本发明涉及变压器数据处理，特别是基于边缘计算的变压器声纹去噪方法及其系统。
背景技术：
1、变压器声纹技术是一种利用声音信号来监测和诊断电力变压器运行状态的技术。它通过分析变压器运行过程中产生的声学和振动信号，提取其中的声纹特征，从而对变压器的健康状况进行评估。
2、而变压器中绕组和铁芯的振动噪声是变压器本体噪声的主要组成部分，变压器产生的声音和所加电压有关系；铁芯振动和绕组振动声音的主要频谱分量是100hz；此外还有风扇等冷却系统、载调压分接开关等环境噪音的影响；对于传统的变压器声纹去噪的方法，多为利用电力系统或平台的服务器进行大规模的bp神经网络算法或cnn卷积神经网络的处理来达到去噪的目的，其运算负载大、效率低且提取其中的声纹特征的数据分析精确度一般，同时传统的故障检查与诊断依赖于后期的离线分析，及时是在线监测也是将海量数据传输到服务端处理和分析，对于然而现阶段缺少边缘端对变压器声纹数据的处理，为此我们提出一种基于边缘计算的变压器声纹去噪方法及其系统。
技术实现思路
1、鉴于上述现有的变压器声纹数据处理中存在的问题，提出了本发明。
2、因此，本发明其中的一个目的是提供基于边缘计算的变压器声纹去噪方法及其系统，其通过缘端对变压器声纹数据的处理，构建基于边缘端轻量化边缘计算的变压器声纹去噪处理模型，能够实现更快速的进行变压器的去噪处理工作，以得到更为精确的噪声估算结果，有利于后续的故障检测和诊断。
3、为解决上述技术问题，本发明提供如下技术方案：
4、一方面，本发明提供基于边缘计算的变压器声纹去噪方法，包括：
5、s101、边缘端通过传感器获取变压器声纹采样信号后，采用的滤波算法对变压器声纹采样信号中的环境噪音特性进行处理后，确定一个完整的声纹采样信号，通过分割成若干段分段变压器声纹信号并确定每段所述变压器声纹信号的宽度；
6、s102、将每段所述变压器声纹信号进行加窗处理后，对窗内的变压器声纹信号进行傅里叶变换，使得每段所述变压器声纹信号从时域信号转换为频域信号并得到相应的分段信号的频谱；
7、s103、边缘端将分段信号的频谱进行机器学习标注，根据标注处理结果确定预设的铁芯振动和绕组振动声音特性和环境噪音影响的特征以及相应的参数信息，构建变压器声纹去噪处理模型并进行分段信号的频谱数据评测，生成所述分段信号的频谱数据所对应的频域信号评估系数，根据频域信号评估系数计算所述分段信号的频谱数据所对应的分段频率的能量值，即代表为变压器不同噪音声音信号的特征参数，基于所述分段频率的能量值进行变压器声纹去噪工作并生成各段的变压器去噪频谱数据，将各段的变压器去噪频谱数据传输至区域级检测后台；
8、s104、区域级检测后台根据各段的变压器去噪频谱数据进行自动调整增益后，输入至神经网络中并循环识别验证后，根据变压器声纹特征向量进行声纹的识别和匹配，完成变压器故障的确定，同时反馈验证变压器声纹去噪是否达标并向边缘端输出相应的调控信息；
9、s105、边缘端接收相应的调控信息并基于变压器作出对应的调控工作。
10、作为本发明的一种优选方案，其中：在s102中对窗内的变压器声纹信号进行傅里叶变换，为给定一个连续时间域上的变压器声纹信号x(t)，其傅里叶变换表示如下：
11、
12、其中，x(f)是频率为f的复数值函数，x(t)是连续时间域上第t个时间点的变压器声纹信号，i是虚数单位，f是连续时间域中的频率，dt是微分符号。
13、作为本发明的一种优选方案，其中：在s103中所述构建变压器声纹去噪处理模型并进行分段信号的频谱数据评测，生成所述分段信号的频谱数据所对应的频域信号评估系数，具体如下：
14、
15、其中，gi为第i个频域信号的评估系数；分别表示边缘端变压器设备三个规格梯度的权重系数；分别表示铁芯振动、绕组振动、以及环境噪音振动影响的三个特征所对应的α、β与χ指标的权重系数；u(xi)表示分段信号的频谱数据的参数值。
16、作为本发明的一种优选方案，其中：s103中，根据频域信号评估系数计算所述分段信号的频谱数据所对应的分段频率的能量值，具体如下：
17、ei＝gi*∫xi(t)2dt；
18、其中，ei为第i个频域信号的能量值，并作为变压器噪音声音信号的特征参数，xi(t)为第i个频域信号上变压器声纹信号的原始数据值。
19、作为本发明的一种优选方案，其中：还包括对铁芯振动和绕组振动权重的分析，具体如下：
20、假设流过变压器绕组负载电流大小为变压器绕组上的电磁力大小为
21、其中，i变压器绕组负载电流值，im为负载电流幅值，为初始相位值，为负载电流的余弦量，p为电磁力系数，且稳态运行条件下取其为常数，f为绕组上电磁力；
22、所述绕组电磁力由常量和正弦量组成，频率是电源频率的二倍，大小与负载电流平方成正比关系；
23、当电流中含有谐波时，电磁力的频率成分分为谐波的倍频、和频与差频，并获取轴向电磁力与辐向电磁力大小分布信息；
24、根据谐波的倍频、和频与差频和轴向电磁力与辐向电磁力大小分布信息，构建相应的谐波类别的二维特征矩阵，为倍频二维特征矩阵、和频二维特征矩、以及差频二维特征矩阵，即倍频二维特征矩阵表示为f1(μ，γ)，和频二维特征矩阵表示为f2(μ，γ)，差频二维特征矩阵表示为f3(μ，γ)；其中(μ，γ)分别为轴向和辐向的电磁力特征数据；
25、基于谐波类别的二维特征矩阵建立铁芯振动和绕组振动的轴向和辐向的权重分析模型，根据铁芯振动和绕组振动的轴向和辐向的权重分析模型的分析生成铁芯振动和绕组振动的权重系数。
26、作为本发明的一种优选方案，其中：s101中所述滤波算法采用最小均方差算法。
27、作为本发明的一种优选方案，其中：s104中所述声纹识别和匹配使用高斯混合模型或支持向量机进行声纹识别。
28、作为本发明的一种优选方案，其中：所述铁芯振动和绕组振动的轴向和辐向的权重分析模型具体如下：
29、
30、其中，n表示变压器在当前谐波类别下的第i个数据，即谐波的倍频、和频与差频二维特征矩阵的第i个数据，j表示权重分析的指标，即铁芯振动和绕组振动的轴向指标，k表示辐向指标，yij表示铁芯振动和绕组振动在当前谐波下的轴向电磁力特征数据，yik表示铁芯振动和绕组振动在当前谐波下的辐向电磁力特征数据，pij、pik分别铁芯振动和绕组振动的轴向和辐向的权重分析结果。
31、一方面，本发明提供一种基于边缘计算的变压器声纹去噪方法的系统，包括：
32、边缘端获取模块，用于通过传感器获取变压器声纹采样信号后采用的滤波算法对变压器声纹采样信号中的环境噪音特性进行处理后，确定一个完整的声纹采样信号；
33、边缘端处理模块，用于将每段所述变压器声纹信号进行加窗处理后，对窗内的变压器声纹信号进行傅里叶变换，使得每段所述变压器声纹信号从时域信号转换为频域信号并得到相应的分段信号的频谱；
34、边缘端分析模块，用于将分段信号的频谱进行机器学习标注，根据标注处理结果确定预设的铁芯振动和绕组振动声音特性和环境噪音影响的特征以及相应的参数信息，构建变压器声纹去噪处理模型并进行分段信号的频谱数据评测，生成所述分段信号的频谱数据所对应的频域信号评估系数，根据频域信号评估系数计算所述分段信号的频谱数据所对应的分段频率的能量值；
35、区域级检测后台，用于根据各段的变压器去噪频谱数据进行自动调整增益后，输入至变压器云服务平台；
36、变压器云服务平台，用于接收区域级检测后台的上传信息，并输入至神经网络中并循环识别验证后，根据变压器声纹特征向量进行声纹的识别和匹配，完成变压器故障的确定，同时反馈验证变压器声纹去噪是否达标并向边缘端输出相应的调控信息，并发出相应的调控信息传输值变压器，作出对应的调控工作。
37、本发明的有益效果：本发明通过缘端对变压器声纹数据的处理，构建基于边缘端轻量化边缘计算的变压器声纹去噪处理模型，能够实现更快速的进行变压器的去噪处理工作，以得到更为精确的噪声估算结果，有利于后续的故障检测和诊断。
1.基于边缘计算的变压器声纹去噪方法，其特征在于，包括：
2.如权利要求1所述的基于边缘计算的变压器声纹去噪方法，其特征在于，在s102中对窗内的变压器声纹信号进行傅里叶变换，为给定一个连续时间域上的变压器声纹信号x(t)，其傅里叶变换表示如下：
3.如权利要求1所述的基于边缘计算的变压器声纹去噪方法，其特征在于，在s103中所述构建变压器声纹去噪处理模型并进行分段信号的频谱数据评测，生成所述分段信号的频谱数据所对应的频域信号评估系数，具体如下：
4.如权利要求3所述的基于边缘计算的变压器声纹去噪方法，其特征在于，s103中，根据频域信号评估系数计算所述分段信号的频谱数据所对应的分段频率的能量值，具体如下：
5.如权利要求3所述的基于边缘计算的变压器声纹去噪方法，其特征在于，还包括对铁芯振动和绕组振动权重的分析，具体如下：
6.如权利要求1所述的基于边缘计算的变压器声纹去噪方法，其特征在于，s101中所述滤波算法采用最小均方差算法。
7.如权利要求1所述的基于边缘计算的变压器声纹去噪方法，其特征在于，s104中所述声纹识别和匹配使用高斯混合模型或支持向量机进行声纹识别。
8.如权利要求5所述的基于边缘计算的变压器声纹去噪方法，其特征在于，所述铁芯振动和绕组振动的轴向和辐向的权重分析模型具体如下：
9.一种应用于如权利要求1所述的基于边缘计算的变压器声纹去噪方法的系统，其特征在于，包括：
