基于聽覺譜特征的變壓器繞組狀態檢測研究?

王磊磊 張嵩陽 王 梟 張光明 王廣周 王東暉

(1 國網河南省電力公司電力科學研究院 鄭州 450001)

(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電力傳輸與分配的核心設備，其運行的健康狀況直接影響到整個電網的安全穩定運行[1?2]。變壓器在運輸、使用過程中出現的碰撞、擠壓和長時間工作等都會導致繞組松動變形，從而影響變壓器工作性能[3?5]。因此，及時有效地檢測出變壓器繞組松動故障，對于保證變壓器和電力系統的正常運行具有重要的意義。

在變壓器繞組狀態監測方法中，油中溶解氣體分析法(Dissolves gas analysis, DGA)是應用最早的方法之一[6?8]。其原理是采集油浸式變壓器在不同工況條件下冷卻油中的氣體含量進行監測繞組狀態[9]。富強等[10]通過分析變壓器繞組狀態實例證明了DGA 方法在變壓器繞組狀態監測中的可行性。孟建英等[11]通過變壓器繞組故障綜合試驗方法，發現通過DGA 方法，并結合繞組電容量試驗和低電壓空載試驗進行綜合分析，可有效監測變壓器繞組狀態。雖然DGA 方法在變壓器繞組狀態監測中取得了不錯的成果，但DGA 方法存在采樣周期長和只適用于油浸式變壓器等不足，限制了其應用范圍和效率。

針對變壓器DGA 方法的不足，很多學者建立了基于變壓器振動信號的變壓器繞組狀態監測方法。程錦等[12]通過分析不同時刻變壓器振動信號數據的差異以判斷變壓器繞組松動狀態。周宇等[13]借助變壓器繞組振動機理，研究了在不同預緊力狀態下變壓器繞組松動缺陷值與繞組預緊力之間的關系，并通過此關系實現了良好的繞組狀態監測效果。李陽海等[14]通過測量不同預緊力狀態下的變壓器的振動信號，利用3 種常用的信號處理方法對振動信號進行預處理以提取能量熵特征，并將提取的特征用于變壓器繞組狀態監測，研究結果表明可以有效地檢測繞組狀態。雖然基于振動信號的變壓器繞組狀態監測方法有效地避免了DGA 方法的不足，然而在信號采集方面，需要將振動傳感器與變壓器殼體接觸，給傳感器的安裝與維護帶來一定不便。

變壓器聲信號的采集是一種非接觸式測量，只需將聲傳感器布置在變壓器周圍，不會干擾變壓器的正常工作，能有效地克服振動信號采集帶來的不足。變壓器聲信號不僅采集過程簡單方便，而且包含了大量的關于變壓器運行狀況的信息，逐漸成為近年來研究的熱點。有經驗的工人能夠利用聽覺來判別變壓器是否出現異常，主要是因為聽覺系統在噪聲背景下的聲音識別具有優異的性能。能否將聽覺系統引入變壓器繞組識別，以提高復雜環境下的變壓器繞組識別準確率，是非常值得探索研究的內容。王豐華等[15]通過建立的基于改進梅爾頻率倒譜系數和矢量量化算法的變壓器聲紋識別模型對變壓器繞組松動狀態進行檢測，結果表明識別率達到90%以上。耿琪深等[16]依據人聽覺系統優異的聲音識別能力，提出了一種基于Gammatone 濾波器倒譜系數和鯨魚算法優化隨機森林的變壓器繞組松動狀態聲監測方法。邵宇鷹等[17]也通過人耳聽覺模型對變壓器聲信號進行預處理，并提取生理特征以用來對變壓器繞組松動狀態進行檢測。上述研究進一步證明基于聽覺系統的變壓器狀態監測方法的可行性。但上述所用模型主要基于早期的聽覺模型，沒有考慮耳蝸內的外毛細胞。而外毛細胞的主動放大機制對微弱聲信號的感知至關重要[18]。

針對上述問題，本文提出將考慮外毛細胞的聽覺外周模型運用于變壓器繞組識別之中。首先，對采集的變壓器聲信號進行去均值和消除趨勢項的處理；然后，預處理后的聲信號經過聽覺外周模型處理生成聽覺譜，并對聽覺譜提取多種統計特征；最后，將不同特征融合成為特征向量，輸入到遺傳算法優化的支持向量機進行煤矸識別。研究結果表明，本文所提出的基于聽覺模型的煤矸識別方法實現了較高的識別準確率。

1 變壓器繞組狀態識別流程

變壓器運行過程中，經驗豐富的工人主要根據變壓器產生的聲音來檢測變壓器是否出現異常[16]。與傳統的針對信號進行處理的方法不同，人耳是根據聲信號的聽覺特征進行狀態識別的。為了將聽覺系統在復雜背景噪聲環境下的優越識別性能引入到變壓器繞組識別中，本文提出了基于變壓器聲聽覺譜特征的模式識別方法，具體流程如圖1所示。

圖1 變壓器繞組松動識別流程Fig.1 The process of transformer winding looseness recognition

該識別方法主要由信號獲取、特征提取和變壓器繞組狀態識別3 個過程組成。信號獲取階段，首先通過測試傳聲器采集不同程度變壓器繞組松動的聲信號；再將采集的聲信號進行去均值和消除趨勢項的預處理，以減少信號采集環境和傳感器性能對所采集信號準確性的影響。特征提取階段，將預處理后的聲信號輸入到聽覺外周模型，經過中耳濾波器濾波、基底膜模型選頻、外毛細胞模型放大和內毛細胞模型換能作用后，產生內毛細胞電壓信號，實現多個特征頻率聽覺信號的提取，以此構成聽覺譜，并在聽覺譜的基礎上提取多類統計特征。變壓器繞組狀態識別階段，先進行單個特征的識別測試，以驗證提取特征有效性；再融合不同的統計特征構成最優融合特征，使用遺傳算法優化的支持向量機進行分類，以進一步提高識別準確率。

2 信號獲取

2.1 信號采集試驗

本文通過采集變壓器繞組松動故障樣本來驗證所提出混合系統的有效性。測試對象是一臺型號SC 800/10 的干式變壓器。為了減少周圍噪聲對測試樣本的干擾，測試地是半消聲實驗室。測試條件是通過控制繞組預緊力來模擬繞組不同程度的松動情況，以采集變壓器在20%、60%、100%和140%預緊力工作條件下的聲音樣本。變壓器聲信號測試系統如圖2 所示，參照標準GB/T 1094.10–2003《電力變壓器第10部分：聲級測定》，將聲傳感器布置在離變壓器1 m 的輪廓線上[19]。測試時，變壓器工作發出的聲音通過聲傳感器傳入數據采集儀中。數據采集儀和筆記本電腦之間通過采集軟件相連，將采集的聲音樣本保存為分析軟件可讀的通用型文件，以便進行后續的分析處理。

圖2 變壓器聲信號測試系統Fig.2 Transformer acoustic signal test system

2.2 預處理

信號在采集過程中，由于受到環境溫度和傳感器性能等影響，采集的聲信號可能偏離其真實值，從而影響信號的準確性。本文使用多項式最小二乘法消除趨勢項[20]。

設實際采集的聲信號為x(k)，使用m階多項式(k)擬合x(k)中的趨勢項：

其中，N為采集信號的采樣點數。

使x(k)與(k)的誤差平方和E最小，以確定各待定系數αj：

若誤差E存在極值，則應滿足以下條件：

依次取E對αi的偏導，可得到m+1元線性方程組：

通過求解上述方程組可得到m+1個待定系數αj(j= 1,2,··· ,m+1)，其中m為設定的多項式階次，設定不同的m可以得到不同的趨勢項消除效果。

將采集的聲信號分割為0.5 s 的長度進行分析，設置多項式階次m= 3，經過去均值和消除趨勢項后兩種工況時域波形如圖3所示。

圖3 預處理后的時域波形Fig.3 Time domain waveform after preprocessing

3 聽覺譜獲取及特征提取

人耳聽覺外周具有聲信號前處理功能[21?22]，通過其基底膜選頻特性、外毛細胞主動放大功能等對不同頻帶的子帶聲信號進行非線性增益，在背景噪聲下具有強魯棒性[23]，有利于變壓器故障識別特征的提取。為此，首先采用聽覺外周模型對變壓器聲信號進行前處理，構建聽覺譜；再在聽覺譜基礎上進行特征提取。

3.1 聽覺譜獲取

利用聽覺模型可以模擬人耳的聽覺系統，實現對聲音分析處理，得到的分析結果稱為聽覺譜。為實現對變壓器聲信號的分析處理，本文在Zilany等[21]提出的單一特征頻率的聽覺外周模型的基礎上，建立了多特征頻率的聽覺外周模型，模型結構如圖4 所示。該模型實現了中耳濾波器，模擬耳蝸基底膜選頻特性的濾波器C1、C2，模擬外毛細胞對基底膜主動反饋功能的前饋控制路徑和內毛細胞模型這5部分的建模。

指定特征頻率CF 之后，將預處理后的聲信號輸入聽覺外周模型進行處理。其具體過程如下：首先，中耳濾波器對聲信號中不同頻率成分進行不同程度的放大或衰減；然后，將其輸入基底膜模型獲取特征頻率處的聲壓成分，并且在此過程中基底膜模型不斷受到外毛細胞模型的主動反饋作用；最后，使用內毛細胞模型將聲壓轉化電壓，即可實現對給定特征頻率處聽覺信號的提取。該模型僅提取了單一特征頻率處的聽覺信號，而變壓器聲信號包含多個頻率成分，因此需要對采集的聲信號進行多特征頻率分析，以構成聽覺譜。由于變壓器噪聲信號在頻域上是連續變化的，且同一臨界頻率帶內的聲音特性差別不大，所以本文采用臨界頻率帶劃分標準進行頻帶劃分[24?27]。同時，考慮到變壓器聲信號在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1所示，在0～6390 Hz 的頻率范圍內，共劃分了20個特征頻率。

表1 子帶噪聲及其對應序號Table 1 Characteristic frequencies and their corresponding serial numbers

采集的聲信號經過聽覺外周模型的多特征頻率分析處理后獲得聽覺譜，不同預緊力工況下的聽覺譜如圖5所示。由圖5可知，不同預緊力工況下的變壓器聲信號經過聽覺外周模型處理之后，各特征頻率的聽覺信號具有較大差異。一方面，隨著預緊力的降低，聽覺信號各頻帶的幅值有所升高，且高頻成分幅值差異較大。另一方面，聽覺信號能有效捕捉不同預緊力工況下變壓器聲信號的時域差異。

圖5 不同預緊力聲信號的聽覺譜Fig.5 Auditory spectrum of sound signals with different preloads

3.2 特征提取

為獲得表征聽覺譜的特征向量，分別計算各特征頻率聽覺信號的7 類統計特征，將它們融合成為特征向量稱為聽覺譜特征(Auditory spectrum features, ASF)。上述聽覺譜共包含20 個特征頻率，則這7類統計特征計算方法如下：

(1)聽覺譜能量(Auditory spectrum energy,ASE)，各特征頻率聽覺信號的能量Ei為

式(5)中，xi(k)為第i個特征頻率所對應的聽覺信號，N為第i個聽覺信號采樣點數。歸一化聽覺譜能量構成特征向量ASE：

(2)聽覺譜能量熵(Auditory spectrum energy entropy, ASEE)，能量熵反映了能量在特征頻率內分布的均勻性和有序性，能量熵越大表示聽覺信號在該特征頻率內類隨機性越強。各特征頻率聽覺信號的能量熵ASEEi為

式(7)中，Ei為第i個聽覺信號的能量。

(3)聽覺譜能量矩(Auditory spectrum energy moment, ASEM)，能量矩表達了各特征頻率聽覺信號的能量大小及其分布特點，各特征頻率聽覺信號的能量矩ASEMi為

式(8)中，fs為聲信號采樣頻率，Hz。

(4)聽覺譜功率熵(Auditory spectrum power entropy, ASPE)，功率熵可以對各特征頻率聽覺信號的頻域能量的不確定性和復雜性進行量化和表征。計算方法如下：

對各特征頻率的聽覺信號進行傅里葉變換得Xi(.ω)并求其功率譜Pi(ω)：

(5)聽覺譜偏度(Skewness)，偏度反應了各特征頻率聽覺信號分布的偏移方向和程度，定義為

式(11)中，μ和σ分別是聽覺信號的均值和準差。

(6)聽覺譜峭度(Kurtosis)，峭度是描各特征頻率聽覺信號的波形峰度的無量綱參數，定義：

(7)聽覺譜奇異值(Auditory spectrum singular value, ASSV)，奇異值表示矩陣的固有特征，可以反映矩陣所含的信息，使用奇異值分解可以將高維的聽覺譜壓縮為低維的奇異值特征向量。設聽覺譜A是M ×N矩陣，對其進行奇異值分解：

其中，U和VT分別是M×M和N×N的矩陣，S=diag(σ1,σ2,··· ,σr)且σ1≥σ2≥···≥σr≥0，則σ1,σ2,···,σr為聽覺譜A的奇異值。

4 變壓器繞組狀態識別

4.1 單類特征識別試驗

特征提取之后獲得數據集，其中包括不同預緊力樣本各100 個，將每類樣本劃分為70 個訓練樣本和30 個測試樣本。由于數據集樣本數目有限，因此選取適用于小樣本分類問題的支持向量機作為分類器。為實現聽覺譜特征的非線性分類，選取徑向基函數作為核函數進行支持向量機的建模：

其中，γ為核參數，u和v為徑向基函數的輸入向量。支持向量機中的懲罰因子c和核參數γ使用遺傳算法尋優[22]，并使用五折交叉驗證確定參數，遺傳算法優化的支持向量機各項參數設置如表2所示。

表2 遺傳算法優化的支持向量機參數設置Table 2 Parameters setting of support vector machine optimized by genetic algorithm

為驗證提取的7 類特征對垮落煤矸識別是否有效，首先使用上述支持向量機對單個特征進行分類識別試驗，每類特征進行20 次試驗，記錄下每次試驗的識別準確率并求其平均值，得到如表3 所示的單個特征平均識別準確率。

表3 單個特征的平均識別準確率Table 3 Average recognition accuracy for a single feature

由表3 可知，基于聽覺譜提取的單個特征已經實現了較高的識別準確率，其中聽覺譜的能量、能量熵和能量矩識別準確率均在85%以上，證明聽覺譜特征為有效識別特征。

4.2 融合特征確定

為進一步提高識別準確率，本文中把這7 類特征隨機融合成為特征向量，輸入到支持向量機進行分類，每組特征向量進行20 次試驗，記錄下每次試驗的識別準確率并求其平均值。經過次試驗之后，得到識別準確率隨融合特征數目變化曲線，如圖6所示。

由圖6 可知，融合特征后的煤矸識別準確率均高于單個特征的識別準確率，且隨著融合的特征數目增加，識別準確率呈現先增加后減少的趨勢。當融合3 類特征時，識別準確率達到最大值為97.64%，此時融合的3類特征分別為：聽覺譜能量、功率熵和峭度。當融合的特征數目超過3 個之后，識別準確率開始下降，這是由于當輸入特征維度增加到一定程度后，隨著維度的增加，可能會引入原始聽覺信號的一些次要關系、噪聲和冗余信息，進而影響識別準確率。

圖6 識別準確率隨融合特征數目變化曲線Fig.6 Variation curve of recognition accuracy with the number of fusion features

4.3 方法對比

為驗證所提方法優越性，將本文所提方法(ASF)與傳統的基于時域、頻域和時頻域提取特征的方法進行比較。對比試驗中，提取一類時域特征：峭度(Kurtosis)；一類頻域特征：譜質心(Spectral centroid, SC)；兩類時頻域特征：基于經驗模態分解的各固有模態分量的能量(Spectrum energy of intrinsic mode function based on empirical mode decomposition, SEI)、希爾伯特能譜熵(Hilbert spectral entropy, ESEH)；常用的聲音識別特征：梅爾頻率倒譜系數(Mel-Frequency cepstral coefficients, MFCC)、分形盒維數(Fractal box dimension, FBD)。各對比方法所使用訓練集與測試集與本文所提方法相同，訓練集包括兩種工況樣本各70 個，測試集各包括30 個，使用支持向量機進行分類，得到各種方法的識別準確率如圖7所示。

圖7 不同特征參數的識別準確率對比Fig.7 Comparison of recognition accuracy with different feature parameters

由圖7可知，在傳統特征提取方法中，時頻域特征識別準確率顯著高于時域和頻域特征，最高達到81.43%，這是因為變壓器聲信號為非平穩信號，單純的時域特征或頻域特征都不能完整地表征采集信號的信息，而時頻域特征可以彌補這一缺陷，從而實現了更高的識別準確率。MFCC 也實現87.14%的識別準確率，且該特征也考慮到了某些聽覺特性，這也從側面說明了聽覺系統在聲信號識別方面的優勢。雖然上述兩種特征在變壓器繞組松動識別時表現出優異的性能，但是它們的識別準確率仍然低于本文所提的基于聽覺譜的特征。與時頻域特征相比，聽覺外周模型在處理信號時體現出基底膜的選頻特性，實現了信號在不同頻率段的分解，類似于一種時頻分析方式，因此提取的特征信息全面；與MFCC相比，聽覺譜特征實現了更高的識別準確率，可能與聽覺外周模型考慮了鎖相特性和外毛細胞的主動放大機制等更多的聽覺特性有關。

5 結論

本文提出了一種基于聽覺譜特征的變壓器繞組松動識別方法。通過試驗測試，得到如下結論：

(1)不同預緊力工況的變壓器聲信號經過聽覺外周模型處理后，得到聽覺譜具有顯著差異，高預緊力狀態下的聽覺譜峰值分布于低頻，低預緊力狀態下的聽覺譜峰值分布于中高頻；

(2)聽覺譜特征為有效識別特征，單個聽覺譜特征即可實現較高的識別準確率；通過融合聽覺譜的能量、功率熵和峭度這3類特征，可將識別準確率進一步提高到97.64%；

(3)通過將本文所提方法與傳統方法進行比較，發現基于聽覺譜的單個特征和融合特征的識別準確率均高于傳統的時域、頻域和時頻域特征，這證明了該方法更具有優越性。

受試驗條件限制，本文的研究工作基于一臺變壓器，即訓練數據與測試數據來自于同一臺變壓器。后期將在該工作的基礎上，增加同型號變壓器的故障模擬試驗，研究所提算法在非訓練同型設備上診斷性能。