基于SBSS与CNN的750kV变压器与尖板放电混叠信号的声纹识别

作者：包艳艳; 杨广泽; 陈伟; 冯婷娜

来源：西南交通大学学报, 2023, 1-11.

• 局部放电
• 时频谱图
• 稀疏表示
• 盲分离
• 卷积神经网络
• 深度学习

复杂电磁环境中运行的750kV变压器故障声信号样本稀缺，构建包含缺陷的物理模型成本高昂，为扩充声纹识别信号库和提高维护人员的辨声水平，本文提出一种运行期间变压器本体声音和油中尖-板电极放电声、说话声和鸟鸣声的混叠方法，采用基于K-SVD和OMP联合的稀疏盲源分离(sparse blind source separation， SBSS)与卷积神经网络(convolutional neural network， CNN)对混叠750kV变压器模拟放电声纹信号进行识别。首先，以750 kV变压器正常运行声信号作为背景声，实验获取的变压器油中尖-板放电声信号与现场常见干扰作为前景声，将不同信噪比的前景声随机叠加到背景声中构造混叠声信号。然后，对一维混叠声信号进行分帧、加窗和短时离散傅里叶变换，将其可视化的二维声纹谱图，利用K-SVD和OMP联合的稀疏盲分离算法进行更新字典和计算稀疏表示系数以提取前景声纹，实现目标前景声纹图谱和冗余背景声纹图谱的分离。最后，对CNN模型进行超参数的优化，提升了模型对分离出的各类前景声纹谱图的分类性能。本文通过盲源分离算法剔除冗余背景声干扰，使神经网络聚焦于前景声的分类识别，本文所述的声纹信号方法可实现混叠声信号中前景声纹的分离，分离前后CNN、SVM和BP的识别准确率分别提高17.6%、17.2%和14.3%。

• 单位
  国网山东省电力公司泰安供电公司; 兰州理工大学; 国网甘肃省电力公司电力科学研究院