[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

说明书

本发明公开了一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，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。本发明采用上述一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。

技术领域

本发明涉及电力变压器故障声纹诊断技术领域，尤其是涉及一种基于HPO-SVM的电力变压器典型故障声纹诊断方法。

背景技术

电力变压器作为电力传输与能量转换的枢纽，其运行状态是保证系统电力运行的关键。受到变电站环境与人为因素的影响，其在运行过程中经常会出现如局部放电、短路冲击等不同种类的故障，不仅影响了社会正常的用电需求，而且会造成不可估量的损失。及时对电力变压器进行故障监测与诊断对保障电网安全、稳定的运行具有重要意义。

相较于目前广泛应用的振动信号与油中溶解气体检测的方法，声纹信号的采集具有非接触、操作简单与安全可靠的优点，可以随时对电力变压器进行带电检测与诊断。随着机器学习领域的蓬勃发展，支持向量机因其具有较高的准确率与泛化性能而得到了广泛应用。文献“ZHOU Yang,LIU Yiying,WANG Na,et al.Partial discharge ultrasonicsignals pattern recognition in transformer using BSO-SVM based on microfibercoupler sensor[J].Measurement,2022,201.”提出了一种天牛须搜索和粒子群优化算法联合支持向量机的BSO-SVM分类算法，将微光纤耦合器传感器应用于局放超声信号的模式识别，对变压器局部放电故障进行了分类识别。文献“邱海枫,苏宁,田松林.改进支持向量机在电力变压器故障诊断中的应用研究[J].电测与仪表,2022,59(11):48-53.DOI:10.19753/j.issn1001-1390.2022.11.007.”提出了一种SVM-BFA的故障诊断方法，提高了SVM算法的准确性与寻优能力。文献“邵宇鹰,王枭,彭鹏,等.基于声场听觉感知的变压器故障诊断方法研究[J].中国测试,2021,47(03):92-97.”通过计算采集到声纹样本的基底膜位移响应的统计平均值构建特征向量并采用SVM算法对变压器状态进行了分类识别。研究表明以上算法对电力变压器故障信号具有一定的分类识别能力，但在训练过程中均未加入正常状态下的电力变压器信号，且使用的种群优化算法的训练速度和寻优能力还有提升空间。在实际应用中，正常状态的电力变压器产生的声纹信号缺乏明显的特征，在分类过程中容易与短路冲击等故障发生混叠现象，从而影响故障的分类诊断效果。因此解决分类问题中出现的混叠问题显得尤为重要。

发明内容

本发明的目的是提供一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，解决上述背景技术中提到的方法。

为实现上述目的，本发明提供了一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，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。