[发明专利]一种基于HPO-SVM的电力变压器典型故障声纹诊断方法

权利要求书

1.一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：包括以下步骤：

S1，采集声纹数据输入分析计算机中；

S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；

S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；

S4，输入故障数据训练集到SVM中构建故障模型；

S5，输入故障测试集检验HPO-SVM算法对电力变压器声纹信号的诊断与分类能力。

2.根据权利要求1所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：S1中，在不同故障类型的电力变压器周围固定声学传感器，声学传感器通过数据采集装置与分析计算机相连接，设定数据采样和数据分析周期，采集故障信号并输送至分析计算机中。

3.根据权利要求2所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：S2中，对采集到的声纹信号进行CEEMDAN分解，将分解得到的IMF信号进行包络谱峭度计算，筛选包络谱峭度大的信号重组新的时间序列；

具体实现过程为：在原始信号中加入高斯噪声并通过多次叠加并平均的方式消除信号中的噪声干扰，具体运算公式为：

其中代表第l次经EMD分解的模态分量，r(t)代表残余分量；

利用CEEMDAN将x(t)分解成若干个IMF分量x_i(t)，则IMF分量的包络信号为：

其中表示x_i(t)的希尔伯特变换，其中i＝1,2,…,I，I为最大分解阶数，

计算包络信号的频谱，推导其包络谱峭度为：

其中E_n(t)代表包络信号的频谱，u_E为E_n(t)的均值，N为信号的长度。

4.根据权利要求3所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：S3中，具体地，

S31：初始化种群位置，猎人或猎物在空间中随机生成，

x_n＝rand(1,d).*(u-l)+l

其中x_n表示种群成员的位置，d表示问题的维数，u与l分别代表问题变量的上界与下界。

5.根据权利要求4所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：

S32：引入猎人搜索机制，猎人选择远离群体的猎物作为狩猎对象，

x_i,j(t+1)＝x_i,j(t)+0.5[(2CZP_pos(j)-x_i,j(t))+(2(1-C)Zτ_(j)-x_i,j(t))]

其中x_i,j(t)代表猎人目前的位置，x_i,j(t+1)即为猎人的下一个位置，P_pos(j)为目标猎物的位置，τ_(j)代表猎人与猎物位置的均值，Z为自适应参数，C是算法探索中的平衡参数，其计算过程如下式：

其中t代表迭代次数，t_max代表最大迭代次数。

6.根据权利要求5所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：

S33：引入猎物逃跑机制，猎物为逃脱猎人狩猎而移动到全局最优位置，躲避猎人的搜索，

x_i,j(t+1)＝T_pos(j)+CZcos(2πR)×(T_pos(j)-x_i,j(t))

其中：x_i,j(t)代表猎物目前的位置，x_i,j(t+1)即为猎物的下一个位置，T_pos(j)为猎物的目标位置，R为[-1,1]范围内随机数。

7.根据权利要求6所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：

步骤S34：结合上述公式得到算法对猎人猎物行为的选择机制，设置一个调节参数δ，取[0,1]之间随机数R₁与δ比较，如果R₁小于δ，则执行猎人搜索机制，相反，则触发猎物逃跑机制，直到满足条件，寻优结束。