CN119474734A 一种基于声纹感知的变压器状态监测方法、系统及介质 （国网江苏省电力有限公司南京供电分公司）

一种基于声纹感知的变压器状态监测方法、本申请公开了一种基于声纹感知的变压器建T_Manba模型，使用已知的变压器正常运行状态下的信号数据对Mamba模型进行训练；将获得的数据输入至训练后的Mamba模型，识别出变压2步骤1：采集变压器的声波信号及振动信号，对采集的信号进行预处理并进行特征提对于声波信号，采用卡尔曼滤波算法来消除背景噪声，并采用峰值检测来增通过多个传感设备采集变压器的声波信号及振动信号；运用网络时间协议NTP确定所有传6.根据权利要求1所述的基于声纹感知的变压器状态监T_MambaBlock结合了状态空间模型，通过一组状态变量来描数据收集层，所述数据收集层用于采集变压器的声波信号及3速度传感器以等距多边形形状布局围绕变压器表计算机程序被计算机调用并执行时，实现如权利要求1_6任意一项所述的基于声纹感知的45模型进行训练；T_Manba模型为T_MambaBlock与TemporalConvolutionalNetwork框架的[0013]步骤4：将步骤2获得的数据输入至训练后的Mamba模型，识别出变压器的异常状6过状态转移方程和观测方程来描述状态的演化和观测值的生成，用于捕捉长程依赖关系，7[0049]图3是本申请所提基于声纹感知的变压器状态监控系统中基于T_Manba的变压器议NTP确定所有传感设备之间的时钟同步性，利用时间戳和序列编号的方式使得来自不同8模型进行训练；T_Manba模型为T_MambaBlock与TemporalConvolutionalNetwork框架的[0061]T_Manba模型，在TemporalConvolutionalNetwork框架的基础上，通过T_[0062]如图3，T_MambaBlock结合了状态空间模型，通过一组状态变量来描述系统的状[0067]步骤4：将步骤2获得的数据输入至训练后的Mamba模型，识别出变压器的异常状要作用是捕捉有关变压器状态的声波信号。该层包含一组精密的声学传感器及振动传感9[0072]为确保监测到的声波数据在时间序列上的一致性，将多个传感器形成传感器网打包并通过稳定的通信接口发送至边缘计算层。数据打包采用的是一种高效的编码方法，[0074]所述边缘计算层用于构建Mamba模型，使用已知的变压器正常运行状态下的信号[0085]参考图2，本实施例所提一种基于声纹感知的变压器状态监测系统的原理包括以[0088]数据收集层中，利用若干MEMS麦克风采集变压器及周围环境的声波信号，若干速度传感器(典型的如AnalogDevicesADXL345)，根据变压器的几何构造和辐射声场特时，ADXL345加速度传感器用于捕获振动数据，确保可以准确记录到变压器的机械振动状析不同频率下的振动特征，并使用滑动窗口技术来平滑时间序列数据。以上步骤通过AnalogDevices提供的SignalProcessingToolbox[0096]语音序列预处理，得到时序序列(n)后傅里叶变换为频域波形:X(i,k)＝FFT[Xm[0107]为了数据同步，我们运用网络时间协议(NTP)来确保所有传感器之间的时钟同步的特征进一步由特征分析模块处理，该模块利用机器学习技术进行事件检测和模式识别。InfineonIM69D120麦克风和ADI公司的ADXL355振动传感器，这样能够确保我们获取高质骤对于捕捉信号内的周期性和非周期性成分至关重要。这个处理过程可以利用SciPy库实一机器学习算法特别适合于处理高维度数据，适用于连续数据(Continuousnumerical是异常值，越接近0则越可能是正常值。h(i)表示数据点i在每棵孤立树iTree中的路径长[0127]为了克服传统方法在特征提取和长程依赖关系捕捉上的不足，我们引入了T_Manba模型。T_Manba模型将T_MambaBlock与TemporalConvolutionalNetwork(TCN)框架进一步提高了模型在处理长序列数据时的表现，使得T_Manba模型能够高效地捕捉时间序[0131]T_MambaBlock结合了状态空间模型(StateSpaceModel,SSM)，是一种用于描述测方程来描述状态的演化和观测值的生成。用于捕捉长程依赖关系。SSM的状态更新方程[0136]通过这种方式，T_Manba模型能够更有效地捕捉变压器声音和振动信号中的复杂[0137]T_Manba模型在处理长序列数据时表现出色，能够识别变压器声音和振动信号中常运行状态下的信号数据对T_Manba模型进行训练，使其学习变压器在正常情况下的声音的学习和适应能力确保了模型随着时间的推移能够保持高度准[0138]T_Manba模