基于聲紋識別的變壓器局部放電在線監測系統

豐 碩 汪詩怡

（1.國網上海市電力公司市南供電公司 2.國網上海市電力公司市北供電公司）

0 引言

隨著經濟發展和社會進步，電力設備運維手段的智能化是提升電網韌性的必經之路。作為變電站中的關鍵設備，變壓器的安全運行對供電穩定性具有重要影響，變壓器狀態的在線監測與故障自動診斷[1]將成為城市電網智能化轉型的重要環節。

電力變壓器的絕緣缺陷常常伴隨著局部放電，如果未能及時檢測出變壓器的絕緣缺陷，將可能發展成嚴重放電、鐵心多點接地等絕緣故障，危及變壓器安全運行。目前主要采用的變壓器局部放電檢測方式仍為定期的油色譜分析跟蹤和鐵心接地電流檢測，每年兩次，間隔時間半年。此外，變壓器油在放電中分解產生的特征氣體含量發展到能夠被檢測到需要一定時間，因此油色譜法很難在缺陷出現的初期進行診斷，在時間上存在明顯的滯后性。可能造成局部放電發展成為嚴重故障。

因此，對電力設備管理部門來說，存在實現變壓器局部放電的實時監測的需求，縮短絕緣狀態檢測的間隔，及時發現缺陷與故障，消除時間上的滯后性，提高精益化管理的水平。聲紋可反映變壓器的多種運行狀態與故障[2-6]，具有研究潛力。聲紋監測裝置的安裝與運行對變壓器運行無影響，便于實現在線監測。目前的BP 神經網絡、卷積神經網絡、支持向量機等算法[7-9]已經被廣泛應用于模式識別和信號處理，在聲音識別領域也有大量使用，所以通過聲紋信號進行變壓器的在線監測和故障判斷是可行的。

1 系統整體方案

本文采用便于安裝與拆卸的聲紋采集裝置，創新提出高識別成功率的變壓器局部放電聲紋識別方法，開發出能反映變壓器設備絕緣狀態信息的聲紋識別在線狀態監測系統，整體方案原理圖如圖1 所示，對變壓器的潛伏性絕緣缺陷與放電實現有效監測與診斷，提高變壓器管理水平，降低變壓器運行故障的發生率。

圖1 整體方案原理圖

基于聲紋識別的變壓器局部放電在線監測系統主要由智能感知層、數據采集與邊緣計算層及狀態監測與故障診斷層構成，如圖2 所示。

圖2 系統方案分解圖

智能感知層：將4 個磁吸式麥克風安裝于變壓器上采集聲紋信號。

數據采集與邊緣計算層：采用基于負熵最大的FastICA 算法和梅爾對數頻譜特征分析對聲紋信號進行處理。

狀態監測與故障診斷層：采用卷積神經網絡進行聲紋識別。

2 系統硬件設計

聲紋數據的質量與準確性對聲紋識別的準確性有重要影響，需要設計搭建合理的聲紋采集裝置，實現在不影響變壓器正常運行的情況下聲紋的準確穩定采集。

本系統選用的麥克風模塊為INMP441，信噪比61dB，靈敏度-26DBFS，指標滿足對策目標。將高精度麥克風模塊與相應的電源和放大電路集合在同一采集裝置內。監測裝置的殼體采用全密封設計，滿足室外長期運行要求，能夠在極端惡劣環境和變電站強電磁干擾環境下安全可靠運行。經過評估和選擇，1 個電力變壓器上安裝4 個聲紋信號采集裝置（見圖3），4 個位置分別是高壓側平板區域高處、高壓側平板區域低處，低壓側平板區域高處、低壓側平板區域低處，如圖4 所示。

圖3 傳感器與監測采集裝置

圖4 數據采集裝置安裝位置

3 系統軟件設計

3.1 聲紋數據信號處理

對采集到的聲紋數據，需要選擇相應的信號處理方案，才能實現計算機對所采集信號的正確識別。信號處理主要分為兩個部分：變壓器聲紋盲源分離和聲紋特征參數提取。

3.1.1 變壓器聲紋盲源分離算法

麥克風采集到的變壓器運行聲紋中包含變壓器的本體運行聲紋和環境噪音。如果變壓器發生局部放電，聲紋中還會包含放電的聲紋。為了對故障聲紋識別的準確，需要對混合聲音進行分離，從混合聲音信號中提取出故障聲音信號和變壓器本體噪音。由于變壓器運行中故障未知，即原信號與信號混疊方式與時間均未知，屬于盲源分離問題，所以需要采用合適的盲源分離算法。經過研究最后選用基于負熵的FastICA（F-N）算法，依據算法原理編制相關迭代計算程序，如圖5 所示。

圖5 FastICA 程序計算流程

利用FastICA 程序對傳感采集裝置采集到變壓器聲紋信號進行獨立成分分析，對該信號經FastICA 分析計算后得到兩路解混信號。兩路解混信號可分別近似認為本體運行聲紋和噪聲聲紋，即實現了聲紋的盲源分離。

3.1.2 聲紋特征參數提取算法

為使計算機能夠快速識別故障聲音，提高在線監測系統的分析性能和識別效率，還需進行聲音的特征提取，即對目標聲音進行分析，剔除不必要的特征參數，提取出能夠代表目標聲音信息的特征參數。選取特征方式的不同，對評估結果及預測精度有直接影響。目前常用的聲音特征分析方法主要有基于時域特征分析和基于頻域特征分析兩類。基于時域的特征分析最為直觀，但準確度偏低。基于頻域的特征分析則是將信號分解為各頻率段，采用了梅爾對數頻譜（MFSC）特征分析編寫聲紋特征提取算法的計算機程序，如圖6 所示。

圖6 MFSC 計算流程

以一段采集到的變壓器運行聲紋為樣本，對其利用FastICA 進行解混后得到的變壓器本體聲紋為樣本，由編寫的MSFC 計算程序對其進行特征分析，原聲紋信號數據量為50000 采樣點，經MFSC 計算后得到的信號特征樣本中數據點2184 個，以用于后續進行的卷積神經網絡識別。

3.2 聲紋識別故障診斷算法

為實現變壓器故障的聲紋診斷，需要將分離提取得到的聲紋特征與已有的變壓器局部放電聲紋特征進行比對識別，確認變壓器內部的放電情況，需要對聲紋識別進行方案選擇。

為了對變壓器的各類故障聲紋進行識別，需要選擇合適的聲紋識別算法。聲音識別算法的選擇對聲音的識別準確率有直接影響。卷積神經網絡（CNN）目前已經被廣泛應用于模式識別和信號處理，在聲音識別領域也有大量使用。算法流程是將從變壓器聲紋信號中提取的特征作為輸入樣本，采用不同的濾波器處理，進行左右或跳幀擴展，進行聲紋特征識別，如圖7 所示。

圖7 基于CNN 的聲紋特征識別流程

選用多段實采變壓器聲紋數據對CNN 進行模型訓練，進行關鍵特征參數調優，如圖8 所示。

圖8 CNN 聲紋特征識別模型訓練迭代過程

為驗證聲紋識別的準確性，進行20 次模擬放電試驗并采集到對應的聲紋信號，隨后將20 段放電聲紋信號分別與變電站現場采集的20 段變壓器正常運行聲紋進行混疊，得到20 段變壓器故障聲紋信號。利用訓練后的CNN 模型對這20 段故障聲紋信號各進行500 次識別，記錄每段的聲紋識別準確率均超過90%（見下表），達到了設定的目標。

表 CNN 模型變壓器放電故障聲紋信號特征識別準確率

4 系統運行情況

變壓器局部放電在線監測系統目前已在變電站現場穩定運行，后臺查看數據監測界面如圖9 所示。

圖9 后臺數據監測界面

5 結束語

本文通過調研目前主變壓器局部放電工作的現狀，結合電力設備管理發展方向，研發出一套變壓器局部放電在線監測系統，系統具有可實現局部放電在線監測、安裝便捷、成本低的特點，迎合了未來電網智能化、數字化的發展趨勢。

變壓器局部放電在線監測系統能及時發現變壓器運行過程中的局部放電故障，消除了傳統檢測手段滯后性嚴重的缺點，可以有效發現變壓器內部絕緣的初期故障，有效地提高設備供電可靠性。本系統適用于油浸式變壓器，安裝與使用過程不影響變壓器的正常運行，具備向社會其他電力設施推廣使用的巨大潛力，具有良好的社會效益。未來將在此系統的基礎上加入更多傳感器模塊，實現更全面的變壓器運行監測功能，進一步提高變壓器巡視和運行維護的效率，提高運行穩定性。