庫并獲取深度神經網絡模型；獲取待測設備視頻信息，通過分布式麥克風傳感器陣列采集待測設備的聲波信號；基于深度神經網絡模型判斷待測設備是否發生局放；針對聲波信號進行DOA方向估計以獲取二維DOA信息，采用波束形成算法對聲波信號進行增強處理，基于二維DOA信息結合視頻信息確定聲波信號的具體位置信息；基于聲波信號的具體位置信息，獲取聲波信號的聲學指紋信息，通過深度神經網絡模型對局放實施診斷并發出報警信息。2.根據權利要求1所述的局放監測方法，其特征在于，所述獲取深度神經網絡模型具體包括：提取聲學指紋樣本功率密度、頻譜分布特征參數，利用聲紋識別算法進行訓練、迭代，根據構建好的聲學指紋樣本數據庫訓練出可判斷是否發生局放、判別不同局放類型的深度神經網絡模型。3.根據權利要求2所述的局放監測方法，其特征在于，所述利用聲紋識別算法進行訓練、迭代還包括：利用高斯徑向基核函數，將訓練樣本映射到高維特征空間，求解劃分各類局放特征的最優分類超平面，形成判斷各局放類型的判別函數，并輸入深度神經網絡模型進行驗證。4.根據權利要求3所述的局放監測方法，其特征在于，所述通過深度神經網絡模型對局放實施診斷還包括：獲取聲波信號對應的聲譜圖，并映射至特征空間，輸入判別函數得到類型識別結果。5.根據權利要求1所述的局放監測方法，其特征在于，所述對聲學指紋樣本進行預處理具體包括：對聲學指紋樣本進行交疊分幀處理；利用端點檢測方法，確定聲學指紋樣本的始端和末端...

【專利技術屬性】
技術研發人員：鄭樂燕，龔逸文，費旭兵，凌伯勛，鄭福春，楊信偉，陳正明，
申請(專利權)人：寧格朗電氣股份有限公司，
類型：發明
國別省市：