1.本发明属于变电运维领域，特别涉及基于声纹分析的变压器状态实时监测方法及系统。
背景技术：
2.变压器状态实时监测是变电运维工作的重点之一，随着我国电力设备的发展建设，越来越多的变电站采用巡视机器人来进行变压器状态实时监测，然而变电站采用的巡视机器人大多是通过视频数据和图像数据进行变压器状态实时监测，往往由于数据过于单一导致监测结果存在错误，虽然目前的变电站巡视机器人基本上都配置了拾音器采集变压器运行声纹数据，但是由于电力行业对于声纹分析术的研究程度较低，目前尚未形成有效声纹分析方法，导致无法充分利用变压器运行声纹数据无法被充分利用。
技术实现要素：
3.针对上述现有技术存在的问题，本发明提供了基于声纹分析的变压器状态实时监测方法及系统，通过提取声纹数据特征，输入到声纹特征网络分析模型中，进行变压器状态分析，实现了对变压器状态实时监测。
4.本发明实施例的第一方面提供了基于声纹分析的变压器状态实时监测方法，所述方法包括：
5.获取变压器在不同工作状态下的运行声纹数据，对获取的变压器声纹数据进行分帧和加窗预处理，得到处理后的变压器分帧声纹数据；
6.基于变压器分帧声纹数据，提取变压器分帧声纹数据的短时时域和频域特征；
7.对提取变压器分帧声纹数据的短时时域和频域特征进行特征筛选，得到变压器声纹数据的主要声纹特征；
8.将所述主要声纹特征输入到声纹神经网络中进行模型训练，得到变压器主要声纹特征分析模型；
9.将变压器在实时工作状态下的特定声纹特征输入主要声纹特征分析模型进行训练，得到变压器特定声纹特征分析模型；
10.根据所述变压器特定声纹特征分析模型，对变压器的实时运行声纹数据进行分析，判定变压器的工作状态，实现对变压器状态的实时监测。
11.本发明实施例的第二方面提供了基于声纹分析的变压器状态实时监测系统，所述系统包括：
12.声纹采集装置，用于获取变压器在不同工作状态下的运行声纹数据，对获取的变压器声纹数据进行分帧和加窗预处理，得到处理后的变压器分帧声纹数据；
13.特征提取模块，用于基于变压器分帧声纹数据，提取变压器分帧声纹数据的短时时域和频域特征；
14.对提取变压器分帧声纹数据的短时时域和频域特征进行特征筛选，得到变压器声
纹数据的主要声纹特征；
15.ai分析模块，用于将所述主要声纹特征输入到声纹神经网络中进行模型训练，得到变压器主要声纹特征分析模型；
16.将变压器在实时工作状态下的特定声纹特征输入主要声纹特征分析模型进行训练，得到变压器特定声纹特征分析模型；
17.状态识别模块，根据所述变压器特定声纹特征分析模型，对变压器的实时运行声纹数据进行分析，判定变压器的工作状态，实现对变压器状态的实时监测。
18.本发明实施例的第三方面提供了一种终端，所述终端包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现上述的基于基于声纹分析的变压器状态实时监测方法。
19.本发明实施例的第四方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述的基于声纹分析的变压器状态实时监测方法。
20.本发明的基于声纹分析的变压器状态实时监测方法及系统，具备如下有益效果：
21.1.本发明公开了基于声纹分析的变压器状态实时监测方法及系统，包括获取变压器在不同工作状态下的运行声纹数据并进行预处理，提取预处理后的声纹数据的短时时域和频域特征；对短时时域和频域特征进行特征筛选，得到主要声纹特征，通过该方法得到的变压器声纹特征，筛除了部分区分度较低的声纹特征，降低了声纹特征分析的计算量，同时保留了区分度较高的声纹特征，使得声纹特征分析的结果更加准确。
22.2.本发明公开了基于声纹分析的变压器状态实时监测方法及系统，包括将主要声纹特征输入到声纹神经网络中训练主要声纹特征分析模型，再将特定声纹特征输入主要声纹特征分析模型中训练特定声纹特征分析模型，根据变压器特定声纹特征分析模型对变压器的实时运行声纹数据进行分析，实现对变压器状态的实时监测，通过该方法进行模型训练可以通过少量的特定声纹特征完成特定声纹特征分析模型的训练，并且可以根据不同的特定声纹特征快速的得到相应的优化分析模型，简化了分析模型的训练过程。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是本发明实施例基于声纹分析的变压器状态实时监测方法的整体流程图；
25.图2特征筛选的流程图。
具体实施方式
26.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
27.本发明实施例提供了基于声纹分析的变压器状态实时监测方法，上述方法包括：
28.获取变压器在不同工作状态下的运行声纹数据，对获取的变压器声纹数据进行分帧和加窗预处理，得到处理后的变压器分帧声纹数据；
29.基于变压器分帧声纹数据，提取变压器分帧声纹数据的短时时域和频域特征；
30.对提取变压器分帧声纹数据的短时时域和频域特征进行特征筛选，得到变压器声纹数据的主要声纹特征；
31.将所述主要声纹特征输入到声纹神经网络中进行模型训练，得到变压器主要声纹特征分析模型；
32.将变压器在实时工作状态下的特定声纹特征输入主要声纹特征分析模型进行训练，得到变压器特定声纹特征分析模型；
33.根据所述变压器特定声纹特征分析模型，对变压器的实时运行声纹数据进行分析，判定变压器的工作状态，实现对变压器状态的实时监测。
34.参照图1，在本实施例中，首先对获取变压器在不同工作状态下的运行声纹数据进行分帧和加窗预处理，得到相邻两帧信号重叠的分帧声纹数据，再提取分帧声纹数据的短时时域和频域特征。由于变压器声纹数据的特征数量较多，且部分特征的区分度较低，因此通过特征筛选，将变压器分帧声纹数据的短时时域和频域特征进行筛除和连结，得到主要声纹特征。以主要声纹特征作为训练集训练神经网络，得到主要声纹特征分析模型，由于不同工作状态下的变压器声纹特征存在差异，如果通过主要声纹特征分析模型直接进行特定状态下的变压器声纹特征分析，结果可能会存在偏差，因此在本实施例中采用迁移学习思想，通过将变压器在实时工作状态下的特定声纹特征输入主要声纹特征分析模型进行训练，得到变压器特定声纹特征分析模型，再通过特定声纹特征分析模型，对变压器的实时运行声纹数据进行分析，判定变压器的工作状态，实现对变压器状态的实时监测，通过该方法可以更加准确的判定变压器的工作状态。
35.基于上述基于声纹分析的变压器状态实时监测方法，上述特征筛选包括：
36.计算变压器分帧声纹数据的短时时域和频域特征的区分度s；
37.基于变压器分帧声纹数据的短时时域和频域特征的区分度s，对变压器分帧声纹数据的短时时域和频域特征进行区分度重组，得到便于筛选的精度特征；
38.将所述精度特征构建为筛选矩阵，计算筛选矩阵的特征值；
39.基于所述筛选矩阵的特征值，计算各个特征值的比率系数，所述特征值的比率系数为特征值与特征值之和的比值；
40.基于所述特征值的比率系数对特征值进行排序求和，筛除比率系数不满足条件的特征值，完成特征筛选。
41.参考图2，在本实施例中，通过计算变压器分帧声纹数据的短时时域和频域特征的区分度s，在对短时时域和频域特征进行区分度重组得到精度特征，使得不同特征之间的区分度更加明显便于特征筛选，精度特征的向量表达式为：t＝s1t1+s2t2+
…
+s
i
t
i
+
…
+s
m
t
m
，其中s
i
为第i个特征的区分度，t
i
为第i个特征。然后将所有声纹数据的精度特征构造为筛选矩阵d
m
×
n
，其中m表示特征数量，n便是声纹数据数量。通过筛选矩阵d
m
×
n
计算得到筛选矩阵的
特征值λ1,λ2,
…
,λ
m
，然后计算各个特征值的比率系数，计算公式如下：基于该比率系数对特征值进行排序，然后从大到小求比率系数的和筛除比率系数不满足条件的特征值，在本实施例中b(s)≥0.75时，排序在第s个特征值之后的特征值均可筛除。
42.基于上述特征筛选，上述计算变压器分帧声纹数据的短时时域和频域特征的区分度s包括：
43.计算变压器分帧声纹数据的第i个短时时域和频域特征的方差值n；
44.计算所有变压器分帧声纹数据的第i个短时时域和频域特征与单个变压器分帧声纹数据的第i个短时时域和频域特征的方差值之和l；
45.变压器分帧声纹数据的短时时域和频域特征的区分度s为n与l的比值。
46.具体的是，计算变压器分帧声纹数据的第i个短时时域和频域特征的方差值n，计算公式为：
[0047][0048]
计算所有变压器分帧声纹数据的第i个短时时域和频域特征与单个变压器分帧声纹数据的第i个短时时域和频域特征的方差值之和l，计算公式为：
[0049]
区分度其中d
ij
为声纹数据的第i个特征值，d
i
为第i个特征的均值，c
i
所有声纹数据的第i个特征值。
[0050]
基于上述基于声纹分析的变压器状态实时监测方法，上述声纹神经网络激活函数采用relu函数、目标函数使用交叉熵函数、分类采用softmax函数进行模型训练，得到主要声纹特征分析模型，所述主要声纹特征分析模型共有4层隐藏层。
[0051]
基于上述基于声纹分析的变压器状态实时监测方法，上述特定声纹特征分析模型在主要声纹特征分析模型基础上进行训练得到，具体训练过程如下：
[0052]
基于主要声纹特征分析模型，将主要声纹特征分析模型的前两层隐藏层固定，获取主要声纹特征分析模型的前两层隐藏层训练完成的特征数据；
[0053]
将特定声纹特征与训练完成的特征数据输入到主要声纹特征分析模型中，对主要声纹特征分析模型的后两层隐藏层进行训练，得到二次训练模型；
[0054]
将二次训练模型的最后一层分类隐藏层删除，对经过第三层隐藏层训练完成的特定声纹特征进行分类，将分类结果作为该特定声纹特征的分类模板，完成特定声纹特征分析模型的训练。
[0055]
在本实施例中通过深层神经网路对声纹特征分析模型进行训练，首先以主要声纹特征做为训练集输入到神经网络中，对模型进行训练，在本实施例中神经网络激活函数采用relu函数、目标函数使用交叉熵函数、分类采用softmax函数，进行逐层训练，训练完成得
到包含4层隐藏层的主要声纹特征分析模型，然后将主要声纹特征分析模型的1、2两层隐藏层固定，将特定声纹特征和1、2两层隐藏层输出的特征数据输入到主要声纹特征分析模型中，对主要声纹特征分析模型的3、4两层隐藏层进行训练，训练完成即可得到特定声纹特征分析模型。由于训练数据存在偏差，因此最终的分类结果存在不同，所以最终的特定声纹特征分析模型需要在4层隐藏层的基础上将最后一层分类隐藏层删除，以第3层隐藏层输出的结果做训练模型的输出。模型的分类模板由对输出结果进行聚类得到。
[0056]
基于上述训练过程，上述对第三层隐藏层训练完成的特征进行分类的过程如下：
[0057]
随机抽取若干个特定声纹特征输入到特定声纹特征分析模型中进行训练，获取第三层隐藏层的训练结果；
[0058]
对第三层训练结果进行聚类，选取聚类中心数量为2，得到两个聚类簇；
[0059]
将包含训练结果最多的聚类簇做为特定声纹特征的分类模板。
[0060]
具体的是，随机选取若干个特定声纹特征输入到特定声纹特征分析模型中进行训练，获取第三层隐藏层的训练结果，在本实例中随机选的数量优选为12个，由于是随机选取的特定声纹特征，因此结果存在随机性，因此需要进行聚类，确定选取的特定声纹特征对应的分类模板，由于选取的数据较少，因此在本实施例中选择两个聚类中心，最终包含训练结果最多的聚类簇做为特定声纹特征的分类模板。
[0061]
基于上述基于声纹分析的变压器状态实时监测方法，上述判定变压器的工作状态过程如下：
[0062]
采集变压器的实时运行声纹数据，提取压器实时运行声纹数据的实时特征；
[0063]
将提取的实时特征输入到特定声纹特征分析模型，输出所述实时运行声纹数据对应的训练结果；
[0064]
计算实时运行声纹数据对应的训练结果与分类模板之间的距离，将该训练结果匹配到与其最近的分类模板，则该分类模板对应的变压器工作状态即为变压器的实时工作状态。
[0065]
在本实施例中，采集到变压器的实时运行声纹数据后，提取其中的实时特征，然后将实时特征输入到特定声纹特征分析模型进行分析，输出训练结果，然后计算输出训练结果与分类模板之间的距离，距离该训练结果最近的分类模板对应的工作状态即为变压器的实时工作状态。
[0066]
本发明实施例提供了基于声纹分析的变压器状态实时监测系统，上述系统包括：
[0067]
声纹采集装置，用于获取变压器在不同工作状态下的运行声纹数据，对获取的变压器声纹数据进行分帧和加窗预处理，得到处理后的变压器分帧声纹数据；
[0068]
特征提取模块，用于基于变压器分帧声纹数据，提取变压器分帧声纹数据的短时时域和频域特征；
[0069]
对提取变压器分帧声纹数据的短时时域和频域特征进行特征筛选，得到变压器声纹数据的主要声纹特征；
[0070]
ai分析模块，用于将所述主要声纹特征输入到声纹神经网络中进行模型训练，得到变压器主要声纹特征分析模型；
[0071]
将变压器在实时工作状态下的特定声纹特征输入主要声纹特征分析模型进行训练，得到变压器特定声纹特征分析模型；
[0072]
状态识别模块，根据所述变压器特定声纹特征分析模型，对变压器的实时运行声纹数据进行分析，判定变压器的工作状态，实现对变压器状态的实时监测。
[0073]
本实施例提供的基于声纹分析的变压器状态实时监测系统与上述实施例提供的基于声纹分析的变压器状态实时监测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0074]
本发明实施例提供了一种终端，该终端包括包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行以实现上述的基于声纹分析的变压器状态实时监测方法。
[0075]
具体的是，该终端包括：至少一个处理器、存储器、用户接口和至少一个网络接口。终端中的各个组件通过总线系统耦合在一起。可以理解，总线系统用于实现这些组件之间的连接通信
[0076]
本发明实施例提供了一种计算机可读存储介质，该存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述的基于声纹分析的变压器状态实时监测方法。
[0077]
以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器能够存储数据以支持终端的操作。这些数据的示例包括：用于在终端上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
[0078]
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。