【技術實現步驟摘要】
本專利技術屬于電力設備監(jiān)測，尤其涉及一種電力主設備聲紋缺陷識別方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、開展電力設備的在線監(jiān)測能夠提高關鍵狀態(tài)量獲取的及時性，有利于提前發(fā)現設備隱患，強化供電可靠性，實現電網運行的智能化管理和優(yōu)化，降低電力企業(yè)的運行成本和減少了故障處理時間。
3、雖然聲紋缺陷識別技術也同樣納入到智能巡視總體架構，但當前對于變壓器內部運行聲紋缺陷識別技術重視和發(fā)展不足，相應的缺陷識別分析技術落地應用較為緩慢。因此，亟需研究變壓器的聲紋缺陷識別等智能巡視關鍵技術進行研究應用。
4、現有聲紋缺陷識別技術存在以下缺點：
5、(1)現有研究大多針對變壓器某一類缺陷展開，且主要集中在機械缺陷或絕緣缺陷的診斷識別上，如繞組松動變形、直流偏磁、或絕緣放電等，所構建的診斷模型的識別結果并未涵蓋變電主設備所有潛在運行狀態(tài)，一定程度上限制了聲紋診斷技術的現場應用；
6、(2)變壓器聲紋樣本數據多數來源于試驗結果，樣本數量不足且未考慮變電主設備現場環(huán)境噪聲及其他輸變電設備的干擾、影響等問題，聲紋樣本的局限性一定程度上將增大診斷結果的誤判率；
7、(3)由于變電站場景數據量龐大，模型訓練耗時，各個變電站缺陷更新的數據不能及時反饋，訓練庫難以涵蓋主設備各種情況，模型不能及時更新迭代。
技術實現思路
1、為了解決上述
技術介紹
中存在的技術問題，本專利技術提供一
2、為了實現上述目的，本專利技術采用如下技術方案：
3、本專利技術的第一個方面提供一種電力主設備聲紋缺陷識別方法，其包括：
4、在待識別設備判定為異常后，獲取待識別設備的聲紋數據；
5、當特征向量庫內數據熵值低于第二閾值時，基于聲紋數據，通過深度學習模型和機理模型聯合實現缺陷識別，得到第一缺陷識別結果，將第一缺陷識別結果作為最終缺陷識別結果，并基于第一缺陷識別結果對深度學習模型進行優(yōu)化；同時對聲紋數據進行特征提取，得到特征向量，在特征向量庫內進行向量檢索，得到第二缺陷識別結果，若第一缺陷識別結果和第二缺陷識別結果不一致，則將特征向量加入特征向量庫；
6、當特征向量庫內數據熵值高于第二閾值時，對聲紋數據進行特征提取，得到特征向量，在特征向量庫內進行向量檢索，得到第二缺陷識別結果，將第二缺陷識別結果作為最終缺陷識別結果。
7、進一步地，所述待識別設備的異常判定步驟包括：獲取待檢測設備的聲紋特征和條件特征，通過特征組合，得到待檢測設備的輸入特征；將待檢測設備的輸入特征，輸入推理網絡，所述推理網絡包括生成編碼器以及分別與生成編碼器連接的生成解碼器和異常分數計算網絡，生成編碼器處理待檢測變壓器的輸入特征得到隱向量，生成解碼器處理隱向量得到重構特征，異常分數計算網絡處理隱向量得到異常分數，基于隱向量和重構特征計算得到重構損失，將重構損失和異常分數的加權和作為待檢測設備的風險值，當待檢測設備的風險值超過風險閾值時，判定為異常。
8、進一步地，當特征向量庫內數據熵值低于第一閾值時，機理模型的權重大于深度學習模型的權重，反之小于。
9、進一步地，當特征向量庫內數據熵值高于第二閾值時，若向量檢索中，特征向量與特征向量庫內的數據的相似度均低于設定值，則重新通過深度學習模型和機理模型聯合實現缺陷識別，并將特征向量加入特征向量庫。
10、進一步地，所述特征提取的步驟包括：對聲紋數據中的音頻信號圖像進行信號處理，得到時頻域譜圖，將時頻域譜圖輸入到特征提取網絡，輸出固定維度的特征向量。
11、進一步地，所述機理模型依據頻譜圖特征進行缺陷識別，所述頻譜圖特征包括變壓器本體聲紋信噪比、聲壓級、奇偶諧波比、高頻能量占比、變壓器譜熵和共振解調工頻相關性。
12、進一步地，所述變壓器本體聲紋信噪比用于判斷干擾有誤，若基于變壓器本體聲紋信噪比判斷存在干擾信號，則第一缺陷識別結果輸出為干擾信號，不再聯合機理模型；
13、所述聲壓級用于識別重載故障和/或傳感器異常判斷；
14、所述奇偶諧波比用于直流偏磁或諧波電流故障判斷；
15、所述高頻能量占比用于判斷松動類故障判斷；
16、所述變壓器譜熵用于冷卻器異響類故障判斷；
17、所述共振解調工頻相關性用于局部放電類故障判斷。
18、本專利技術的第二個方面提供一種電力主設備聲紋缺陷識別系統，其包括：
19、數據獲取模塊，其被配置為：在待識別設備判定為異常后，獲取待識別設備的聲紋數據；
20、第一識別模塊，其被配置為：當特征向量庫內數據熵值低于第二閾值時，基于聲紋數據，通過深度學習模型和機理模型聯合實現缺陷識別，得到第一缺陷識別結果，將第一缺陷識別結果作為最終缺陷識別結果，并基于第一缺陷識別結果對深度學習模型進行優(yōu)化；同時對聲紋數據進行特征提取，得到特征向量，在特征向量庫內進行向量檢索，得到第二缺陷識別結果，若第一缺陷識別結果和第二缺陷識別結果不一致，則將特征向量加入特征向量庫；
21、第二識別模塊，其被配置為：當特征向量庫內數據熵值高于第二閾值時，對聲紋數據進行特征提取，得到特征向量，在特征向量庫內進行向量檢索，得到第二缺陷識別結果，將第二缺陷識別結果作為最終缺陷識別結果。
22、進一步地，當特征向量庫內數據熵值低于第一閾值時，機理模型的權重大于深度學習模型的權重，反之小于。
23、進一步地，當特征向量庫內數據熵值高于第二閾值時，若向量檢索中，特征向量與特征向量庫內的數據的相似度均低于設定值，則重新通過深度學習模型和機理模型聯合實現缺陷識別，并將特征向量加入特征向量庫。
24、本專利技術的第三個方面提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現如上述所述的一種電力主設備聲紋缺陷識別方法中的步驟。
25、本專利技術的第四個方面提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現如上述所述的一種電力主設備聲紋缺陷識別方法中的步驟。
26、本專利技術的第五個方面提供一種計算機程序產品，其為一種含有計算機程序的計算機程序產品，當處理器執(zhí)行所述計算機程序時，實現如上述所述的一種電力主設備聲紋缺陷識別方法中的步驟。
27、與現有技術相比，本專利技術的有益效果是：
28、本專利技術創(chuàng)新性提出變電站巡檢圖像識別增量學習方法，通過構建本地聲紋缺陷數據庫、特征向量庫、主設備聲紋缺陷模型和向量檢索模塊，研制輕本文檔來自技高網...
【技術保護點】
1.一種電力主設備聲紋缺陷識別方法，其特征在于，包括：
2.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述待識別設備的異常判定步驟包括：獲取待檢測設備的聲紋特征和條件特征，通過特征組合，得到待檢測設備的輸入特征；將待檢測設備的輸入特征，輸入推理網絡，所述推理網絡包括生成編碼器以及分別與生成編碼器連接的生成解碼器和異常分數計算網絡，生成編碼器處理待檢測變壓器的輸入特征得到隱向量，生成解碼器處理隱向量得到重構特征，異常分數計算網絡處理隱向量得到異常分數，基于隱向量和重構特征計算得到重構損失，將重構損失和異常分數的加權和作為待檢測設備的風險值，當待檢測設備的風險值超過風險閾值時，判定為異常。
3.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，當特征向量庫內數據熵值低于第一閾值時，機理模型的權重大于深度學習模型的權重，反之小于。
4.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，當特征向量庫內數據熵值高于第二閾值時，若向量檢索中，特征向量與特征向量庫內的數據的相似度均低于設定值，則重新通過深度學習模型
5.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述特征提取的步驟包括：對聲紋數據中的音頻信號圖像進行信號處理，得到時頻域譜圖，將時頻域譜圖輸入到特征提取網絡，輸出固定維度的特征向量。
6.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述機理模型依據頻譜圖特征進行缺陷識別，所述頻譜圖特征包括變壓器本體聲紋信噪比、聲壓級、奇偶諧波比、高頻能量占比、變壓器譜熵和共振解調工頻相關性。
7.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述變壓器本體聲紋信噪比用于判斷干擾有誤，若基于變壓器本體聲紋信噪比判斷存在干擾信號，則第一缺陷識別結果輸出為干擾信號，不再聯合機理模型；
8.一種電力主設備聲紋缺陷識別系統，其特征在于，包括：
9.如權利要求8所述的一種電力主設備聲紋缺陷識別系統，其特征在于，當特征向量庫內數據熵值低于第一閾值時，機理模型的權重大于深度學習模型的權重，反之小于。
10.如權利要求8所述的一種電力主設備聲紋缺陷識別系統，其特征在于，當特征向量庫內數據熵值高于第二閾值時，若向量檢索中，特征向量與特征向量庫內的數據的相似度均低于設定值，則重新通過深度學習模型和機理模型聯合實現缺陷識別，并將特征向量加入特征向量庫。
11.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現如權利要求1-7中任一項所述的一種電力主設備聲紋缺陷識別方法中的步驟。
12.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現如權利要求1-7中任一項所述的一種電力主設備聲紋缺陷識別方法中的步驟。
13.一種計算機程序產品，其為一種含有計算機程序的計算機程序產品，其特征在于，當處理器執(zhí)行所述計算機程序時，實現如權利要求1-7中任一項所述的一種電力主設備聲紋缺陷識別方法中的步驟。
...【技術特征摘要】
1.一種電力主設備聲紋缺陷識別方法，其特征在于，包括：
2.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述待識別設備的異常判定步驟包括：獲取待檢測設備的聲紋特征和條件特征，通過特征組合，得到待檢測設備的輸入特征；將待檢測設備的輸入特征，輸入推理網絡，所述推理網絡包括生成編碼器以及分別與生成編碼器連接的生成解碼器和異常分數計算網絡，生成編碼器處理待檢測變壓器的輸入特征得到隱向量，生成解碼器處理隱向量得到重構特征，異常分數計算網絡處理隱向量得到異常分數，基于隱向量和重構特征計算得到重構損失，將重構損失和異常分數的加權和作為待檢測設備的風險值，當待檢測設備的風險值超過風險閾值時，判定為異常。
3.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，當特征向量庫內數據熵值低于第一閾值時，機理模型的權重大于深度學習模型的權重，反之小于。
4.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，當特征向量庫內數據熵值高于第二閾值時，若向量檢索中，特征向量與特征向量庫內的數據的相似度均低于設定值，則重新通過深度學習模型和機理模型聯合實現缺陷識別，并將特征向量加入特征向量庫。
5.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述特征提取的步驟包括：對聲紋數據中的音頻信號圖像進行信號處理，得到時頻域譜圖，將時頻域譜圖輸入到特征提取網絡，輸出固定維度的特征向量。
6.如權利要求1所述的一種電力主設備聲紋缺陷識別方法，其特征在于，所述機理模型依據頻譜圖特征進行缺陷識別，所述頻譜...
【專利技術屬性】
技術研發(fā)人員：郭修宵，許榮浩，孫志周，郝玉振，戈寧，張志，李永軍，王正，王興照，呂俊濤，王萬國，張海龍，王琦，楊新宇，
申請(專利權)人：國網智能科技股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。