基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法与流程

本发明属于电力变压器故障检测，具体涉及一种基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法。

背景技术：

1、在电力系统中，变压器作为重要的设备之一，扮演着电能传输和分配的关键角色。然而，由于长期使用和环境因素的影响，电力变压器存在着各种潜在的故障隐患，这些故障可能会导致设备损坏、停电甚至事故发生。因此，对电力变压器进行故障检测并进行有效的维护和修复至关重要。传统的电力变压器故障检测方法主要依赖于人工巡检或查阅设备运行状态信息。然而，这种方法通常耗时且无法实时获取设备的真实状态，难以及时发现潜在故障风险。

2、在电力变压器故障检测领域，近年来声纹信号的应用引起了研究者们的广泛关注。由于内部故障引起的机械振动和电磁感应会产生特定的声音特征，即声纹信号。这些声纹信号蕴含了变压器内部状态的重要信息。通过对电力变压器声纹信号的分析和处理，可以有效地检测变压器的故障情况，准确判断设备的健康状况，并采取相应的维修和保养措施，以确保设备的正常运行。

3、声纹信号的分析过程主要包括信号获取、预处理、特征提取和故障识别等步骤。首先，需要通过传感器将变压器声纹信号采集下来。然后，对采集到的信号进行预处理，包括滤波、降噪、去除干扰等，以提高后续分析的准确性和可靠性。接下来，通过应用信号处理和特征提取算法，提取出声纹信号中与故障相关的特征，如频谱特征、能量特征、时域特征等。最后，在训练好的模型的指导下，对提取出的特征进行故障识别和分类，以实现自动化的故障检测和诊断。

4、而近年来，随着数字信号处理、机器学习和模式识别等技术的快速发展，机器学习、基于监督学习的神经网络检测方法等逐渐应用于电力变压器故障检测中，为提高检测效率和准确性提供了新的思路。然而，由于电力变压器声纹信号的复杂性和多变性，传统的故障检测方法往往无法准确地识别和分类各种故障类型。目前主流的算法中，聚类算法对故障的识别的应用较广，比如k-means算法等，但是靠聚类得到的故障信号的误报率和漏报率很高，因为信号样本中很多噪声点并不能被聚类算法很好的分类。神经网络的方法也被广泛的应用于声纹信号故障检测，通过先验数据对神经网络进行有监督训练，对输入的声纹信号进行分类得到故障信号，但是由于样本集都需要在不同的场景下进行采集，在训练模型，不适用于一个新的场景的故障预测应用，具有局限性。

5、专利文献cn115862678a公开了一种无监督变压器声纹异常检测方法，利用深度学习判断变压器的异常运行状态，将检测模型部署到变压器声纹处理系统中，将变压器声纹数据经过2.2cnn网络模型推理进行特征提取，获得变压器声纹特征后，输入训练获得的声纹检测模型中，进行mseloss损失函数计算，根据事先设定的阈值与损失值比对，大于阈值则变压器声纹异常声纹，小于阈值则变压器声纹正常，达到变压器异常检测的目的。但该发明中使用阈值这一超参数来判定异常行为，在实际应用场景中，不同的场景下都需要根据经验来设定最优的阈值来达到准确的检测，不能实现在多场景下的自主、自适应异常检测，而本发明使用3-sigma法则有效的克服该困难，无需设定阈值，通过计算误差均值和标准差来将异常点进行排除，可以自动适应不同场景下的异常检测。

技术实现思路

1、针对上述现有技术中存在的技术问题，本发明提出了一种基于特征聚类结合生成式学习的电力变压器声纹信号故障无监督检测方法，实现了全过程无监督，通过对电力变压器声纹信号的无监督学习，提升故障检测的准确性和鲁棒性。传统的有监督学习方法需要大量的标注数据，而在实际应用中往往无法获得足够的标注样本。无监督学习方法则不需要标注数据，可以通过挖掘数据内在的分布规律来进行模型学习，适用于故障检测这类不易获取标注数据的场景。同时利用生成式学习的优势，对电力变压器声纹信号的分布进行建模，以通过生成样本来扩充训练集，提升模型的泛化能力。这种训练过程可以直接使用在各种新场景下，具有较好的预测结果。

2、本发明所采用的技术方案如下：

3、一种基于特征聚类结合生成式学习的电力变压器声纹信号故障无监督检测方法，其特征在于，包括以下步骤：

4、步骤1、在变压器放置声纹信号传感器，传感器记录每一个变压器的信号，使用读出电路将信号采集并提取出来，得到样本集m；

5、步骤2、对样本集进行预处理，采用滑动窗口，以一定的步长对每一个传感器提取的声纹信号进行切片，得到样本集m’；

6、步骤3、构建带噪自动编码器神经网络(dae)，其中dae由编码器和解码器组成，样本集m’作为dae的输入和输出对dae进行训练，得到训练后的dae模型，将编码器部分提取出来，输出提取特征序列样本集x’，也就是提取出来训练后的dae的瓶颈层向量；

7、步骤4、设计dbscan模型对提取特征序列样本集x’进行聚类，得到待训练样本x；

8、步骤5、构建vae模型，待训练样本x作为vae模型的输入和输出，对vae进行训练，得到训练后的vae模型；

9、步骤6、将训练好的dae模型的编码器部分和vae模型连接在一起，dae模型的编码器的输出作为vae的输入，组成训练后的d-vae模型；将待测的声纹信号输入训练后的d-vae模型，输出生成序列样本；步骤7、生成序列样本和训练好的dae模型的编码器输出的真实特征样本进行比较，计算异常分数，得到异常分数集r；

10、步骤8、使用3-sigma法则排除异常分数集r中的异常点，并在2～4个周期时间后提取出新的待测声纹信号，并输入训练后的d-vae模型，得到新的异常分数集，使用3-sigma法则排除异常点，使得故障声纹信号尽可能全部检测出来，当变压器运行的过程中存在新的故障也可以及时的进行检测，得到较低的误报率和漏报率。

11、进一步的，步骤1中得到的样本集m＝{m1,m2,..,mnum},其中num为样本的数量，取值区间为100～3000，mi＝(mi1,mi2,..,mil),i＝1,2,…,num,为第i个样本的时间序列，其中l为序列的长度，取值范围为50～500；

12、进一步的，步骤2中采用滑动窗口，以一定的步长对每一个传感器提取的声纹信号进行切片，具体步骤如下：

13、步骤2.1、定义窗口的长度范围为win，取值区间为10～300；

14、步骤2.2、将滑窗的起始位置设为序列的开始位置；

15、步骤2.3、取m样本的第1个样本时间序列，以滑窗大小为单位，从序列的起始位置开始，逐步移动滑窗，并将每个滑窗切分出来。滑窗的移动步长为2，表示每次滑动2个数据点，得到第1个样本时间序列的切片后样本m_win1＝{m_win11,m_win21…m_winnw1},其中nw为滑窗切片后得到的序列数量，m_wini1＝{ssi1(1),ssi1(2),…,ssi1(win)},i＝1,2,…,nw,为第1个样本切片得到的第i个序列，其中序列的长度为win，即窗口的大小；

16、步骤2.4、重复步骤2.3，取第2～num个样本时间序列，最后切片后样本组成得到训练样本集m’＝{m_win1,m_win2…m_winnum}。

17、进一步的，步骤3中构建带噪自动编码器神经网络(dae)，中间层为瓶颈层，从输入层到瓶颈层为dae编码器，从瓶颈层到输出层为dae解码器，具体结构为：

18、1层输入层，神经元数量为切片后序列的长度win；

19、隐层的层数区间为3～11；

20、神经元数量区间5～200；

21、1层输出层，神经元数量为切片后序列的长度win；

22、进一步的，步骤4中设计dbscan模型对提取特征序列样本集x’进行聚类，具体步骤为：

23、步骤4.1、初始化参数，定义密度阈值ε，取值区间为0.1～0.8和最少样本数minpts，取值区间为50～500，形成dbscan聚类模型；

24、步骤4.2、输入样本集x’，经过dbscan聚类后，得到核心点和聚类点和噪声点；

25、步骤4.3、去掉噪声点，提取出聚类点并作为待训练样本x；

26、进一步的，步骤5中构建vae模型，待训练样本x作为vae模型的输入和输出，对vae进行训练，得到训练后的vae模型，具体结构为：

27、1层输入层，神经元数量区间为5～200；

28、隐层的层数区间为3～11；

29、神经元数量区间5～200；

30、1层输出层，神经元数量区间为5～200；

31、进一步的，步骤7中生成序列样本和训练好的dae模型的编码器输出的真实特征样本进行比较，计算异常分数，得到异常分数集r；

32、其中异常分数的计算公式为：

33、

34、其中，ygen为d-vae模型输出的生成向量，ytrue为样本的真实向量,n_er为序列样本的长度，即dae中瓶颈层提取的特征数量；

35、y_geni,i＝1,2…,n_er为d-vae模型输出的生成向量中第i个值，y_truei,i＝1,2…,n_er为样本真实向量中第i个值。最终所有异常分数ab组成异常分数集r。

36、进一步的，步骤8中的3-sigma法则具体步骤为：

37、步骤8.1、计算异常分数集r的平均值和标准差；

38、步骤8.2、遍历异常分数集a的所有ab值，当ab值大于平均值加3倍标准差或小于平均值减3倍标准差时，判定该ab值对应的序列为异常序列，即异常声纹信号，使用3-sigma法则排除异常点，使得故障声纹信号尽可能全部检测出来；

39、步骤8.3、当变压器运行的过程中存在新的故障也可以及时的进行检测，得到较低的误报率和漏报率。

40、本发明的有益效果为：

41、本发明提出了一种基于特征聚类结合生成式学习的电力变压器声纹信号故障无监督检测方法，该方法利用特征聚类算法对电力变压器声纹信号进行划分，将相似特征的信号聚类到一起，以获得故障信号和正常信号的不同特征。通过对不同类别信号的对比分析，可以有效地提取出代表故障特征的关键特征向量。

42、之后利用生成式学习方法，通过学习故障特征的分布规律，构建故障检测模型。该方法作为一种创新的故障检测方法，通过对电力变压器声纹信号的特征聚类和生成式学习，实现了对故障的无监督检测，提高了故障检测的准确性和鲁棒性。

43、在实际应用中，该方法的无监督学习特性更具有实用性，有望在电力变压器故障检测领域产生重要的应用价值。