電力變壓器異常故障智能聲紋監測與診斷系統研究及應用

余金龍

摘? 要：如何提高電力變壓器運行潛伏性異常故障監測，并且變壓器運行不受干擾，是目前電力行業亟待解決的重要問題之一。提出電力變壓器異常故障智能聲紋監測與診斷系統的研究與應用，通過對電力變壓器各種故障聲音發聲機理分析、混合聲音采集與分離、聲音信號特征提取和故障類型識別的研究，結合獨立分量分析算法、小波包能量分布向量和梅爾對數頻譜、BP神經網絡算法等人工智能技術的運用，在不影響變壓器正常運行下對其進行監測，實現對變壓器運行健康狀態展示與告警，及時發現變壓器異常故障，消除變壓器隱患，保障變壓器安全穩定運行，減少經濟損失，對電力系統發展具有重要意義。

關鍵詞：變壓器異常故障；聲紋監測技術；智能診斷；聲紋采集；監測算法

中圖分類號：TM41? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）08-0149-04

Abstract： How to improve the latent abnormal fault monitoring of power transformer operation without interference is one of the important problems to be solved in the power industry. Therefore， the research and application of intelligent voiceprint monitoring and diagnosis system for abnormal faults of power transformer is proposed. Through the research on sound mechanism analysis， mixed sound collection and separation， sound signal feature extraction and fault type identification of power transformer faults， combined with the application of artificial intelligence technologies such as independent component analysis algorithm， wavelet packet energy distribution vector and Mel logarithmic spectrum， BP neural network algorithm and so on. Monitoring the transformer without affecting the normal operation of the transformer， displaying and warning the operation health status of the transformer， finding the abnormal faults of the transformer in time， eliminating the hidden dangers of the transformer， ensuring the safe and stable operation of the transformer and reducing economic losses. It is of great significance to the development of power system.

Keywords： abnormal fault of transformer; voiceprint monitoring technology; intelligent diagnosis; voiceprint acquisition; monitoring algorithm

大量實踐表明電力變壓器出現嚴重事故前，往往都存在著潛伏性故障。變壓器主要故障是由于內部局部放電、過熱、繞組變形、機械部件松動及設備絕緣老化等潛伏性故障隨時間積累引起的。變壓器在運行過程中受到電磁力、機械應力作用，鐵芯、繞組、操縱機構等發生聲振并產生機械波，聲波內包含大量設備狀態信息，可作為診斷缺陷及故障的重要特征參量。

傳統變壓器檢測方法包括氣體分析、紅外測溫、振動分析等，但對于內部放電及器件松動等故障仍存在檢測盲區。變壓器運行過程中發生故障常伴隨著異響，有經驗的工作人員可以憑聲音判斷變壓器運行狀況，但傳統檢測方法中對于聲音信號利用比較少。這是因為與其他監測方法相比，聲音信號所含信息量大、數據處理較困難等原因。

隨著語音識別和數據處理技術發展，提出基于人工智能電力變壓器異常故障智能聲紋監測與診斷系統研究及應用，可以實現在不影響變壓器正常運行下，通過在變壓器周邊部署聲紋采集裝置進行不間斷音頻采集，利用人工智能算法對變壓器聲紋進行分析，實現對變壓器健康狀態展示與告警，進而保障變壓器安全穩定運行。

1? 變壓器組件噪聲和放電聲音產生機理

變壓器結構復雜，由鐵芯、繞組、油箱等部件組成。其中，繞組和鐵芯的振動噪聲是變壓器本體噪聲主要組成部分。正常運行時，變壓器線圈內流過交流電，產生變化磁場，變化磁場在硅鋼片上產生電磁力，導致鐵芯和繞組振動發出“嗡嗡”聲響，其主要噪聲頻譜分量是100 Hz。但因變壓器本體噪聲是多個聲源經不同路徑傳播疊加組成，所以本體噪聲內同時混有高次諧波分量，比如風扇等冷卻系統的噪聲頻譜一般集中在100 Hz以下，分接開關發出聲音則是1 000 Hz以上的高頻瞬態聲音信號。因而，通過分析聲音產生機理，可區分變壓器內部發出的各種聲音類別，用以判斷變壓器運行狀況。

1.1? 變壓器鐵芯噪聲產生機理

變壓器鐵芯噪聲由鐵芯振動產生。導致鐵芯振動主要有2個原因：一是硅鋼片在磁場作用下產生磁致伸縮現象導致鐵芯發生振動；二是硅鋼片縫隙處以及疊片之間漏磁產生洛倫茲力使鐵芯發生振動。變壓器繞組通電以后，硅鋼片被鐵芯內流過的磁通磁化，鐵芯尺寸在磁致伸縮力作用下沿磁力線方向變長。在磁致伸縮力作用下，小磁疇產生彈性形變，與磁力線平行方向伸長，與磁力線垂直方向縮短。硅鋼片的居里溫度點是746 ℃，因而在常溫下硅鋼片會一直產生磁致伸縮現象，硅鋼片在變化磁場作用下產生振動，鐵芯振動噪聲是以100 Hz為基頻且含有倍頻的聲音信號。

1.2? 變壓器繞組振動發聲機理

變壓器在運行時，鐵芯和繞組之間空隙中產生漏磁；通電繞組在漏磁場中受到安培力，繞組開始振動；漏磁場分解為徑向漏磁和軸向漏磁；繞組在軸向漏磁中受到徑向安培力，在徑向漏磁中受到軸向安培力作用。由于磁感應強度B與電流成正比，故安培力與電流的二次方成正比，即繞組振動加速度與電流的二次方成正比。因而繞組在安培力作用下以工頻的2倍100 Hz做振動。

1.3? 變壓器放電聲音產生機理

變壓器內部放電過程中往往會發出聲音。一般認為放電聲音產生的原因是放電過程中氣泡在電場力作用下膨脹收縮，導致體積發生變化產生聲波。電場中的氣泡外壁有電荷積聚，氣泡在向內的電場力和向外的內力作用下保持平衡。當發生放電時，氣泡被擊穿形成火花通道，氣泡內電荷被中和，失去電場力，氣泡平衡被打破。當氣泡膨脹速度降到0時，氣泡開始加速縮小。當氣泡縮小的速度為0時，氣泡又開始膨脹，如此反復，氣泡體積不斷變化導致聲波產生。

2? 基于智能聲紋的故障診斷方法研究

目前，很多學者研究基于超聲波的變壓器故障診斷檢測，因超聲波頻率較高，傳播過程中衰減很大。聲音從故障處經變壓器油以及油箱傳播到達傳感器處時幅值很小，傳感器檢測到的聲音很微弱，加上噪聲影響，故障聲音識別難度大。本文致力于研究可聽聲范圍內的變壓器故障診斷方法。在可聽聲范圍內，變壓器本體噪聲是以100 Hz為基頻，摻雜有高次諧波的聲紋信號，頻率主要在1 kHz以下；機械故障和放電的聲音也都在15 kHz以內，聲音頻段較低，聲音衰減大大減小，麥克風采集到聲音幅值比超聲波高，抗噪聲干擾能力強。

2.1? 基于聲紋的故障診斷方法

變壓器發生故障時采集到的聲音是變壓器本體噪聲和故障聲音的混疊聲音，特別是機械故障聲音和變壓器本體噪聲頻帶有很大重疊，單純去除噪聲不能滿足故障識別精度需要。根據可聽聲頻率范圍和采樣定理，采樣頻率必須要40 kHz以上才能不丟失聲音信息。但這樣僅Is的音頻就需要保存至少4萬個數據，為了充分利用聲紋信號中故障特征信息，降低計算量，提高識別速度，需要先提取聲音特征。

因此，基于聲紋故障診斷方法需分3個步驟：混合聲音采集與分離、聲音信號特征提取和故障類型識別。首先，使用麥克風采集變壓器聲音，然后使用快速獨立分量分析算法將變壓器本體噪聲和故障聲音分離；接著分別使用小波包能量分布向量和梅爾對數頻譜提取聲音信號特征；最后采用神經網絡模型識別聲音特征并判別故障。

2.2? 混合聲音的分離

由于變壓器有本體噪聲和故障聲音，麥克風采集到聲音通常是2種聲音的混合信號，如果混合信號已知，則可以從觀察信號中分離出原始信號，但變壓器實際運行發生何種故障未知，這樣聲紋識別率會極大降低。分離混疊信號是聲紋識別領域一個難題，解決這類問題，快速獨立分量分析具有明顯優勢，是指在原信號和信號混合都未知情況下，從多個麥克風錄制混合信號中提取出未觀測到的原始信號。

快速獨立分量分析盲源分離算法有適用范圍，并不是任何混疊信號都能求解源信號，需要對源信號做出假設：①假設源信號之間是相互獨立的。②源信號不包含或只包含一個高斯信號。如果源信號中含有高斯分布，那么源信號經過混合矩陣后概率密度不變，無法從混合信號中獲得混合矩陣信息。③混合信號數量大于等于源信號數量，為了方便計算，通常觀測信號數量等于源信號數量。④假如存在噪聲，則源信號與噪聲信號是相互獨立的，且高斯信號就是噪聲。

2.3? 小波包神經網絡算法聲音識別

2.3.1? 構造聲音能量分布特征

通過小波包變換算法計算聲音各個頻段的能量分布，將聲音分解到寬度相等頻率段上。將信號M層分解，則在第一層共得到2個頻段。重構各頻率段小波包系數，然后計算各頻率段能量，即代表變壓器不同故障聲音信號的特征參數。為了使特征參數具有相同數量級，不同特征參數在數值上具有可比性，將這些故障特征參數統一處理。最后，聲音特征向量由32個相對能量值構成。

2.3.2? 小波包算法改進

小波包分解是將信號分解成高、低頻信號。分析變壓器、機械故障和干擾聲音特點可知，其頻率主要分布在1 000 Hz以下。對于這些聲音，如果進行5層小波包分解，能量主要分布在第1、2頻段，聲音難以區分；如果增加小波包分解層數，如9層小波分解，則會產生512個頻段。頻段過多，增加了聲音識別難度，且高頻部分能量幾乎為0，不含聲音特征信息。由此可見，對整個頻率區間等分，難以滿足聲音識別精度要求。由此提出小波包算法改進，首先對聲音進行5層小波包分解，并通過神經網絡識別聲音類型。如果識別結果為能量分布主要集中前2個頻段的聲音，如變壓器本體噪聲、機械故障聲音等，則將聲音1 500 Hz以下的頻段繼續細分，進行9層小波包分解，將得到的聲音特征向量輸入神經網絡模型，進行二次識別，提高識別的準確度。

2.4? BP神經網絡算法識別故障聲音

BP神經網絡因具有自適應性能好、容錯性高、自學習能力強，以及非線性能力強等優點，常被用于電氣設備故障診斷模式識別。BP神經網絡的工作原理是采用梯度下降法尋找局部最優點，以S型函數作為變換函數，完成由輸入到輸出映射。BP網絡具有一定泛化功能，哪怕不是樣本集中的輸入，網絡也能計算出合適的輸出。

2.4.1? 神經網絡算法

BP神經網絡訓練流程為：首先，確定BP神經網絡結構，然后通過不斷調整權值和偏差值，使其訓練和學習，直至網絡可以完成指定的映射關系。

2.4.2? 神經網絡算法參數確定

聲音的特征向量個數決定網絡輸入層數，輸出層節點數由變壓器故障類型數決定。因而，神經網絡輸入層的節點數為32個，輸出層的節點數為8個。

3? 變壓器故障模擬及實驗驗證

目前，變壓器可靠性高，一般變壓器都處于正常運行狀態，很難實際采集到足夠的變壓器異常聲音音頻。研究建立變壓器機械故障和放電故障模型，模擬變壓器機械故障和放電故障的聲音，并將聲音混合，利用上述所提方法識別故障聲音，驗證方法的有效性。

3.1? 變壓器故障聲音模擬

為了還原變壓器發生故障的真實場景，在實驗室中搭建變壓器油箱，模擬變壓器中可能發生故障聲音。在油箱內放置機械故障和放電故障的模型，模擬不同類型變壓器故障。

3.1.1? 機械故障

當金屬部件掉入變壓器中時，金屬部件與變壓器繞組在電場作用下相互撞擊產生異響。將金屬部件放在油箱內不同位置，給油箱內線圈加50 Hz交流電，金屬部件與線圈在電磁力作用下相互碰撞發出“嗡嗡”聲響。模擬金屬部件在油箱內3個不同位置撞擊發出的聲音：①金屬與油箱內線圈底部摩擦產生的聲音；②金屬與夾件摩擦產生的聲音；③金屬與壓板摩擦產生的聲音。

3.1.2? 放電故障

根據經驗，變壓器內部常見放電類型有以下幾種：繞組端部油通道放電、絕緣擋板和油間隙發生放電、油紙絕緣中局部放電、絕緣紙和導線連接處間隙放電、絕緣紙沿面放電、匝間絕緣擊穿和線圈間放電等。分析變壓器內部可能出現的放電類型，設計建立3種放電模型，分別為平板電極放電、電暈放電和沿面放電模型。

3.1.3? 故障聲音采集

聲音傳感器是聲音故障檢測中主要設備，性能差的麥克風會丟失聲音細節，導致聲音信號畸變，降低聲音識別準確率。選擇傳感器參考以下性能：①頻率響應特性。頻響曲線越平直，失真越小，傳感器性能越高。②信噪比高。信噪比越高，聲音識別準確率越高。③靈敏度高，采集更加細微聲音。④性價比高，選擇指向性、靈敏度高的電容式麥克風。

3.2? 變壓器本體噪聲與故障聲音分析

為了全面研究變壓器聲音信號特征，本研究選擇不同電壓等級的7個變壓器采集聲音，各繪制時長為0.12 s的時域圖。如圖1所示，其中縱向參數是聲音信號經麥克風轉化得到的電平信號幅值，代表聲音響度，從圖中可以看出變壓器波形隨時間變化的狀況，不同型號電壓等級變壓器的時域圖有很大差別。

（ａ）? １１０ ｋＶ電壓等級１號變壓器? ? ?（ｂ）? １１０ ｋＶ電壓等級３號變壓器

（ｃ）? ２２０ ｋＶ電壓等級５號變壓器? ? （ｄ）? ２２０ ｋＶ電壓等級６號變壓器

3.3? 基于FastICA算法的混合聲音分離

將采集的變壓器本體噪聲和故障聲音混合，使用FastICA算法將變壓器本體噪聲與機械故障混合聲音分離，麥克風采集聲音的采樣率為48 kHz，分別截取Is的變壓器本體噪聲與機械故障聲音，將分離開的信號與原信號對比，驗證FastICA算法分離變壓器本體噪聲和故障異常聲音的效果。

3.4? 小波包和BP神經網絡算法的聲音識別

將提取出來的故障聲音進行小波包變換，提取聲音的能量分布特征。聲音信號帶寬為24 kHz，將聲音分解為32份，每一個頻段的頻率范圍為750 Hz，計算變壓器本體噪聲和故障聲音每個頻段的能量?？芍儔浩髡＿\行聲音、金屬部件與油箱內線圈底部摩擦的聲音、金屬部件與夾件摩擦聲音的能量都主要集中在750 Hz頻率范圍內，平板電極放電和沿面放電聲音的能量在8 250 Hz范圍內，電暈放電聲音的能量在18 750 Hz范圍內。

BP神經網絡模型以聲音的能量分布作為特征向量識別不同的聲音。共識別8種聲音：①金屬與油箱內線圈底部摩擦的聲音；②金屬與夾件摩擦的聲音；③金屬與壓板摩擦的聲音；④平板電極放電聲音；⑤電暈放電聲音；⑥沿面放電聲音；⑦變壓器本體噪聲；⑧干擾聲音。

其中，干擾聲音庫由6種聲音組成：風聲、腳步聲、鳥叫聲、汽車聲、驅鳥器聲和人聲。每種聲音的音頻庫包含450個樣本，總樣本數為3 600個。音頻庫被劃分為3部分，訓練集、驗證集和測試集的比例為70∶15∶150，使用訓練集的樣本訓練神經網絡模型，使用驗證集的樣本判斷模型是否發生過擬合現象，使用測試集的樣本檢驗模型識別故障聲音的效果。

實驗結果分析，將BP神經網絡模型識別不同聲音的準確率建模成混淆矩陣進行對比，對比結果如下：第一種聲音金屬部件與油箱內線圈底部摩擦的聲音共450個樣本，全部被識別為第一種聲音，識別正確率100%；第二種聲音金屬部件與夾件摩擦的聲音有449個樣本被識別為第二種聲音，有一個樣本被錯誤識別為第四種平板電極放電聲音，識別率為99.8%。模型整體的識別率為93.9%。

4? 研究目標

第一，研發一套變壓器異常工況聲紋監測算法，實現實時、并行、低功耗的變壓器異常聲紋監測。

第二，研發一套變壓器異常工況聲紋識別算法，實現多種典型異常缺陷聲紋的高精度識別。

第三，建立一套變壓器異常工況聲紋監測系統，實現變壓器實時工況分析、預警，信息查看、統計查詢等功能。

5? 結束語

近年來，經濟和工業的發展使得我國對電力需求不斷增大，超高壓大電網成為電力發展新趨勢。經過多年運行，變壓器發生故障概率不斷增加，存在發生絕緣老化、部件松動等各種故障風險，作為系統中用于電能轉換的主要電力設備，數量大，運行時間長，因而產生故障的頻次也較多。變壓器故障產生后，更換設備會造成經濟損失，電力中斷引起的間接經濟損失更為巨大。因此，電力變壓器異常故障智能聲紋監測與診斷系統研究及應用，能對變壓器運行狀態進行檢測與智能診斷，及時消除變壓器隱患，對電力系統發展具有重要意義。

參考文獻：

[1] 許衛東，王林富，汪進，等.電力變壓器噪聲分析及控制技術研究綜述[J].廣東電力，2020，33（8）：86-94.

[2] 梁彧.機械設備的故障診斷與監測研究綜述[J].科技與創新，2021（1）：153-154.

[3] 王小莉，薛麗.標簽噪聲學習算法綜述[J].計算機系統應用，2021，30（1）：10-18.

[4] 李燦.大型電力變壓器噪聲源分析及其處理[J].電力系統裝備，2019（24）：181-182.

[5] 黃漢昌.基于小波神經網絡與自適應高斯基神經網絡在電力系統振蕩與短路模式故障識別的研究[J].電源技術應用，2014（3）：393-393.