基于聲紋特征識別的電力變壓器運維檢測技術研究

向志昊，魏華

（國網銅川供電公司，陜西銅川 727031）

電力變壓器是電力系統中實現電壓轉換、能量傳輸的關鍵設備。若變壓器發生故障可能會導致大面積停電，從而引發電力系統解列崩潰，甚至造成爆炸、火災等重大安全事故，并威脅人們的生命財產安全。因此，對電力變壓器進行健康評估及運維檢測具有重要意義[1-2]。

電力變壓器的運行環境復雜，其運行狀態受電、濕、熱與機械應力等多種因素的影響[3-4]。傳統的電力變壓器狀態監測主要通過對電壓電流、溫濕度、振動及熱輻射等信號進行采集，再綜合分析與評估其健康狀態[5-6]。但電力變壓器的聲紋信號也蘊含著大量的運行狀態信息，因此可通過對聲紋特征加以分析進而及時發現其缺陷狀態[7-8]。隨著人工智能技術的發展，聲紋識別技術已由傳統的人耳聲音辨識，拓展應用到照明、測井及工業自動化設備的狀態識別等領域[9-11]。若將聲紋識別技術應用于電力變壓器的狀態監測，便會增加一種有效的監測手段，進而有利于保障其安全、穩定工作。

針對此，文中利用聲紋識別技術進行電力變壓器狀態監測，以實現對典型缺陷狀態的精準識別，且進一步提升電力變壓器運維檢測工作的智能化水平。

1 電力變壓器聲紋特征構建

為了將聲紋信號轉為人工智能算法能夠計算與分析的結構化數據，需對電力變壓器聲紋信號進行預處理。通常，使用梅爾頻率倒譜系數（Mel Frequency Cepstral Coefficients，MFCC）來表征聲紋信號的頻率特征[12]。電力變壓器聲紋信號的MFCC 特征構建流程如圖1 所示[13]。

圖1 MFCC特征構建流程

1）預加重。由于變壓器聲紋信號中的高頻部分較弱，為了使該信號在頻譜上顯得更為平坦，故需在原始聲紋信號上疊加一個高頻濾波器，則其傳遞函數可表示為：

式中，H(z)為高頻濾波器的z傳遞函數；α為預加重權重，其取值范圍為(0.9,1)。

2）分幀加窗。分幀加窗操作是為了將連續不平穩的聲紋信號分為多段短時平穩信號，以便后續的處理操作。同時，為保證相鄰聲紋幀之間的連續性，相鄰兩段的聲紋幀應存在一定的重疊部分。該操作是利用窗函數與原始聲紋信號相乘，計算公式如下：

此處窗函數采用了漢明（Hamming）窗，該函數表示如下：

式中，N為漢明窗長度。

3）快速傅里葉變換（Fast Fourier Transform，FFT）。將經過預處理后的多段聲紋幀時域信號利用FFT 轉化為線性頻譜信號，其計算公式如下：

4）Mel 濾波器組。梅爾頻率倒譜系數是基于人類對聲紋信號頻率的感知呈對數關系而建立的對應特征提取參量體系。采用MFCC 系數對聲紋信號進行處理，可減少高頻信號對特征提取的干擾，從而提高對低頻信號的敏銳程度。

Mel 頻率與聲紋信號赫茲頻率的轉化關系如下所示：

式中，f為實際赫茲頻率；q為變換后的Mel頻率。

式（5）的逆轉換函數如下：

Mel 濾波器組由D個三角濾波器構成，第d個濾波器的傳遞函數如下：

式中，x(d)為中心頻率，可表征如下：

式中，fmax和fmin分別為Mel 濾波器組濾波頻率范圍的上下限；fs則為電力變壓器聲紋信號的采樣頻率。

5）lg 對數能量。為提高系統對聲紋信號特征提取的魯棒性，通常先對頻譜信號求平方后，再將其作為Mel 濾波器組的輸入。然后對輸出的Mel 頻譜取對數，從而將實際線性頻譜轉換為對數梅爾頻譜，具體計算公式如下：

6）離散余弦變換（Dual Clutch Transmission，DCT）。進一步將對數梅爾頻譜進行離散余弦變換，最后再輸出MFCC 系數：

7）MFCC 特征。MFCC 參數僅能反映變壓器聲紋信號的靜態特征，為了提高系統對聲紋特征的識別能力，有必要將其與聲紋信息的動態特征相結合。因此，MFCC 特征矩陣通常由自身參數疊加其一階、二階差分參數，差分的具體計算方式定義如下：

式中，dt為一階差分參數，Ct為MFCC 參數，T為求取導數的時間差。

2 電力變壓器異常檢測算法設計

該文提出了基于深度置信網絡（Deep Belief Network，DBN）和支持向量數據描述（Support Vector Data Description，SVDD）的電力變壓器缺陷狀態識別算法，其具體流程如圖2 所示。首先對電力變壓器聲紋信號進行預處理，并構建MFCC 聲紋特征；然后將其作為DBN 網絡輸入，完成對深度聲紋的特征提取；最后再將該特征作為SVDD 算法的輸入，以實現對電力變壓器缺陷狀態的精準識別，從而為其運維及檢測提供技術指導。

圖2 基于DBN-SVDD電力變壓器缺陷識別算法流程

2.1 DBN模型

DBN 模型在傳統神經網絡的基礎上加深了網絡層次，由三層受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）構成的典型DBN 模型結構如圖3所示[14]。

圖3 DBN模型結構

2.2 SVDD算法

SVDD 算法是一種數據處理分類方法，其與支持向量機（Support Vector Machine，SVM）算法類似[15-16]。該方法的核心思想是構建一個超球體對數據樣本進行描述，并將球面作為分類界限，而位于球面上的數據樣本則為支持樣本。SVDD 算法通常可用于異常數據的檢測與數據樣本的分類。

假設有一個包含M個樣本x1,x2,…,xm,…xM的數據集，其所構建超球體的球心為c，半徑為R。為減少數據集中異常樣本對構建超球體的影響，因此允許出現一定的偏差，故引入松弛變量ξm及懲罰權重參數λ。所構建的超球體可描述為以下尋優問題：

在式（12）的基礎上引入Lagrange 因子，并構建Lagrange 函數：

式中，μm與νm為Lagrange 因子，且μm≥0、νm≥0。

在式（13）兩邊分別對R,c,ξm求偏導，令其等于零，則可得到：

根據式（16）與μm≥0、νm≥0 可以得到λ≥0，由此便可將式（12）轉化為對偶問題：

由此可以得到超球體半徑為：

其中，xq為支持樣本。對于數據集內的其他樣本，其與球心c的距離為：

因此，當||z-c||2≤R2時，數據樣本在超球體內部；而當||z-c||2＞R2時，數據樣本則在超球體外部。

3 算例分析

該文采用實驗室獲取電力變壓器聲紋信號作為數據樣本，其結構如表1 所示。該樣本包括7 個缺陷類別共8 000 條數據，其中20%的數據作為測試樣本，剩下的數據則作為訓練樣本[17-19]。

表1 數據樣本結構

3.1 DBN模型超參數優化

DBN 模型中的超參數對于算法的計算速度、預測準確率等性能至關重要。文中針對批尺寸（Batch Size）、學習率這兩個超參數進行優化，以實現最優的缺陷識別效果。不同批尺寸下的算法性能如表2所示。

表2 不同批尺寸下的算法性能

從表中可以看出，當批尺寸為128 或256 時，算法的計算速度較快但準確率偏低；當批尺寸為32 或64 時，算法準確率均可達到100%；且當批尺寸為64時，其計算速度也較快。因此綜合考慮計算速度及準確率兩個方面，最終選擇的批尺寸為64。不同學習率下的算法性能如表3 所示。

表3 不同學習率下的算法性能

可以看到，當學習率為0.1和0.01時，算法的訓練誤差較大，準確率較低；當學習率為0.001 和0.000 1時，算法準確率均達到了100.0%。且當學習率為0.001 時，算法的平均訓練誤差僅為2.23×10-6，小于學習率為0.000 1 的情況。綜合考慮訓練誤差及準確率，故選擇的學習率為0.001。

3.2 不同算法性能對比

為驗證所提算法的準確性和有效性，該文選擇SVDD 及BPN-SVDD 算法作為對照組進行了實驗。前者直接將MFCC 特征作為SVDD 算法的輸入，后者則采用BP 神經網絡對MFCC 特征進行處理，以實現對聲紋深度特征的提取。不同算法的缺陷識別結果，如表4 所示。

表4 不同算法的缺陷識別結果

由表4 可知，所提DBN-SVDD 算法對于電力變壓器缺陷類型具有較好的識別率，平均識別準確率可達97.94%。而BPN-SVDD 算法平均準確率則為90.68%。這是由于BPN 模型網絡的層次較淺，因此未能充分挖掘深層次的聲紋特征。而當采用SVDD算法時，算法的平均準確率僅為85.03%，原因是其直接將聲紋的MFCC 特征作為SVDD 算法輸入，并未對聲紋特征進行深度提取。

3.3 應用效果分析

為驗證該文算法的實際應用效果，將其應用于某省電網電力變壓器的運維檢測。2021 年度共發現電壓器缺陷次數達735 次，不同缺陷類型的分布如圖4 所示?？梢钥吹?，繞組變形、鐵芯松動和過負荷的缺陷占比較高，均超過了20%。因此在對電力變壓器的運維檢修中，可重點針對這三類缺陷類型展開分析。

圖4 不同缺陷類型分布圖

4 結束語

文中利用電力變壓器聲紋信息，結合人工智能算法實現了對電力變壓器缺陷狀態的識別。通過仿真算例表明，當批尺寸為64 且學習率為0.001 時，該算法在計算速度、訓練誤差與識別準確率方面均能達到最優。而與SVDD 和BPN-SVDD 算法相比，其缺陷識別準確率也更高。此外，通過在某省電網的實際應用中發現了繞組變形、鐵芯松動及過負荷三類缺陷的占比較高，這對運維檢修工作能夠提供輔助，但所提算法僅能實現缺陷類型的識別，而無法對缺陷位置進行精準定位，這將在后續的研究中展開。