基于声纹特征和集成学习的变压器缺陷诊断方法

作     者：陆云才 廖才波 李群 王同磊 邵剑 张一 LU Yuncai;LIAO Caibo;LI Qun;WANG Tonglei;SHAO Jian;ZHANG Yi

作者机构：国网江苏省电力有限公司电力科学研究院江苏南京211102 南昌大学信息工程学院江西南昌330031 南京土星视界科技有限公司江苏南京210019 

出 版 物：《电力工程技术》 (Electric Power Engineering Technology)

年 卷 期：2023年第42卷第5期

页      面：46-55页

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

基　　金：国家重点研发计划资助项目(2022YFF0708400) 

主　　题：变压器 声纹特征 缺陷诊断 深度学习 集成学习 局部放电 

摘      要：变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。