基于聲紋特征變壓器缺陷診斷方法目錄TOC\o"1-1"\h\u19225基于聲紋特征變壓器缺陷診斷方法 111509 326584１ 422079２ 611401 10 作為電力系統的重要連接設備，變壓器在電力系統中起著電壓、電流變換以及電能分配和傳輸的重要作用［１?２］。隨著電網容量的增大現場在運變壓器的數量快速增長，而新型電力系統的建設對變壓器的穩定運行提出了更高的要求。因此，積極開展變壓器運行狀態監測和帶電檢測，及時發現故障隱患，對電網的安全、優質、穩定及經濟運行具有重要意義［］。近年來，隨著語音識別技術的發展變壓器聲紋識別技術已成為變壓器缺陷及故障診斷的研究熱點［５?１２］。變壓器的聲紋信號中包含了反映變壓器內部缺陷及故障的特征信息。但變壓器運行工況復雜多變，其聲紋信號的波長、頻率及強度等特征均會出現一定的變化，運維人員僅憑現場經驗難以準確識別其聲紋特征反映的運行狀態［１３?１８］。因此，如何根據聲紋信號準確評估變壓器運行狀態，實現其內部缺陷辨識及故障診斷是當前研究重點關注的問題。文獻［］基于壓縮感知技術，采用判別字典學習方法實現了干式變壓器繞組及鐵心松動等缺陷識別，９０％。文獻［］針對低信噪比環境下的變壓器鐵心及繞組松動等缺陷識別問題，采用基于快速增量式支持向量的數據描述和門控邏輯單元方法顯著降低了診斷結果的誤報率。文獻［８］針對繞組短路沖擊瞬間的聲紋信號，提出

基于占比時頻譜熵值和頻譜成分歐式距離這２種聲紋特征的變壓器抗短路能力評估方法，可用于輔助識別變壓器繞組變形情況。文獻［］通過對變壓器聲紋信號進行梅爾時頻譜降維處理，實現了基于卷積神經網絡（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）的變壓器直流偏磁識別，文獻［１５］提出一種梅爾倒譜系數與長短期記憶遞歸神經網絡相結合的變壓器聲紋識別方法，可實現變綜上可知，現有基于聲紋特征的變壓器缺陷診斷技術在一定程度上可有效識別變壓器運行狀態，但其在模型構建及現場應用方面仍存在以下問題（１）現有研究大多針對變壓器某一類缺陷展開，且主要集中在機械缺陷或絕緣缺陷的診斷識別上，如等，所構建的診斷模型的識別結果并未涵蓋變壓器所有潛在運行狀態，一定程度上限制了聲紋診斷技術的現場應用；（２）變壓器聲紋樣本數據多數來源于試驗結果［５，９?１１］并未考慮變電站現場環境噪聲及其他輸變電設備的干擾、影響等問題聲紋樣本的局限性一定程度上將增大診斷結果的誤判率；（）現有缺陷診斷方法大多僅考慮了變壓器存在單一缺陷的情況［６，１２，１５］，并未考慮多種缺陷并發情況下針對上述問題文中以時頻域聲紋信號為基礎，ＣＮＮ和聲紋特征分析的集成學習模型，用于變壓器單一缺陷或并發缺陷診斷。該ＣＮＮ挖掘小樣本變壓器故障數據的深層特征，結合特征分析方法提高了診斷模型識別變壓器缺陷類型的準確率和可靠性。其中，使用時域數據和頻域數據組合的多通道模型輸入，可提高模１變壓器的工作原理是電磁感應。當交流電流通過變壓器繞組時鐵心內部將會產生變化的磁通。隨著磁通的交變，鐵心的磁化狀態也會發生變化，導致鐵心發生磁致伸縮。同時在交變電流的作用下，變壓器繞組線圈會產生電磁力導致線圈位移，從而引發線圈的振動或變形。因此可基于變壓器在運行過程中產生的振動信號進行聲紋信號檢測。當變壓器運行狀態異常時，其聲紋信號將發生變化，即變壓器聲紋信號在一定程度上可反映設備狀態信息。但在變壓器聲紋檢測中，受現場運行環境的影響，傳感器同樣可能接收到外部環境信息，即傳感器接收到的聲紋信號包括變壓器運行狀態信息和部分運行環境信息，導致基于聲紋特征的變壓器故障診斷難度加大。因此，以變壓器正常運行狀態下的聲紋特征作為基準，將監測獲取的聲紋信號與基準特征值進行比較，定性診斷變壓器故障狀態，是聲學故障診斷的基礎和依據［１９?２１］變壓器聲紋診斷從聲紋信號中提取有用特征，以檢測和診斷變壓器內部可能存在的缺陷。這些特征可分為時域特征、頻域特征和時頻域特征。其中，時域波形一般較為復雜可結合頻域特征對變壓器運行狀態進行描述。頻域特征大多通過傅里葉變換或其他頻譜分析方法從時域信號中提取得到，其頻率以ｚ基頻為主，同時包含部分高倍頻分量，ｚ以內。常用的頻域特征值有以下４種：（１）基頻幅值與基頻能量占比，基頻一般是工作電流頻率的倍，變壓器聲紋信號基頻為ｚ（２）主頻幅值與主頻能量占比，主頻為頻譜中（３）振動熵表征頻譜中頻率成分的復雜度。該值越低，能量越集中在頻譜中的某些特征頻率；該值越高，頻譜中的能量越分散。其計算公式如下

一定的關聯。如當變壓器存在直流偏磁問題時，聲紋信號中５０Ｈｚ的奇次諧波分量將顯著增多，因此可利用奇偶次諧波比判斷變壓器直流偏磁問題的結合變壓器典型缺陷，文中對變壓器運行狀態與聲紋特征的關系進行了對比分析。圖１為某變壓器正常運行狀態下聲紋信號的時域和頻域波形，其中Ａ為幅值。該變壓器正常運行狀態下主頻為２００Ｈｚ，同時可計算得到其振動熵為奇偶次諧波比為０．００５。當變壓器運行狀態發生變化時，其聲紋信號的時域和頻域特性將發生變化。對于存在鐵心夾件松動缺陷的某變壓器，其聲紋信號如圖２所示，２００ｚ增大至７００Ｈｚ振動熵增大至２．６８，各頻率的能量分布發生顯著變化。為存在直流偏磁問題的變壓器的聲紋信號，其頻域特征分析表明：ｚ５５０Ｈｚ，奇偶次諧波比增大至１．１３。圖１ｏｐｅｒａｔｉｎｇｔｒａｎｓｆｏｒｍｅｒ頻域特征可以較為直觀地反映變壓器本體的聲紋特性，但頻域特征是一段時間內聲紋信號的整體響應，反映的是變壓器的全局特征對暫態信號Ｈ ∑ｆ＝１００

ｆｌｏｇ２

的識別能力較差；而時域信號可以拾取到明顯的暫態異常，但很難直接用于變壓器故障診斷。時頻域式中：ｐｆ為頻率比重，表征頻率ｆ處諧波分量的能量占比ｆｍａｘ為最大頻率值，文中?。保玻埃埃龋?。（４）奇偶次諧波比，其與變壓器運行狀態存在

分析方法結合了時域和頻域分析的優勢，可采用短時傅里葉變換、小波變換或其他時頻分析方法分析聲紋信號在時間和頻率上的變化規律。但是，中采用的特征分析法以基頻幅值與基頻能量占比、主頻幅值與主頻能量占比、振動熵和奇偶次諧波比這４個特征量為主。該方法基于聲紋樣本的統計分析確定各類缺陷所對應的特征閾值，并根據特征值與閾值之間的距離得出變壓器各缺陷類型的對應文中所分析的變壓器典型異常聲紋主要包括短路沖擊、局部放電、夾件松動、冷卻器異響、重過載、類缺陷以及雷聲、鳥鳴、汽笛聲、人聲、雨聲５種環境噪聲。其中，局部放電包括沿面放電、電暈放電、間歇性放電和懸浮放電，冷卻器異響包括油泵異響和風扇異響。部分典型缺陷的聲紋信號如圖４—圖７所示。圖２ｗｉｔｈｈｉｇｈｖｉｂｒａｔｉｏｎｅｎｔｒｏｐｙ圖３ｗｉｔｈｈｉｇｈｏｄｄｔｏｅｖｅｎｈａｒｍｏｎｉｃｒａｔｉｏｓ頻譜是二維圖像譜，其數據量巨大，難以直接使用。綜合考慮診斷準確性、時間及模型大小等因素

圖４圖５變壓器短路沖擊聲紋信號的頻域特征主要表現為１００Ｈｚ及其倍頻處出現局部的寬頻帶響應，其與變壓器正常運行狀態下的頻域特征具有一定的相似性，但其在時域特征上會出現一個明顯的短時強信號。局部放電聲紋信號在時域上與正常運行狀態下變壓器的聲紋信號極為相似，難以通過時域特征進行區別；而在頻域上，其頻率顯著增大，且可以看出其在１５ｋＨｚ附近有較強的能量。其中，為了更好地顯示中高頻段的能量分布，５中縱坐標采用以為底的對數表示。夾件松動在頻域的低頻圖６圖７ｃｕｒｒｅｎｔｂｉａｓｍａｇｎｅｔｉｓｍ段表現出１００ｚ倍頻的分布特征。冷卻器異響則是一個具有周期性的強信號，從頻譜來看，其表現為在１～４０００ｚ的頻率范圍內出現多個強峰。重過載的特征是基頻能量占比較大，其振動熵值將顯著增大。存在直流偏磁問題的變壓器的聲紋信號的頻域特征是奇偶次諧波比相對較大。除此之外，環境噪聲對變壓器聲紋診斷的影響也不可忽略。如電磁干擾的頻率以ｚ或１５０ｚ為主，人聲的頻率以８００～１ｚ為主，鳥鳴的頻率以２～５０００ｚ為主，上述噪聲均會對變壓器聲紋診斷造成影響。時頻域特征分析法可用于識別變壓器典型缺陷的聲紋信號但受缺陷類型、嚴重程度及環境噪聲干擾等因素影響，其準確性難以滿足現場對缺陷的診斷精度要求，如過載和短路沖擊在某些情況下容易出現誤判。因此，須結合人工智能算法進一步挖掘聲紋信號的時頻域特征，區分變壓器的運行狀２２．１ＣＮＮ是一種深度學習算法，

方面應用廣泛［２２?２５］其基本原理是通過卷積操作在輸入數據中查找局部空間模式。每個卷積層都由一組可學習的濾波器（或稱為卷積核）組成，這些濾波器在輸入數據上進行滑動以進行卷積操作，從而ＣＮＮ的一個重要特性是平移不變性，這意味著無論模式在哪里出現，模型都可有效檢測。這個特ＣＮＮ非常適合處理圖像和音頻等具有空間或時間結構的數據。此外，ＣＮＮ通過逐層堆疊卷積層，可以構建從簡單模式到復雜模式學習特征的層２．２將音頻信號轉化為頻譜圖或梅爾頻譜圖，是采模型實現音頻識別的常用輸入特征。如前文所述，變壓器聲紋信號的時頻譜特征豐富有利于深度網絡從中提取有效特征以用于故障檢測，但二維時頻譜需要很高的分辨率對內存要求很高。梅爾頻譜雖然可以對頻率軸進行壓縮，在一定程度上減輕這一負擔但是梅爾頻譜主要用于人聲識別，和變壓器這一場景并不完全相符不利于提?。茫危文Ｐ驮诼暭y信號特征提取方面的優勢，通?？梢灾苯邮褂脮r域信號作為輸入由深度網絡提取特征并進行故障類型判斷。但在現場變壓器聲紋信號的采集過程中，為全面掌握變壓器運行狀態，其聲紋信號的采樣率非常高因此須增大卷積核的大小或者增加網絡深度，ＣＮＮ中的待求參數大大增加，降低了模型的識別效率。另一種思路是將頻譜作為網絡輸入，相當于替網絡完成部分特征提取工作大大提高網絡的收斂速度，因此，ＣＮＮ模型同時具備處理周期穩態特征和識別暫態異常特征的能力，文中提出將時域信號和頻域信號組成多通道輸入數據，既可以提供時域和頻域多通道輸入數據有利于提升網絡的識別精度但其同樣引入了更多的干擾信息為了避免網絡迷失，文中在神經網絡模型中引入了注注意力機制是一種用于提升ＣＮＮ性能的關鍵技術，該機制可對不同空間位置或特征通道進行加權，使網絡能夠集中注意力于最重要的信息［２６］。在ＣＮＮ中，每個卷積層的輸出都是通過對輸入圖像的固定窗口進行卷積運算得到的。這種方法對于圖像中的所有位置都采取相同的權重，無法區分不同位置的重要性。注意力機制引入可學習的權重，能夠在不同空間位置或特征通道上進行自適應的加權處理。ＣＮＮ技術，可以使模型針對性地關注異常特征，從而減少不同電壓等級變電站變壓器運行工況、環境干擾對信號的影響。因此，變壓器聲紋識別中的注意力機制可在眾多的時頻域特征中聚焦對當前任務更為關鍵的信息，降低對其他信息的關注度提高任務處理的集成學習是指用多種兼容的學習算法或模型來執行單個任務的技術其基本理念是構建多個模型，每個模型能捕獲數據中的某種特定模式并將這些模型的結果合并［２７］與使用單一算法或模型相比，集成學習往往能獲得更佳的預測表現。集成學習的主要方法可歸為三大類堆疊、提升和裝袋。其優勢主要體現在以下兩個方面：一是提高預測的準確性通過整合多個模型的預測結果集成學習可以有效地平衡偏差和方差，獲得更準確的預測結果；二是提高模型的穩定性由于集成學習算法涉及到多個子模型因此其對于單個模型的變２．５ＣＮＮ在音頻識別方面的優勢及特征分析法直觀、可解釋性強的特點考慮變壓器聲紋信號與型號、工況、環境等因素的關聯性，文中基于集成學習的堆疊方法，構建基于集成學習模型的變壓器聲紋信號診斷模型，８所示。該模型將特征分析法和ＣＮＮ模型（即基學習器）的預測向量作為輸入，傳遞給由多層感知機模型構建的元學習器進行綜合預測。為兼顧模型識別效率及準確性，將特征分析法的結果作為補充。該方法結合了深度學習模型的非線性特性和特征分析的描述性，為聲紋信

的變壓器聲紋數據，構建診斷模型的時頻域混合輸入，具體方法為：（）通過傅里葉變化得到頻域信號，同時將時域信號進行均值方差歸一化、抽稀至與頻域信號長度一致，兩者并聯形成雙通道數據（２）采用窗口長度為４ｓ、２ｓ的時間窗將雙通道信號分為４段，并重新并聯，最終形成長度為（８，９６０００）的多通道輸入數據。圖８中，由Ｃ構建的基學習器共包含４個一維卷積層（包含最大池化層和線性整流激活層），且每個卷積層后面緊跟著一個注意力模塊，用于提高特征提取的性能；之后是２個全連接層（包含ｐｕｔ層和線性整流激活層），建立深層特征與故障分類的映射關系。其中，Ｃ模型的卷積核大小分別為６４×１１×８１９２×５×６４、３８４×３×１９２和２５６×３×３８４。元學習器是多層感知機，其輸入是由基學習器和特征分析法得到的預測向量串聯而成的特征向量，包含２個隱藏層，每一層由一個全連接層和Ｕ激活函數組成，所采用的損失函數為交?熵。文中所采用的注意力模塊是卷積塊注意力模塊（ｎｎｌｂｋｎｎｄｕｅ，ＣＢＭ），由通道注意力模塊和空間注意力模塊串聯組成。其中，通道注意力模塊由池化層（包含最大池化層和平均池化層）、多層感知機（由全連接層、Ｕ激活函數、連接層組成）、堆疊層、ｄ層組成，用于得到通道注意力特征，再將其與輸入特征圖相乘，獲取通道注意力機制作用的特征圖，并輸入后續的空間注意力機制模塊?？臻g注意力機制模塊由沿通道維度的池化層（包含最大池化層和平均池化層）、卷積層、Ｓｄ層組成，用于獲取空間注意力特征，再將其與輸入特征圖相乘，給出空間注意力機制作用的特征圖。２．６基于文中所構建的變壓器聲紋信號診斷模型，變壓器缺陷及故障診斷流程如圖９所示。圖８３為驗證變壓器聲紋識別算法的準確性，文中收條變壓器聲紋數據樣本。其中，涵蓋９類不同電壓等級變壓器和環境噪音的正常樣本數據條，涵蓋大類小類變壓器缺陷的異常樣本數據條，樣本分布情況如表１表１１１０ｋＶ２２０ｋＶ５００ｋＶ±８００ｋＶ變電站噪聲＋變電站噪聲＋變電站噪聲＋變電站噪聲＋變電站噪聲＋圖９（１）樣本庫構建以及變壓器聲紋數據預處理。采用在線監測、帶電檢測、模擬試驗等手段采集變壓器聲紋數據，結合時域及頻域特征處理方法，形成聲紋信號的多通道輸入混合特征建立變壓器（２）基學習器模型訓練。將變壓器聲紋樣本庫按照劃分為訓練樣本和測試樣本，將訓練樣本數據導入變壓器聲紋信號診斷模型，設置模型預訓練參數。訓練過程中，對比模型預測結果與真實結果的誤差，當模型達到收斂條件時保存參數并停（３）集成學習模型訓練。針對部分缺陷類型評估準確性較差的情況，ＣＮＮ與特征分析法的預測結果作為元學習器的輸入向量，開展集（４）變壓器缺陷故障診斷。基于測試樣本數據，通過特征提取與識別評估最優聲紋診斷模型

３．２結合上述樣本庫，文中依次針對變壓器正常與異常聲紋樣本識別、單一缺陷識別及混合缺陷識別問題分別開展了驗證分析，以評估集成學習模型的針對表１所示的變壓器正常及異常樣本分類，文中按照７∶３將樣本數據劃分為測試集和訓練集?；谟柧殬颖緮祿?，文中首先針對Ｃ模型開展驗證，在經過２０次迭代后，Ｃ模型的準確率達到９２．０％，如圖１０所示。進一步分析識別錯誤的樣本數據，發現傳統的Ｃ模型在正常樣本中的２２０Ｖ主變噪聲和異常樣本中的重過載缺陷之間易出現誤判，顯著降低了模型診斷結果的準確性。為兼顧模型的準確性和識別效率，文中在異常樣本識別的基礎上引入集成學習算法并對樣本標簽進行細化，１１９類聲紋數據。為節省模型識別時間，ＣＮＮ模型易出現的２２０ｋＶ主變噪聲及重過載缺陷混淆問題，僅在兩者內部引入集成學習算法，ＣＮＮ預測樣本標簽不是２２０ｋ主變噪聲或重過載時，將其結果映射為正常或缺陷；當預測標簽為２２０ｋＶ主變噪聲或重過載時，不輸出預測結果而是將預測向量和特征分析法的預測結果一起輸入到集成學習模型的元學習圖１０ＣＮＮｓｉｎｇｌｅｄｅｆｅｃｔｉｎｔｒａｎｓｆｏｒｍｅｒｓｂａｓｅｄｏｎＣＮＮ器中，實行樣本數據的二次診斷并得到最終的預基于訓練樣本數據，１５次迭代，集成學習模型的準確率達到９８．７％，如圖所示集成學習模型準確率顯著高于ＣＮＮ模型，說明在集成學習框架下，采用特征分析方法有效提高了ＣＮＮ模型在處理２２０ｋＶ主變噪聲和重過載缺陷時的分類準確率?；跍y試樣本數據，文中進一步驗證了集成學習模型的有效性及準確性，以其中的６大類缺陷樣本為例，１２所示。結果表明，集其中，對變壓器局部放電和短路沖擊２類樣本的識１００％，在重過載樣本的識別上準確３．３在單一缺陷樣本識別的基礎上，文中進一步分析了變壓器內部存在多缺陷情況下的模型識別效果。當變壓器存在多個并發缺陷時，不同缺陷所對應的聲紋信號量級不同，且兩者混合之后將破壞其原有特征，影響診斷的準確性。不考慮變壓器正常聲紋樣本，類缺陷中任意２種相互融合而成的類混合缺陷樣本，進行混合缺陷樣本的分類測試，次迭代的診斷準確率達到９７．１％，如圖所示。進一步分析識別錯誤的樣本數據，發現所有涉及夾件松動和局部放電缺陷的混合樣本都出現了

圖１１圖１２ｂａｓｅｄｏｎｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇｍｏｄｅｌ一定程度的混淆現象，