基于极限学习的变压器声纹 特征分析与故障识别.pdfVIP

学术论文粘

发明创新试验llAcademicpapers接ADHESION

2024年5月第51卷第5期

doi:10.3969/j.issn.1001-5922.2024.05.039Vol.51No.05,May2024

基于极限学习的变压器声纹

特征分析与故障识别

冶海平，方保民，半书亮，马育林，彭家琦，马志彬

（国网青海省电力公司海东供电公司，青海海东810699）

摘要：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-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%。

关键词：极限学习机；变压器；声纹故障；准确率

中图分类号：TP277;TM41文献标志码：A

Transformervoiceprintfeatureanalysisandfault

identificationbasedonextremelearning

YEHaiping,FANGBaomin,MIShuliang,MAYulin,PENGJiaqi,MAZhibin

(StateGridQinghaiElectricPowerCompanyHaidongPowerSupplyCo.,Ltd.,Haidong810699,QinghaiChina)

Abstract:Inordertosolvetheproblemthatthenumberoffaultsamplesishighlyunbalanced,whichcaneasily

leadtothedeteriorationofthepredictionperformanceoftransformerfaultsamples,apowergridtransformerfault

voiceprintsignaldiagnosismethodbasedonextremelearningmachinewasproposed.Extremelearningmachines

wereusedtodenoisethesignal.FastFouriertransformwasperformedontheprocessedtime-domainsignaltoob-

tainfaultvoiceprintfeatures.Bystudyingtheimpactofdifferentlearningratesonmodelfaultrecognition,thefault

identificationeffectbasedontheextremelearningmachinemodelwasverified.Theresultsshowedthattheapplica-

tionofthresholddenoisingmethodcouldeliminatethenoisecomponentsintheoriginalvoiceprintfeaturesignalto

someextent.Theextremelearningmachinemodelwithalearningrateof10-3hadarecognitionaccuracy