本技術(shù)涉及電力設(shè)備，特別是涉及一種變壓器有載分接開關(guān)的故障識別方法、裝置、計算機設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、有載分接開關(guān)是電力系統(tǒng)中實現(xiàn)調(diào)壓的重要組件，通過有載分接開關(guān)的合理調(diào)節(jié)可以有效減少系統(tǒng)電壓的波動，提高電網(wǎng)調(diào)度的靈活性。研究分析表明，對于電力系統(tǒng)發(fā)生的電壓失穩(wěn)及其他類型的事故，有載調(diào)壓變壓器的不合理操作和故障是重要的誘發(fā)因素。

2、傳統(tǒng)技術(shù)中，針對有載分接開關(guān)的監(jiān)測手段主要集中在振動及聲學(xué)手段中的一種，其中包括包絡(luò)線分析、小波分析和混沌特性分析法等。然而，由于有載分接開關(guān)的故障類型較多，且同一機械故障的不同程度都會導(dǎo)致信號形態(tài)的變化，現(xiàn)有處理方法大都通過對比信號時域波形、頻域和能量譜的差異來進行判斷，卻無法充分表征開關(guān)切換過程中此類非平穩(wěn)性和強時變性的振動信號中所包含的狀態(tài)信息。因此，目前技術(shù)無法有效區(qū)分由不同機理引起的有載分接開關(guān)信號，存在故障狀態(tài)診斷準(zhǔn)確率較低的問題。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種變壓器有載分接開關(guān)的故障識別方法、裝置、計算機設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種變壓器有載分接開關(guān)的故障識別方法，包括：

3、獲取變壓器有載分接開關(guān)在不同故障狀態(tài)下的聲音信號數(shù)據(jù)和振動信號數(shù)據(jù)，并進行數(shù)據(jù)清洗；

4、將所述聲音信號數(shù)據(jù)從時域信號轉(zhuǎn)換為時頻圖像，基于所述時頻圖像的紋理特征，構(gòu)造所述聲音信號數(shù)據(jù)的聲紋特征；

5、對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解以提取所述振動信號數(shù)據(jù)的模態(tài)分量，基于所述模態(tài)分量，利用熵來描述所述振動信號數(shù)據(jù)的非線性特征；

6、根據(jù)所述聲音信號數(shù)據(jù)的所述聲紋特征以及所述振動信號數(shù)據(jù)的所述非線性特征，構(gòu)建聲振聯(lián)合特征，并在所述聲振聯(lián)合特征中選取訓(xùn)練樣本集和測試樣本集；

7、將所述訓(xùn)練樣本集輸入以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架中進行迭代訓(xùn)練，并利用所述測試樣本集進行測試和調(diào)整，得到包含多個所述支持向量機的強分類器模型；所述強分類器模型用于對所述變壓器有載分接開關(guān)進行故障識別。

8、在其中一個實施例中，所述將所述聲音信號數(shù)據(jù)從時域信號轉(zhuǎn)換為時頻圖像，基于所述時頻圖像的紋理特征，構(gòu)造所述聲音信號數(shù)據(jù)的聲紋特征，包括：

9、對所述聲音信號數(shù)據(jù)進行廣義s變換，得到所述時頻圖像；對所述時頻圖像進行分析，得到所述時頻圖像的盒維數(shù)、方向度和對比度，作為所述時頻圖像的所述紋理特征；基于所述盒維數(shù)、所述方向度和所述對比度，構(gòu)造所述聲紋特征。

10、在其中一個實施例中，所述對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解以提取所述振動信號數(shù)據(jù)的模態(tài)分量，基于所述模態(tài)分量，利用熵來描述所述振動信號數(shù)據(jù)的非線性特征，包括：

11、對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解，得到矩陣形式的多變量信號，并從所述多變量信號中提取預(yù)設(shè)數(shù)量的所述模態(tài)分量；根據(jù)所述模態(tài)分量，分別計算所述振動信號數(shù)據(jù)的頻譜熵、能量熵和排列熵，作為所述振動信號數(shù)據(jù)的所述非線性特征。

12、在其中一個實施例中，所述將所述訓(xùn)練樣本集輸入以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架中進行迭代訓(xùn)練，包括：

13、在所述目標(biāo)算法框架中，初始化所述支持向量機的樣本權(quán)重；根據(jù)所述訓(xùn)練樣本集，對所述支持向量機進行迭代訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果更新所述支持向量機的樣本權(quán)重；將所述支持向量機按照更新后的樣本權(quán)重進行加權(quán)組合，得到初步訓(xùn)練的分類器模型。

14、在其中一個實施例中，所述利用所述測試樣本集進行測試和調(diào)整，包括：

15、將所述測試樣本集輸入所述初步訓(xùn)練的分類器模型中進行測試，得到故障分類結(jié)果；在所述故障分類結(jié)果的分類準(zhǔn)確率未達到預(yù)設(shè)值的情況下，根據(jù)所述測試樣本集，對所述初步訓(xùn)練的分類器模型進行調(diào)整，直至所述分類準(zhǔn)確率達到所述預(yù)設(shè)值。

16、在其中一個實施例中，所述進行數(shù)據(jù)清洗，包括：

17、識別出所述聲音信號數(shù)據(jù)和所述振動信號數(shù)據(jù)中的重復(fù)數(shù)據(jù)，對所述重復(fù)數(shù)據(jù)進行清除，并通過低通濾波器對所述聲音信號數(shù)據(jù)和所述振動信號數(shù)據(jù)進行濾波處理以去除噪聲數(shù)據(jù)，得到數(shù)據(jù)清洗后的所述聲音信號數(shù)據(jù)和所述振動信號數(shù)據(jù)。

18、第二方面，本技術(shù)還提供了一種變壓器有載分接開關(guān)的故障識別裝置，包括：

19、數(shù)據(jù)獲取模塊，用于獲取變壓器有載分接開關(guān)在不同故障狀態(tài)下的聲音信號數(shù)據(jù)和振動信號數(shù)據(jù)，并進行數(shù)據(jù)清洗；

20、聲紋構(gòu)造模塊，用于將所述聲音信號數(shù)據(jù)從時域信號轉(zhuǎn)換為時頻圖像，基于所述時頻圖像的紋理特征，構(gòu)造所述聲音信號數(shù)據(jù)的聲紋特征；

21、特征描述模塊，用于對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解以提取所述振動信號數(shù)據(jù)的模態(tài)分量，基于所述模態(tài)分量，利用熵來描述所述振動信號數(shù)據(jù)的非線性特征；

22、特征聯(lián)合模塊，用于根據(jù)所述聲音信號數(shù)據(jù)的所述聲紋特征以及所述振動信號數(shù)據(jù)的所述非線性特征，構(gòu)建聲振聯(lián)合特征，并在所述聲振聯(lián)合特征中選取訓(xùn)練樣本集和測試樣本集；

23、模型訓(xùn)練模塊，用于將所述訓(xùn)練樣本集輸入以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架中進行迭代訓(xùn)練，并利用所述測試樣本集進行測試和調(diào)整，得到包含多個所述支持向量機的強分類器模型；所述強分類器模型用于對所述變壓器有載分接開關(guān)進行故障識別。

24、第三方面，本技術(shù)還提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)以下步驟：

25、獲取變壓器有載分接開關(guān)在不同故障狀態(tài)下的聲音信號數(shù)據(jù)和振動信號數(shù)據(jù)，并進行數(shù)據(jù)清洗；將所述聲音信號數(shù)據(jù)從時域信號轉(zhuǎn)換為時頻圖像，基于所述時頻圖像的紋理特征，構(gòu)造所述聲音信號數(shù)據(jù)的聲紋特征；對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解以提取所述振動信號數(shù)據(jù)的模態(tài)分量，基于所述模態(tài)分量，利用熵來描述所述振動信號數(shù)據(jù)的非線性特征；根據(jù)所述聲音信號數(shù)據(jù)的所述聲紋特征以及所述振動信號數(shù)據(jù)的所述非線性特征，構(gòu)建聲振聯(lián)合特征，并在所述聲振聯(lián)合特征中選取訓(xùn)練樣本集和測試樣本集；將所述訓(xùn)練樣本集輸入以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架中進行迭代訓(xùn)練，并利用所述測試樣本集進行測試和調(diào)整，得到包含多個所述支持向量機的強分類器模型；所述強分類器模型用于對所述變壓器有載分接開關(guān)進行故障識別。

26、第四方面，本技術(shù)還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

27、獲取變壓器有載分接開關(guān)在不同故障狀態(tài)下的聲音信號數(shù)據(jù)和振動信號數(shù)據(jù)，并進行數(shù)據(jù)清洗；將所述聲音信號數(shù)據(jù)從時域信號轉(zhuǎn)換為時頻圖像，基于所述時頻圖像的紋理特征，構(gòu)造所述聲音信號數(shù)據(jù)的聲紋特征；對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解以提取所述振動信號數(shù)據(jù)的模態(tài)分量，基于所述模態(tài)分量，利用熵來描述所述振動信號數(shù)據(jù)的非線性特征；根據(jù)所述聲音信號數(shù)據(jù)的所述聲紋特征以及所述振動信號數(shù)據(jù)的所述非線性特征，構(gòu)建聲振聯(lián)合特征，并在所述聲振聯(lián)合特征中選取訓(xùn)練樣本集和測試樣本集；將所述訓(xùn)練樣本集輸入以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架中進行迭代訓(xùn)練，并利用所述測試樣本集進行測試和調(diào)整，得到包含多個所述支持向量機的強分類器模型；所述強分類器模型用于對所述變壓器有載分接開關(guān)進行故障識別。

28、第五方面，本技術(shù)還提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

29、獲取變壓器有載分接開關(guān)在不同故障狀態(tài)下的聲音信號數(shù)據(jù)和振動信號數(shù)據(jù)，并進行數(shù)據(jù)清洗；將所述聲音信號數(shù)據(jù)從時域信號轉(zhuǎn)換為時頻圖像，基于所述時頻圖像的紋理特征，構(gòu)造所述聲音信號數(shù)據(jù)的聲紋特征；對所述振動信號數(shù)據(jù)進行多元變分模態(tài)分解以提取所述振動信號數(shù)據(jù)的模態(tài)分量，基于所述模態(tài)分量，利用熵來描述所述振動信號數(shù)據(jù)的非線性特征；根據(jù)所述聲音信號數(shù)據(jù)的所述聲紋特征以及所述振動信號數(shù)據(jù)的所述非線性特征，構(gòu)建聲振聯(lián)合特征，并在所述聲振聯(lián)合特征中選取訓(xùn)練樣本集和測試樣本集；將所述訓(xùn)練樣本集輸入以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架中進行迭代訓(xùn)練，并利用所述測試樣本集進行測試和調(diào)整，得到包含多個所述支持向量機的強分類器模型；所述強分類器模型用于對所述變壓器有載分接開關(guān)進行故障識別。

30、上述變壓器有載分接開關(guān)的故障識別方法、裝置、計算機設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品，通過采集變壓器有載分接開關(guān)在不同故障狀態(tài)下的聲音信號數(shù)據(jù)和振動信號數(shù)據(jù)進行聯(lián)合特征分析，與只對其中一種特征進行分析相比，故障識別的準(zhǔn)確率得到了顯著提高；聲振聯(lián)合特征的數(shù)據(jù)長度相較于兩種特征共同使用時也更短，減少了數(shù)據(jù)處理量并提高了數(shù)據(jù)處理速度以及故障識別的實時性能；通過對振動信號數(shù)據(jù)進行多元變分模態(tài)分解，能有效提取振動信號數(shù)據(jù)的模態(tài)分量，通過熵計算提取特征，能更全面、準(zhǔn)確地描述振動信號數(shù)據(jù)的非線性特征，對于信號處理和故障診斷具有較好的優(yōu)勢；最后，通過以支持向量機為基學(xué)習(xí)器的目標(biāo)算法框架對訓(xùn)練樣本集進行迭代訓(xùn)練，并利用測試樣本集進行測試和調(diào)整，有效得到集成多個支持向量機的強分類器模型，該強分類器模型能夠?qū)崿F(xiàn)對變壓器有載分接開關(guān)故障狀態(tài)的精確感知，從而提高了有載分接開關(guān)故障狀態(tài)診斷的準(zhǔn)確率。