基于聲場聽覺感知的變壓器故障診斷方法研究

邵宇鷹,王 梟,彭 鵬,袁國剛,鄭申輝

(1. 國網上海市電力公司，上海 200122; 2. 上海睿深電子科技有限公司，上海 201108)

0 引 言

變壓器作為電力系統中的核心設備之一，其運行穩定性直接影響整個電網系統的正常工作[1]。變壓器故障診斷對于保證變壓器可靠運行具有重要意義。

針對變壓器故障診斷問題，國內外學者提出了很多檢測方法。其中，油中溶解氣體分析法(dissolves gas analysis，DGA)和振動信號分析法是兩種比較成熟和有效的診斷方法。馬葉芝等[2]選取5種油中氣體作為故障特征量，用于變壓器故障診斷，提高了變壓器的診斷性能。張鐿議等[3]從混合DGA特征量中優選出一組DGA新特征組合作為輸入，對變壓器進行故障診斷。雖然基于DGA的變壓器故障診斷方法取得了很大的成果，但其診斷周期較長，不利于及時發現故障隱患。針對基于DGA診斷法的不足，很多學者探索采用振動分析的變壓器狀態診斷方法。顏秋容等[4]基于振動信號頻段能量分布實現變壓器故障診斷。魏曉瑩等[5]提取變壓器振動信號的二維特征對變壓器鐵芯故障進行診斷。研究結果表明振動信號能夠準確、有效地表征變壓器運行狀態。雖然振動信號分析法有效地避免了基于DGA的變壓器故障診斷方法的不足，但在信號檢測方面，需要將傳感器與變壓器接觸，給傳感器的安裝與維護帶來一定不便。

變壓器聲信號故障診斷法是采集變壓器實時工作下的聲信號，并通過相關分析進行故障診斷的方法。聲信號的采集不需要停運變壓器，只需將聲傳感器布置在變壓器周邊即可。因此，基于變壓器聲信號故障診斷方法可以有效地克服傳統檢測方法的不足。變壓器在正常與非正常狀態下，所發出的聲信號有很大差異。有經驗的運行人員可以通過變壓器發出的聲音定性地判別變壓器是否存在故障?；谌说母泄俳涷瀸ψ儔浩鬟\行狀態分析，還未能達到定量和科學分析，而且運行人員也不可能長時間對變壓器的聲信號監聽。不同的聲信號會引起人耳聽覺系統做出不同的響應，根據人耳聽覺系統對不同變壓器聲信號的響應，則可定量實時監測變壓器運行狀況。因此，本文提出一種基于變壓器聲信號并考慮人耳傳聲特性的新型變壓器故障診斷方法，并通過測試驗證了方法的有效性。

1 樣本采集及特征向量提取

1.1 樣本采集

變壓器噪聲采集所用的測試系統整體組成如圖1所示。參照標準GB/T 1094.10—2003，在變壓器噪聲的測量中，將傳聲器布置在離變壓器1 m的輪廓線上[6]。圖2展示了現場采集布置情況。測試時，傳聲器用于采集變壓器工作時產生的噪聲信號，并通過傳輸線將其傳入到數據采集儀中。數據采集儀將噪聲信號轉化為相應的數字信號，并通過傳輸線將其傳入到電腦中。電腦通過振動噪聲測試軟件LMS Test.Lab18.0對傳入的數據進行預處理，并保存為軟件Matlab可讀文件，以便后續的分析和處理。

圖1 變壓器噪聲測試系統布置圖

圖2 變壓器噪聲測試實驗

電力變壓器在運輸、使用過程中出現的碰撞、擠壓和外部短路故障等都有可能導致繞組松動變形，從而造成嚴重事故。所以，對變壓器繞組松動狀態進行監測，對電網系統的安全運行有著重要意義。本文通過控制繞組預緊力來模擬繞組不同程度的松動情況。在半消聲室內，分別采集了某型10 kV干式變壓器在低預緊力(20%，40%，60%)、正常預緊力(100%)和過預緊力(140%)條件下的噪聲樣本。具體采集情況如表1所示。

表1 變壓器噪聲樣本

1.2 特征向量提取

1.2.1 人耳聽覺系統感知機理

人耳聽覺系統感知過程主要由人耳和大腦皮層的聽覺中樞完成。人耳的結構主要由外耳、中耳和內耳3部分組成，負責聲音信號的采集、傳輸和處理，因此，可認為人耳類似為一種實時頻譜分析儀。聽覺中樞負責人耳生理信號的分析和聲音信號的主觀判斷。圖3顯示了人耳聽覺系統的聽覺感知過程。外耳由耳廓和外耳道組成，用于收集聲音信號[7]。中耳包括鼓膜、聽骨鏈和其他結構。鼓膜可以收集和放大來自外耳的聲音信號。聽骨鏈負責將鼓膜的振動信息傳遞到內耳。內耳主要由卵圓窗和耳蝸組成。卵圓窗負責接收來自中耳的振動信息。淋巴液引起的行波在耳蝸內迅速傳播，引起基底膜的振動?；啄ど嫌性S多與神經末梢相連的毛細胞。毛細胞將振動信號轉換成電信號，通過神經纖維傳遞到聽覺中樞。最后，產生對聲音信號的聽覺感知，進而形成主觀意識判斷。為了準確模擬人耳聽覺系統的聽覺感知過程，采用人耳集中參數模型模擬聲音信號從外耳到內耳的傳輸過程，并提取內耳位移響應作為特征向量。用GA-SVM模型模擬了聽覺中樞對人耳生理信號做出主觀意識判斷的過程。

圖3 人耳聽覺系統感知機理

1.2.2 人耳集中參數模型

針對人耳有限元模型的不足，利用Liu等[8]提出的人耳LPM模型，模擬了人耳對聲音信號的感知過程。該模型以傳輸線結構的形式建立。首先，該模型假設刺激是以作用于橫膈膜的力f(t)的形式傳遞，橫膈膜固定在插入耳道的耦合器的一端。耦合器的另一端是鼓膜。然后，參照Matthews在1983年提出的模型建立中耳模型[9]。該模型忽略了與聽骨鏈無關的其他動量，將錘骨、砧骨和鼓膜組合成一個系統。最后，根據流體力學方程，對一維基底膜的行波進行數值模擬。

1.2.3 SMVBMDR特征向量計算

人耳基底膜的功能類似于一個實時的頻譜分析儀，對于來自外界聲信號的響應可以通過24個濾波器組來模擬。每個濾波器對應的通帶范圍為1 Bark[10]。為了將其輸入人耳模型中作為激勵，首先，將噪聲樣本在臨界頻率帶上分成24個子帶噪聲信號；然后，將每個子帶噪聲信號輸入人耳模型中作為激勵?？紤]到變壓器聲信號在100 Hz及其倍頻上分布較大的振動能量，在劃分子帶噪聲信號時，在子帶分割點上錯開該頻率，以保證子帶信號分割的完整性。具體子帶噪聲信號劃分標準如表2所示[11]。

表2 子帶噪聲劃分標準

構建基于SMVBMDR的特征向量步驟為：

1）將M=175個變壓器噪聲樣本在臨界頻率帶上分成N=24個子帶噪聲，并計算所有子帶噪聲的線性聲壓級。

2）將每個子帶噪聲的線性聲壓級和中心頻率輸入人耳力學模型中，計算整段基底膜的位移幅值。圖4展示了一個40%預緊力噪聲樣本的部分子帶噪聲(N=5～16)引起基底膜的位移yi,j(x)，x表示從基底膜底部到頂部方向。從圖中可以看出，基底膜分別在相應特征頻率處達到位移最大值，具有很好的頻率識別性能。

圖4 部分子帶信號基底膜位移響應圖

3）利用下式計算每個子帶噪聲信號的基底膜位移響應統計平均值(SMVBMDR)：

式中：SMVBMDRi,j——噪聲樣本i的第j個子帶噪聲信號的基底膜位移響應統計平均值，其中i為噪聲樣本編號，i=1,2,3 ,···,M，

j——子帶噪聲信號編號，j=1,2,3 ,···,N；

L——基底膜沿x方向長度。

這樣便生成了每個變壓器噪聲樣本24維的基于基底膜位移響應的特征向量，具體計算結果見表3。

表3 變壓器噪聲樣本的SMVBMDR值

2 GA-SVM分類器構建

2.1 SVM模型

支持向量機(support vector machine，SVM)的變壓器故障診斷模型是一類按監督學習方式對數據進行二元分類的廣義線性分類器，主要用于解決二分類問題。由于SVM具有解決小樣本分類問題精度高、結構簡單和可重復性高等優點，在故障診斷方面得到了廣泛的應用。故本文選擇SVM算法用于識別變壓器繞組松動狀況?；赟VM的變壓器故障識別是一種多分類問題，針對多分類問題，國內外研究者提出了多種解決方案，大致分為一對一分類方法和一對多分類方法[12]。其中一對一分類方法的思想是在任意兩類樣本之間設計一個SVM，因此，k類樣本就需要設計k×(k?1)/2個SVM。當對一個未知樣本進行分類時，最后得票最多的類別即為該未知樣本的類別。LIBSVM是臺灣大學林智仁教授等基于一對一分類方法開發設計的一個簡單、易于使用和快速有效的SVM模式識別與回歸的軟件包。本文基于LIBSVM軟件包建立了用于變壓器故障診斷的SVM多分類模型。在SVM模型中，不同的核函數可能產生不同的分類結果。RBF核函數可以逼近任何非線性函數，所以將其作為變壓器故障診斷SVM模型的核函數，具體表達式為：

式中：K(u,v)——RBF核函數輸出；

u和v——RBF核函數輸入向量；

g——gamma參數。

2.2 GA參數尋優

研究表明，SVM的相關參數對分類精度有重要影響[13]。RBF核函數的參數包括懲罰系數c和用來設置核函數中的gamma參數g。常用的參數尋優方法是窮舉法，該方法計算量很大，有時候很難找到最優參數[12]。遺傳算法由于其強大的全局搜索能力，可以在很短的時間內達到全局最優。因此，本文使用GA算法優化SVM的參數。首先，對懲罰系數c和gamma參數g進行二進制編碼并產生初始隨機值。然后，對每個物種的染色體進行解碼，得到c和g值，通過訓練樣本訓練SVM分類模型，計算出樣本的正確分類率。最后，根據正確分類率構造基因串的適應度函數，判斷是否滿足GA算法的停止準則。如果滿足，停止計算，得到最佳參數。否則，將執行下一個基因操作，直至滿足停止準則。具體優化過程如圖5所示。

圖5 GA優化SVM模型流程圖

2.3 變壓器故障識別應用

為了檢驗本文提出的GA-SVM變壓器故障識別模型的有效性，選取70個變壓器噪聲樣本作為訓練樣本，105個樣本用于檢驗，具體如表1所示。設定群體規模為30，遺傳代數為300，交叉概率為0.7，變異概率為0.05。訓練前，所有特征向量數據按下式歸一化處理：

式中：xi和——歸一化處理前、后的值；

xmin和xmax——數據變化范圍的最小值和最大值。

3 結果分析

圖6為GA算法對變壓器預緊力SVM故障診斷模型進行參數優化的適應度收斂曲線，得到的最優參數為c=2.406 4，g=3.788 1。其中平均適應度為所有個體在每一代中平均的適應度值，最大適應度曲線為群體中所有個體在每一代中的最大適應度值。從圖中可以看出，適應度曲線在前30個進化周期內收斂較快，隨后逐漸趨于平緩，最終通過250次進化后，收斂水平趨近一致，即實現了參數的優化。

圖6 GA優化SVM的適應度曲線

圖7為變壓器訓練樣本分類結果圖。由圖可知，70組訓練樣本診斷正確識別率達到100%。圖8展示了變壓器測試樣本分類結果。105組測試樣本中只有2組樣本(1組100%預緊力和1組140%預緊力)出現識別錯誤，診斷正確平均識別率達到98.1%。其中，20%預緊力，40%預緊力和60%預緊力正確識別率為100%，100%預緊力和140%預緊力正確識別率為96.7%。對于變壓器繞組松動故障大都是由于變壓器長期運行和振動導致繞組預緊力降低引起的。本文提出的變壓器繞組狀態監測方法對于低預緊力狀態具有很高的識別精度，可以有效地應用于工程實踐中以保證變壓器運行的安全性和可靠性。

圖7 訓練樣本分類結果

圖8 測試樣本分類結果

為了驗證GA-SVM模型的普適性和穩定性，本文針對3種不同的訓練樣本和測試樣本比例進行了模擬測試和10折交叉驗證。具體結果如表4所示。由表可知，GA-SVM模型對不同訓練樣本和測試樣本比例具有很高的精度，說明本文建立的GA-SVM模型針對變壓器繞組松動故障診斷問題具有很好的普適性。模型在3種比例下預測準確度波動小于5%，同時，10折交叉驗證結果具有很高的識別精度也證明了模型具有很好的穩定性。

表4 不同訓練樣本和測試樣本比例模型分類結果

4 結束語

本文通過控制一臺10 kV干式變壓器預緊力來模擬變壓器繞組松動故障，并提出了一種基于變壓器聲信號，并考慮人耳傳聲特性的新型變壓器故障診斷方法。主要結論如下：

1）基于變壓器聲信號，并考慮人耳傳聲特性的新型變壓器故障診斷方法具有傳感器靈活、測試方法簡便和故障識別率高的特點，為進一步監測變壓器運行狀態和故障診斷提供了新的思路，是變壓器狀態識別和故障診斷研究的新方向。

2）使用RBF作為核函數，并通過GA算法進行參數尋優建立的SVM變壓器故障分類器具有高識別率的性能，可以有效地用于變壓器實時監測和故障診斷。

3）使用完整人耳集中參數模型提取的聽覺特征向量SMVBMDR可以定量精確地反映變壓器故障類型，為變壓器故障診斷特征向量提取方面提供了新的思路和參考。