無人值守變電站電力設備音頻監測及故障診斷系統

, , , ,

(1.廣東電網有限責任公司電力科學研究院，廣州 510080； 2.中國航空工業集團公司洛陽電光設備研究所，河南 洛陽 471000)

無人值守變電站電力設備音頻監測及故障診斷系統

易琳1,沈琦2,王銳1,王柯1,彭向陽1

(1.廣東電網有限責任公司電力科學研究院，廣州510080； 2.中國航空工業集團公司洛陽電光設備研究所，河南洛陽471000)

針對智能變電站的無人值守需求及現有故障診斷系統的不足，提出一種電力設備音頻監測及故障診斷系統;根據變電站電力設備音頻信號信噪比較低的特點，采用具有強魯棒性的梅爾頻率倒譜系數作為判斷音頻信號異常的特征參數，在此基礎上根據音頻特征構成多樣本觀測序列，并采用隱馬爾科夫模型進行故障診斷，通過對比對數似然估計概率的輸出值確定故障類型；該方法具有實時性較強的優勢，也避免了現有故障診斷方法要求較大樣本容量的缺陷；實驗結果表明，該故障診斷系統具有較高的識別率和魯棒性。

變電站; 電力設備; 故障診斷; 隱馬爾科夫模型; 梅爾頻率倒譜系數

0 引言

電力行業的發展日新月異，但如何確保電力系統的安全運行始終是人們關注的焦點。作為電力網絡的管控執行單元，變電站的可靠性是決定電網整體可靠性的關鍵因素。隨著智能電網戰略的推進，新型變電站需具有易于管理和維護的特征，且需滿足無人值守需求，因此研究電力設備的智能故障診斷技術，實現快速故障隔離以保障電網的安全運行，具有重要的工程價值[1]。然而其困難在于，現有變電站電力設備如變壓器等不僅結構復雜，而且型號多樣，其故障機理和特征具有高度的復雜性和一定的隨機性[2]，傳統閾值式診斷難以有效反映故障表現特征與故障機理之間的客觀規律，較難取得理想的在線診斷效果[3]。

變電站電力設備如出現機械故障時，其振動特性或部分頻段內的振動能量將發生改變，這常伴隨異常的聲音。此外，設備的超負荷運行或其它電路故障也會引起異常的聲音變化[4]。因此，在電力設備的不同位置所測取的聲音信號包含著豐富的信息，具有豐富經驗的工程師也通常根據現場的異常聲音判斷故障?；诖嗽砜稍O計用于變電站電力設備的音頻實時監測故障診斷系統，其獨特優勢在于僅通過聲音傳感器獲取音頻信號即可實現對設備工況的實時判斷，且不影響電力系統的正常運行，具有信息量大、反應快和低成本優勢，豐富了無人值守變電站的故障診斷手段，具有良好的應用前景。然而，變電站具有較強的背景噪聲，非接觸式測量所獲取的音頻信號易受傳感器安裝位置和其它外圍設備噪聲源影響，干擾信號有可能會淹沒掉與設備工況相關的有效特征值，因此，對故障信號特征參數的有效提取尤為關鍵。此外，變電站設備型號復雜，積累的監測數據與有效故障樣本較少，如何對特征參數進行處理以實現準確識別，也是亟待解決的關鍵問題。由于以上問題的復雜性，現有研究成果并不多見。文獻[5]采用基于獨立分量分析的信號分離方法處理聲音源信號，提取MFCC特征參數并與專家庫信號匹配，根據動態時間規整算法判斷電氣設備故障類型，但該方法較難實現在線故障診斷。文獻[6]提出采用正弦基前向神經網絡的音頻識別方法，但實際工程中可能存在陷入局部極值的缺陷。

針對現有研究的不足，本文提出一種可應用于無人值守變電站電力設備的音頻監測及故障診斷系統。根據工作流程，該系統可劃分為信號檢測、特征參數提取、狀態識別及診斷決策3個環節，針對變電站電力設備音頻信號信噪比較低的特點，提出采用具有強魯棒性的MFCC參數作為判斷音頻異常的特征參數，在此基礎上根據音頻特征構成多個觀測序列并用以訓練HMM，對比對數似然估計概率的輸出值，可判定設備故障的具體類型，從而實現在線故障檢測和診斷功能，該方法的優勢在于實時性較強，同時也避免了現有故障診斷方法普遍要求較大樣本容量的缺陷。

1 音頻監測及故障診斷系統結構

在各變電站需要進行監測的電氣設備如變壓器、互感器、電容器、電抗器、GIS(氣體絕緣開關)等旁安裝聲音傳感器，或采用移動巡檢的方式，在巡檢機器人上安裝傳感器，對聲音信號進行實時采集，并在每個變電站內設置一個多路信號采集站，負責采集全站的多路音頻數據并通過以太網傳送至遠方的監測中心。監測中心主要由信號處理服務器、樣本截取工作站、模型庫和監測子站構成。其中，信號處理服務器是故障診斷系統的核心，根據設備優先級和故障狀況，負責對各站上傳的多路音頻信號進行處理，具體包括對音頻信號的變換和頻譜分析、特征參數提取，并與模型庫所保存的歷史音頻數據及典型故障聲音進行對比，判斷設備運行狀況和故障類型，若檢測到異常信號則發出報警。樣本截取工作站負責對正常信號和異常信號進行截取和建模，并存入模型庫；模型庫負責存儲信號樣本及歷史數據；監測子站負責與各變電站信號采集站進行遠程通信，并向各變電站工作人員提供報警信號。所設計的音頻監測及故障診斷系統結構如圖1所示。

圖1 變電站音頻監測及故障診斷系統結構

2 音頻信號特征參數提取算法

對音頻信號特征參數的有效提取是實現電力設備音頻故障診斷系統的前提。在語音信號處理系統中，基于語音頻譜導出的參數得到普遍關注，如基音頻率[7-8]、功率譜、共振峰和梅爾頻率倒譜系數(Mel-frequency cepstrum coefficients, MFCC)等。其中，MFCC參數來源于聲音的產生和接收機制，在噪聲環境下應用最為廣泛?，F有應用于電力系統故障分類或識別的算法主要包括基于核的判別[9]、神經網絡[10]、模糊分類[11]、支持向量機[12]等，但以上方法的訓練需要足夠的樣本容量，通常被用于處理靜態模式分類，較難適用于對實時性要求較高的動態分類問題。隱馬爾科夫模型(Hidden Markov Model，HMM)作為雙重隨機過程的有限狀態自動機，其優勢在于具有較強的特征分類能力，并適用于對非平穩信號進行統計分析[13-14]，且可通過較少的樣本訓練出可靠模型，相較神經網絡等方法而言，所保留的統計信息更為豐富，具有較高的識別率。人耳的感知程度與聲波頻率并非簡單的線性關系，內耳基礎膜對接收到的信號產生自適應調節作用，Mel頻率與人耳聽覺特性高度吻合，適用于模擬人耳對聲音的感知，且對信號性質并無依賴，具有較強的魯棒性。MFCC參數是在Mel標度頻率域提取出的倒頻譜參數，Mel頻率與實際頻率的關系可由以下對數關系近似表示[15]：

(1)

式(1)中，f為頻率。

鑒于MFCC參數的優良性能，本文采用MFCC參數作為判斷變電站電力設備故障的特征參數。其參數提取步驟如下：

1)考慮短時間內故障信號的激勵性質及聲道形狀未有顯著變化，對音頻信號采用短時分析技術。首先需進行預處理過程，包括預加重、分幀及加窗等環節。預加重環節可提升音頻信號的高頻頻譜，使信號頻譜平坦化，易于對音頻信號進行頻譜分析；分幀環節將所采集的音頻信號劃分為毫秒級短時段信號，根據電力設備故障信號的特性，采用重疊分段的分幀方式來保持信號連貫性及幀之間的平滑過渡；加窗環節可有效減弱截斷效應，降低音頻幀的坡度。此外，在處理變電站異常聲音信號過程中，當變電站背景噪聲對信號產生較為嚴重的干擾時，還需針對背景噪聲進行預處理，如進行有效的端點檢測等。

2)對預處理后的信號進行快速傅立葉變換(FFT)，實現信號從時域到頻域的轉換，并計算其模的平方，得到能量譜。

3)設計具有M個帶通濾波器的濾波器組并采用三角濾波器，信號的截止頻率決定該濾波器組的個數M，濾波器的中心頻率在0～F/2范圍內按Mel頻率分布，由Mel(f)與實際線性頻率f的關系計算出三角帶通濾波器組Hm(k)。計算公式為：

(2)

式(2)中，f(m)為濾波器的中心頻率，m<1,2,…,M。濾波器組Hm(k)滿足：

(3)

則每個濾波器組輸出的對數能量可表示為：

(4)

式(4)中，P[·]為音頻信號經FFT變換后得到線性頻譜的平方值。

(4)由于Mel頻譜系數均為實數，利用離散余弦變換(DCT)，將Mel頻譜系數變換到時域，得到MFCC系數為：

(5)

式(5)中，0≤n≤M-1。

3 故障信號識別技術實現

3.1 基于HMM的故障診斷系統結構

變電站電力設備故障信號的識別，究其本質而言，是一個極為復雜的模式識別問題，也是音頻故障診斷系統的關鍵技術。對異常故障信號進行特征提取的目的僅為挖掘出可揭示故障音頻本質特征的參數，實現智能診斷還必需進行分類器設計，將特征提取過程所得到的特征參數序列通過已知模型庫進行模式匹配，因此，相關模式匹配算法的優劣也在很大程度上決定了故障診斷系統的準確率。本文設計的故障診斷系統結構如圖2所示。

圖2 故障診斷系統結構

不同變電站電力設備的型號、新舊程度均有差別，且音頻信號的特點也受諸多隨機因素的影響，故障信息必然包含在信號的統計規律中，因此本文采用較為成熟的統計模式識別的方法來實現故障狀態判別。鑒于HMM具有較強的抗噪性能，以及在描述時變序列的統計特征方面所具有的良好數學結構，提出將HMM用于故障模型的描述，建立基于HMM的變電站電力設備音頻故障模式識別系統。

離散型HMM可記為：

λ=(N,M,π,A,B)

(6)

式(6)中：N為模型中Markov鏈狀態數目，M為每個隱狀態對應的可能的觀察值數目，π為初始狀態概率分布矢量；A為狀態轉移概率矩陣；B表示觀察值概率分布矩陣。利用HMM進行電力設備狀態識別，首先建立能反映觀察序列統計特征的HMM，然后計算未知觀察序列在HMM下的輸出概率值，并通過比較模型輸出概率值的大小來判斷設備工況，基于HMM的電力設備故障診斷算法流程如圖3所示。

圖3 基于HMM的電力設備故障診斷算法流程

3.2 HMM訓練及識別算法

實現HMM的訓練首先建立初始模型，即確定初始模型的結構和參數；然后是解決模型的參數優化問題，即在給定初始模型和訓練觀察序列的情況下，調整模型λ=(π,A,B)的參數，使訓練序列在模型下輸出的概率P(O/λ)最大。本文采用前向算法，定義前向變量αt(i)為：

αt(i)=P(O1,O2,…,Ot,qt=θi/λ)，1≤t≤T

(7)

式(7)中，αt(i)是t時刻HMM在狀態i下產生觀察序列(O1,O2,…,Ot)的概率。根據αt(i)的定義，按照遞推關系可計算出t+1時刻HMM處于狀態j并產生觀察值Ot+1的概率αt+1(j)，因此當t=T時，P(O/λ)可按如下前向遞推原理求出：

算法初始化計算式為：

α1(i)=πibi(O1)，1≤i≤N

(8)

遞推過程為：

(9)

式(9)中，1≤t≤T-1，1≤j≤N。

前向遞推公式為：

(10)

根據前向遞推原理，給出觀察符號序列O=O1,O2,…OT在已知模型λ=(π,A,B)下的輸出概率P(O/λ)的算法步驟為：

(1)設置N×T維的二維數組變量αt(i)，獲取模型參數和觀察符號序列O=O1,O2,…OT；

(2)根據式(8)，計算t=1時模型在各隱狀態θi下輸出觀察值O1的初始前向概率α1(i)；

(3)根據式(9)，計算從t時刻出發到t+1時刻模型從N個狀態轉移到狀態θj時輸出觀察值Ot+1的前向概率αt+1(j)；

(4)重復(2)的遞推過程，計算出t+1時刻所有N個狀態下的前向概率αt+1(j)，(j=1,2,…,N)；

(5)重復(2)(3)的遞推過程，直到t=T-1；

(6)取出終止狀態的αT(i)進行求和即得到P(O/λ)。

4 實驗結果

4.1 故障診斷方法步驟

本文實驗采用了基于聲音信號分析處理的故障診斷方法，故障診斷的過程大體有3個步驟：首先是信號的采集與處理，其目的是從待檢設備上提取出真實可靠的信息，這里采用聲音傳感器進行原始數據的采集；其次是特征提取，利用信號處理技術從檢測信號中提取出故障的特征信號，本文采用聲音的倒譜域特征參數MFCC作為特征參數；最后是狀態識別與診斷決策，它是利用特征提取后的信息對故障狀態進行識別、判斷和預報，這里采用在核電故障診斷方面已取得應用的隱馬爾科夫模型的統計信號處理方法，前期需要建立初始模型，通過基于HMM模型的分類器，對已知類別的故障音頻數據進行訓練建模聚類，對未知類別的故障音頻數據樣本進行分類，分類過程中，當有待分類樣本需要識別時，利用已經建立的HMM參數來計算每套參數產生該序列的概率值，將新樣本歸入概率值最大的類別中，并給出分類結果從而確定所屬故障狀態。

4.2 故障分類實驗

實驗樣本為電網變電站場地巡檢機器人錄制的電氣設備聲音，樣本精度為16bit，采樣率為44.1 kHz，隨機選取了261組數據作為訓練、識別數據。其中包括87組變壓器數據、86組互感器數據和88組電容器數據，經過提取MFCC參數，3種設備的每幀信號都已轉換為24維的MFCC 的特征矢量。HMM訓練共使用了70組變壓器數據、70組互感器數據和73組電容器數據，剩下的17組變壓器數據、16組互感器數據和15組電容器數據則用于模型識別，識別結果如表1所示。

表1 識別實驗結果

從表1可以看出，將MFCC及其HMM結合起來進行電網聲音識別，共使用48組數據，正確識別47組，識別率達到98%，而常見實驗中，將語音特征參數與神經網絡相結合最高識別率只達到89%左右，且所需樣本較多，計算較復雜。

表2為一組變壓器、互感器和電容器的輸出概率測試結果。以變壓器為例，把一組變壓器的MFCC特征參數輸入到變壓器的HMM中，得到的對數輸出概率為-25660，而把該數據輸入到互感器和電容器的HMM中，得到的對數輸出概率為-27899、-31611，分類還是較為清晰的?？梢?，選取的MFCC特征參數能很好地描述聲音信息，而HMM模型也具有良好的聲音識別效果。

表2 HMM模型測試結果

4.3 變壓器故障診斷實驗

變壓器是變電站電力設備中的核心，根據音頻監測系統提取的不同故障音頻特征，對所發生的故障類型進行診斷，是監測診斷系統的關鍵功能。為此，在國網臺州供電公司國清220 KV變電站進行測試實驗，1號變壓器為OSSZ10-150000/220，2號變壓器為OSS9-150000/220，設備均已較為陳舊，緊貼變壓器周圍設置多個音頻監測點，當有故障發生時，提取有效音頻信號，并對其進行特征參數提取，與已驗證的故障機理相結合，可監測出的典型故障類型包括：1)繞組匝間短路/分撥開關故障；2)線路接地短路；3)變壓器過載嚴重/大負荷用戶頻繁啟動；4)穿心螺桿松動；5)高壓套管臟污或釉質脫落；6)變壓器內部缺油。

應用本文算法，提取以上6類典型故障發生時的音頻特征，并在模型訓練之后存入模型庫。并將實時釆集的待識別變壓器故障音頻經過采樣、預處理、MFCC參數提取等步驟，得到待識別序列，然后通過本文算法來計算該序列在每個己訓練模型下的概率，識別結果為最大概率所對應的故障類型。圖3為典型故障樣本在已訓練好的故障模型下的輸出概率值：

表3 典型變壓器故障輸出概率

由圖3可知，不同故障音頻在其相對應的故障模型下的對數概率值最大，而在其他模型下取值都較小，這也驗證了HMM分類算法的有效性，可實現對變壓器故障類型的準確判別。需要說明的是，由于變壓器故障原理較為復雜，不同的故障機理可能呈現出相類似的音頻特征，如故障B實際上包括變壓器繞組匝間短路和分撥開關故障兩類，所提取的音頻特征較為類似，這也說明故障診斷本身的復雜性。

5 結論

本文提出一種適用于無人值守變電站的設備音頻在線檢測系統，提取MFCC作為判斷音頻信號異常的特征參數，采用HMM模型對故障狀態進行訓練，具有結構簡單、易于工程實現的特點，可實現對故障設備的有效分類，還可對典型電力設備如變壓器的典型故障進行識別，其診斷結果具有較高的準確性。該音頻監測及故障診斷系統對于發現早期電力設備故障，快速掌握設備缺陷及其性質具有積極意義，可及時消除設備危險點，降低事故發生率，有助于電網的安全運行，是人工智能技術在電力系統中的成功應用。

[1] 李 鵬, 許愛東, 郭曉斌, 等.面向巡維中心的變電站駕駛艙架構設計與實現[J]. 南方電網技術, 2015; 9(6): 1-5.

[2] 董海鷹, 李曉楠, 姚 軍. 基于粗糙集和灰關聯分析的750 kV變電站故障診斷[J]. 高電壓技術, 2015, 41(10): 3313-3319.

[3] 鄭蕊蕊, 趙繼印, 趙婷婷，等. 基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷[J]. 中國電機工程學報, 2011, 31(7): 56-63.

[4] 張 冰, 劉連光, 肖湘寧. 地磁感應電流對變壓器振動、噪聲的影響[J]. 高電壓技術, 2009, 35(4): 900-904.

[5] 杜世斌. 基于音頻特征的電氣設備故障監測算法研究[D]. 濟南：山東大學, 2014.

[6] 曹文明, 王耀南.基于音頻識別的無人值守變電站設備在線監測[J].湖南大學學報：自然科學版,2013,40(9):48-55.

[7] Zhao X J, Shao Y, Wang D L. CASA-based robust speaker identification[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2012, 20(5): 1608-1616.

[8] Huang F, Lee T. Pitch estimation in noisy speech using accumulated peak spectrum and sparse estimation technique[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2013, 21(1): 99-109.

[9] 阮 羚, 李成華, 宿 磊，等. 基于奇異值分解的局部放電模式識別方法[J]. 電工技術學報, 2015, 30(18): 223-228.

[10] 尚海昆, 苑津莎, 王 瑜，等.基于交叉小波變換和相關系數矩陣的局部放電特征提取[J]. 電工技術學報, 2014, 29(4): 274-281.

[11] 李 贏, 舒乃秋. 基于模糊聚類和完全二叉樹支持向量機的變壓器故障診斷[J]. 電工技術學報, 2016, 31(4): 64-70.

[12] 汪 可，李金忠，張書琦，等. 基于時頻相似度的油紙絕緣多局部放電源脈沖群分離與識別策略[J]. 電工技術學報, 2014, 29(12): 251-260.

[13] Brognaux, Drugman. HMM-Based Speech Segmentation: Improvements of Fully Automatic Approaches[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2016, 24(1): 5-15.

[14] Percybrooks, Moore, A New HMM-Based Voice Conversion Methodology Evaluated on Monolingual and Cross-Lingual Conversion Tasks[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2015, 23(12): 2298-2310.

[15] Sahidullah, Saha, A Novel Windowing Technique for Efficient Computation of MFCC for Speaker Recognition[J]. IEEE Signal Processing Letters, 2013, 20(2): 149-152.

FaultDiagnosisandConditionMonitoringofSmartSubstationEquipmentBasedonAcousticSignals

Yi Lin1, Shen Qi2, Wang Rui1, Wang Ke1, Peng Xiangyang1

(1.Electric Power Research Institute，Guangdong Power Grid Co., Ltd., Guangzhou 510080, China;2.Luoyang Institute of Electro-Optical Equipment, AVIC2, Luoyang 471000, China)

Aiming at the requirement of unattended intelligent substation and the shortcomings of existing fault diagnosis system, an audio monitoring and fault diagnosis system of power equipment is proposed. According to the low signal-to-noise ratio (SNR) of the audio signal in substation power equipment, the Mel-frequency cepstrum coefficients with strong robustness are used as the characteristic parameters to judge the audio signal anomaly. Based on the audio feature, a multi-sample observation sequence is constructed. The hidden Markov model (HMM) is used to diagnose the fault, and the fault type is identified by comparing the logarithm likelihood estimate output value. The method has the advantage of real-time and avoids the limitation of the existing fault diagnosis method which requires large sample size. The experimental result shows that the proposed fault diagnosis system has high recognition rate and robustness.

electric substations; electric power equipment; fault diagnosis; hidden Markov model; Mel-frequency cepstrum coefficients

2017-01-13；

2017-05-18。

易 琳(1986-)，工程師，博士，主要從事電力智能巡檢技術及應用。

1671-4598(2017)11-0009-04

10.16526/j.cnki.11-4762/tp.2017.11.003

TP273

A