[发明专利]一种用于变压器异常诊断的多通道声纹信号盲源分离方法

说明书

本发明提供了一种用于变压器异常诊断的多通道声纹信号盲源分离方法。该方法包括：将多个探头均匀布置在待进行故障诊断的变压器的油箱壁上不同位置，将多个探头采集的振动信号进行组合后，输入到SDICA和SC相结合的多通道振动信号盲源分离算法，通过计算得到最终分离信号；使用正常运行时变压器的绕组和铁芯振动信号分别构建样本数据集，利用样本数据集对混合高斯模型进行训练，得到训练好的混合高斯模型；将最终分离信号输入到训练好的混合高斯模型，训练好的混合高斯模型输出变压器的故障诊断结果。本发明使用混合高斯模型对变压器进行异常状态诊断可获得较准确的效果，且结合了多通道盲源分离算法后，可以实现对绕组和铁芯状态的分别诊断。

技术领域

本发明涉及变压器故障诊断技术领域，尤其涉及一种用于变压器异常诊断的多通道声纹信号盲源分离方法。

背景技术

随着电网规模的不断扩大，对电力系统的安全稳定运行要求大大提高，电力变压器作为关键的电力设备，承担着不可替代的作用，其安全性和可靠性对电网来说至关重要。一旦变、压器出现故障，会对整个电网带来影响，严重时将会导致电网大面积崩溃。

振动分析法不同于变压器异常诊断的传统方法，目前已经有部分学者利用振动分析法对变压器开展异常诊断，它利用振动传感器采集变压器表面的振动信号，通过对振动信号进行特征提取、异常检测等算法判断变压器运行状态。但由于采集到的变压器振动信号是变压器油箱表面的振动信号，包含内部多个振动源的混合信号，因此基于变压器油箱表面振动信号对变压器进行状态监测的方法不能有效辨别变压器的故障部位及故障类型。

有学者在《现代电力》(2012,29:42-49)上发表的“基于JADE算法的变压器振动信号分离的研究”中,采用JADE算法利用MATLAB和LabVIEW对变压器振动信号进行仿真，来实现绕组和铁芯振动信号的分离，但并未应用于实际变压器，还有学者等在《高压电器》(2019,55(11):159-164)发表的“基于RBF神经网络的变压器绕组及铁心振动信号分离研究”中，利用径向基神经网络，将混合振动信号的频域特征作为输入，实现铁芯和绕组振动信号的分离，同时解决了源信号排列顺序和幅值不确定性的问题。还有学者等在《电工技术学报》(2012,27(10):68-78)上发表的“盲源分离技术在振动法检测变压器故障中的应用”中,考虑到变压器绕组和铁芯振动信号的频率混叠现象，提出了子空间独立分量分离法，来分离不完全独立的变压器振动信号。

但是对于体积大、内部结构复杂的实际变压器而言，油箱表面不同位置的振动信号并不完全相同，尤其是在变压器绕组发生变形时，对于不同的变形方式和变形程度，当传感器的安装位置不同时，则分离出的效果不完全相同；此外，传统的盲源分离算法对变压器采集信号进行分离时，由于盲源分离算法对初值敏感，有的甚至会出现不收敛的情况，无法确保每次的分离效果最佳。

发明内容

本发明的实施例提供了一种用于变压器异常诊断的多通道声纹信号盲源分离方法，以实现有效地对变压器进行异常状态诊断。

为了实现上述目的，本发明采取了如下技术方案。

一种用于变压器异常诊断的多通道声纹信号盲源分离方法，包括：

将多个探头均匀布置在待进行故障诊断的变压器的油箱壁上不同位置，所述多个探头分别采集所述变压器的振动信号；

将所述多个探头采集的振动信号进行组合后，输入到空间独立分量分离法SDICA和谱聚类SC相结合的多通道振动信号盲源分离算法，通过计算得到最终分离信号；

使用正常运行时变压器的绕组和铁芯振动信号分别构建样本数据集，利用所述样本数据集对混合高斯模型进行训练，得到训练好的混合高斯模型；

将所述最终分离信号输入到所述训练好的混合高斯模型，训练好的混合高斯模型输出所述变压器的故障诊断结果。