基于极限学习的变压器声纹 特征分析与故障识别

针对故障样本数量的高度不平衡,易导致对变压器故障样本的预测性能变差问题,提出基于极限学习机的电网变压器故障声纹信号诊断方法。使用极限学习机对信号进行去噪处理,对处理后的时域信号进行快速傅里叶变换,从而获取故障声纹特征。通过研究不同学习率对模型故障识别的影响,以验证基于极限学习机模型的故障识别效果。结果表明,应用阈值去噪的方法能够在一定程度上消除原始声纹特征信号中的噪声成分。学习率为10^(-3)的极限学习机模型对分接开关故障的识别准确率为99.42%,且其他4种变压器故障状态的对应识别率均大于99.85%。极限学习机算法的故障识别平均精度高达96.75%。

基于多维时频特征的变压器故障声纹识别方法研究

为解决变压器绕组故障检查难度大、辨识准确率低的问题,提出了一种基于多维时频特征的变压器故障声纹识别方法。首先,通过傅里叶变换与分帧法提取变压器噪声,过滤电晕、风机、环境干扰数据。其次,将变压器全寿命周期声纹库与当前变压器声纹进行比较,判断是否存在异常。在此基础上,通过熵权法调整多维时频特征评估权重,从而辨识变压器绕组故障声纹。最后,在某省电科院进行变压器故障声纹仿真试验。该方法识别准确率为95.9%,能够精准辨识变压器绕组故障。