SPNCC与一维双通道CNN-LSTM相结合的变压器局部放电故障音频检测
变压器运行时产生的声音信号包含了丰富的状态信息,可作为变压器故障诊断的重要依据.为提高变压器故障音频诊断效果,首先将变压器运行时现场采集的声音信号分为工作环境噪声信号、正常工作音频信号以及局部放电故障音频信号;然后通过卷积神经网络分类、小波包分解以及巴特沃斯带通滤波的方法去除原始音频信号中的非稳态环境噪声和短时稳态环境噪声信号;并建立了基于简化版幂律归一化倒谱系数特征的一维双通道卷积神经网络-长短时记忆网络的变压器局部放电故障识别模型.通过现场采集某500 kV变电站不同自然环境下的变压器运行声音信号与故障仿真实验,验证了提出的局部放电故障识别模型的可行性,相较于传统的音频故障诊断方法,提出的模型具有更快的收敛速度,更好的故障识别准确率与故障分类准确率.
变压器局部放电、变压器故障检测、智能电网、小波包分解、简化版幂律归一化倒谱系数、Gam-matone滤波器、卷积神经网络、长短时记忆网络
18
TP183;TM41(自动化基础理论)
国家自然科学基金51677072
2023-07-26(万方平台首次上网日期,不代表论文的发表时间)
共10页
534-543