电力变压器异常故障智能声纹监测与诊断系统研究及应用

余金龙

摘  要：如何提高电力变压器运行潜伏性异常故障监测，并且变压器运行不受干扰，是目前电力行业亟待解决的重要问题之一。提出电力变压器异常故障智能声纹监测与诊断系统的研究与应用，通过对电力变压器各种故障声音发声机理分析、混合声音采集与分离、声音信号特征提取和故障类型识别的研究，结合独立分量分析算法、小波包能量分布向量和梅尔对数频谱、BP神经网络算法等人工智能技术的运用，在不影响变压器正常运行下对其进行监测，实现对变压器运行健康状态展示与告警，及时发现变压器异常故障，消除变压器隐患，保障变压器安全稳定运行，减少经济损失，对电力系统发展具有重要意义。

关键词：变压器异常故障；声纹监测技术；智能诊断；声纹采集；监测算法

中图分类号：TM41      文献标志码：A          文章编号：2095-2945（2024）08-0149-04

Abstract： How to improve the latent abnormal fault monitoring of power transformer operation without interference is one of the important problems to be solved in the power industry. Therefore， the research and application of intelligent voiceprint monitoring and diagnosis system for abnormal faults of power transformer is proposed. Through the research on sound mechanism analysis， mixed sound collection and separation， sound signal feature extraction and fault type identification of power transformer faults， combined with the application of artificial intelligence technologies such as independent component analysis algorithm， wavelet packet energy distribution vector and Mel logarithmic spectrum， BP neural network algorithm and so on. Monitoring the transformer without affecting the normal operation of the transformer， displaying and warning the operation health status of the transformer， finding the abnormal faults of the transformer in time， eliminating the hidden dangers of the transformer， ensuring the safe and stable operation of the transformer and reducing economic losses. It is of great significance to the development of power system.

Keywords： abnormal fault of transformer; voiceprint monitoring technology; intelligent diagnosis; voiceprint acquisition; monitoring algorithm

大量實践表明电力变压器出现严重事故前，往往都存在着潜伏性故障。变压器主要故障是由于内部局部放电、过热、绕组变形、机械部件松动及设备绝缘老化等潜伏性故障随时间积累引起的。变压器在运行过程中受到电磁力、机械应力作用，铁芯、绕组、操纵机构等发生声振并产生机械波，声波内包含大量设备状态信息，可作为诊断缺陷及故障的重要特征参量。

传统变压器检测方法包括气体分析、红外测温、振动分析等，但对于内部放电及器件松动等故障仍存在检测盲区。变压器运行过程中发生故障常伴随着异响，有经验的工作人员可以凭声音判断变压器运行状况，但传统检测方法中对于声音信号利用比较少。这是因为与其他监测方法相比，声音信号所含信息量大、数据处理较困难等原因。

随着语音识别和数据处理技术发展，提出基于人工智能电力变压器异常故障智能声纹监测与诊断系统研究及应用，可以实现在不影响变压器正常运行下，通过在变压器周边部署声纹采集装置进行不间断音频采集，利用人工智能算法对变压器声纹进行分析，实现对变压器健康状态展示与告警，进而保障变压器安全稳定运行。

1  变压器组件噪声和放电声音产生机理

变压器结构复杂，由铁芯、绕组、油箱等部件组成。其中，绕组和铁芯的振动噪声是变压器本体噪声主要组成部分。正常运行时，变压器线圈内流过交流电，产生变化磁场，变化磁场在硅钢片上产生电磁力，导致铁芯和绕组振动发出“嗡嗡”声响，其主要噪声频谱分量是100 Hz。但因变压器本体噪声是多个声源经不同路径传播叠加组成，所以本体噪声内同时混有高次谐波分量，比如风扇等冷却系统的噪声频谱一般集中在100 Hz以下，分接开关发出声音则是1 000 Hz以上的高频瞬态声音信号。因而，通过分析声音产生机理，可区分变压器内部发出的各种声音类别，用以判断变压器运行状况。

1.1  变压器铁芯噪声产生机理

变压器铁芯噪声由铁芯振动产生。导致铁芯振动主要有2个原因：一是硅钢片在磁场作用下产生磁致伸缩现象导致铁芯发生振动；二是硅钢片缝隙处以及叠片之间漏磁产生洛伦兹力使铁芯发生振动。变压器绕组通电以后，硅钢片被铁芯内流过的磁通磁化，铁芯尺寸在磁致伸缩力作用下沿磁力线方向变长。在磁致伸缩力作用下，小磁畴产生弹性形变，与磁力线平行方向伸长，与磁力线垂直方向缩短。硅钢片的居里温度点是746 ℃，因而在常温下硅钢片会一直产生磁致伸缩现象，硅钢片在变化磁场作用下产生振动，铁芯振动噪声是以100 Hz为基频且含有倍频的声音信号。

1.2  变压器绕组振动发声机理

变压器在运行时，铁芯和绕组之间空隙中产生漏磁；通电绕组在漏磁场中受到安培力，绕组开始振动；漏磁场分解为径向漏磁和轴向漏磁；绕组在轴向漏磁中受到径向安培力，在径向漏磁中受到轴向安培力作用。由于磁感应强度B与电流成正比，故安培力与电流的二次方成正比，即绕组振动加速度与电流的二次方成正比。因而绕组在安培力作用下以工频的2倍100 Hz做振动。

1.3  变压器放电声音产生机理

变压器内部放电过程中往往会发出声音。一般认为放电声音产生的原因是放电过程中气泡在电场力作用下膨胀收缩，导致体积发生变化产生声波。电场中的气泡外壁有电荷积聚，气泡在向内的电场力和向外的内力作用下保持平衡。当发生放电时，气泡被击穿形成火花通道，气泡内电荷被中和，失去电场力，气泡平衡被打破。当气泡膨胀速度降到0时，气泡开始加速缩小。当气泡缩小的速度为0时，气泡又开始膨胀，如此反复，气泡体积不断变化导致声波产生。

2  基于智能声纹的故障诊断方法研究

目前，很多学者研究基于超声波的变压器故障诊断检测，因超声波频率较高，传播过程中衰减很大。声音从故障处经变压器油以及油箱传播到达传感器处时幅值很小，传感器检测到的声音很微弱，加上噪声影响，故障声音识别难度大。本文致力于研究可听声范围内的变压器故障诊断方法。在可听声范围内，变压器本体噪声是以100 Hz为基频，掺杂有高次谐波的声纹信号，频率主要在1 kHz以下；機械故障和放电的声音也都在15 kHz以内，声音频段较低，声音衰减大大减小，麦克风采集到声音幅值比超声波高，抗噪声干扰能力强。

2.1  基于声纹的故障诊断方法

变压器发生故障时采集到的声音是变压器本体噪声和故障声音的混叠声音，特别是机械故障声音和变压器本体噪声频带有很大重叠，单纯去除噪声不能满足故障识别精度需要。根据可听声频率范围和采样定理，采样频率必须要40 kHz以上才能不丢失声音信息。但这样仅Is的音频就需要保存至少4万个数据，为了充分利用声纹信号中故障特征信息，降低计算量，提高识别速度，需要先提取声音特征。

因此，基于声纹故障诊断方法需分3个步骤：混合声音采集与分离、声音信号特征提取和故障类型识别。首先，使用麦克风采集变压器声音，然后使用快速独立分量分析算法将变压器本体噪声和故障声音分离；接着分别使用小波包能量分布向量和梅尔对数频谱提取声音信号特征；最后采用神经网络模型识别声音特征并判别故障。

2.2  混合声音的分离

由于变压器有本体噪声和故障声音，麦克风采集到声音通常是2种声音的混合信号，如果混合信号已知，则可以从观察信号中分离出原始信号，但变压器实际运行发生何种故障未知，这样声纹识别率会极大降低。分离混叠信号是声纹识别领域一个难题，解决这类问题，快速独立分量分析具有明显优势，是指在原信号和信号混合都未知情况下，从多个麦克风录制混合信号中提取出未观测到的原始信号。

快速独立分量分析盲源分离算法有适用范围，并不是任何混叠信号都能求解源信号，需要对源信号做出假设：①假设源信号之间是相互独立的。②源信号不包含或只包含一个高斯信号。如果源信号中含有高斯分布，那么源信号经过混合矩阵后概率密度不变，无法从混合信号中获得混合矩阵信息。③混合信号数量大于等于源信号数量，为了方便计算，通常观测信号数量等于源信号数量。④假如存在噪声，则源信号与噪声信号是相互独立的，且高斯信号就是噪声。

2.3  小波包神经网络算法声音识别

2.3.1  构造声音能量分布特征

通过小波包变换算法计算声音各个频段的能量分布，将声音分解到宽度相等频率段上。将信号M层分解，则在第一层共得到2个频段。重构各频率段小波包系数，然后计算各频率段能量，即代表变压器不同故障声音信号的特征参数。为了使特征参数具有相同数量级，不同特征参数在数值上具有可比性，将这些故障特征参数统一处理。最后，声音特征向量由32个相对能量值构成。

2.3.2  小波包算法改进

小波包分解是将信号分解成高、低频信号。分析变压器、机械故障和干扰声音特点可知，其频率主要分布在1 000 Hz以下。对于这些声音，如果进行5层小波包分解，能量主要分布在第1、2频段，声音难以区分；如果增加小波包分解层数，如9层小波分解，则会产生512个频段。频段过多，增加了声音识别难度，且高频部分能量几乎为0，不含声音特征信息。由此可见，对整个频率区间等分，难以满足声音识别精度要求。由此提出小波包算法改进，首先对声音进行5层小波包分解，并通过神经网络识别声音类型。如果识别结果为能量分布主要集中前2个频段的声音，如变压器本体噪声、机械故障声音等，则将声音1 500 Hz以下的频段继续细分，进行9层小波包分解，将得到的声音特征向量输入神经网络模型，进行二次识别，提高识别的准确度。

2.4  BP神经网络算法识别故障声音

BP神经网络因具有自适应性能好、容错性高、自学习能力强，以及非线性能力强等优点，常被用于电气设备故障诊断模式识别。BP神经网络的工作原理是采用梯度下降法寻找局部最优点，以S型函数作为变换函数，完成由输入到输出映射。BP网络具有一定泛化功能，哪怕不是样本集中的输入，网络也能计算出合适的输出。

2.4.1  神经网络算法

BP神经网络训练流程为：首先，确定BP神经网络结构，然后通过不断调整权值和偏差值，使其训练和学习，直至网络可以完成指定的映射关系。

2.4.2  神经网络算法参数确定

声音的特征向量个数决定网络输入层数，输出层节点数由变压器故障类型数决定。因而，神经网络输入层的节点数为32个，输出层的节点数为8个。

3  变压器故障模拟及实验验证

目前，变压器可靠性高，一般变压器都处于正常运行状态，很难实际采集到足够的变压器异常声音音频。研究建立变压器机械故障和放电故障模型，模拟变压器机械故障和放电故障的声音，并将声音混合，利用上述所提方法识别故障声音，验证方法的有效性。

3.1  变压器故障声音模拟

为了还原变压器发生故障的真实场景，在实验室中搭建变压器油箱，模拟变压器中可能发生故障声音。在油箱内放置机械故障和放电故障的模型，模拟不同类型变压器故障。

3.1.1  机械故障

当金属部件掉入变压器中时，金属部件与变压器绕组在电场作用下相互撞击产生异响。将金属部件放在油箱内不同位置，给油箱内线圈加50 Hz交流电，金属部件与线圈在电磁力作用下相互碰撞发出“嗡嗡”声响。模拟金属部件在油箱内3个不同位置撞擊发出的声音：①金属与油箱内线圈底部摩擦产生的声音；②金属与夹件摩擦产生的声音；③金属与压板摩擦产生的声音。

3.1.2  放电故障

根据经验，变压器内部常见放电类型有以下几种：绕组端部油通道放电、绝缘挡板和油间隙发生放电、油纸绝缘中局部放电、绝缘纸和导线连接处间隙放电、绝缘纸沿面放电、匝间绝缘击穿和线圈间放电等。分析变压器内部可能出现的放电类型，设计建立3种放电模型，分别为平板电极放电、电晕放电和沿面放电模型。

3.1.3  故障声音采集

声音传感器是声音故障检测中主要设备，性能差的麦克风会丢失声音细节，导致声音信号畸变，降低声音识别准确率。选择传感器参考以下性能：①频率响应特性。频响曲线越平直，失真越小，传感器性能越高。②信噪比高。信噪比越高，声音识别准确率越高。③灵敏度高，采集更加细微声音。④性价比高，选择指向性、灵敏度高的电容式麦克风。

3.2  变压器本体噪声与故障声音分析

为了全面研究变压器声音信号特征，本研究选择不同电压等级的7个变压器采集声音，各绘制时长为0.12 s的时域图。如图1所示，其中纵向参数是声音信号经麦克风转化得到的电平信号幅值，代表声音响度，从图中可以看出变压器波形随时间变化的状况，不同型号电压等级变压器的时域图有很大差别。

（ａ）  １１０ ｋＶ电压等级１号变压器     （ｂ）  １１０ ｋＶ电压等级３号变压器

（ｃ）  ２２０ ｋＶ电压等级５号变压器    （ｄ）  ２２０ ｋＶ电压等级６号变压器

3.3  基于FastICA算法的混合声音分离

将采集的变压器本体噪声和故障声音混合，使用FastICA算法将变压器本体噪声与机械故障混合声音分离，麦克风采集声音的采样率为48 kHz，分别截取Is的变压器本体噪声与机械故障声音，将分离开的信号与原信号对比，验证FastICA算法分离变压器本体噪声和故障异常声音的效果。

3.4  小波包和BP神经网络算法的声音识别

将提取出来的故障声音进行小波包变换，提取声音的能量分布特征。声音信号带宽为24 kHz，将声音分解为32份，每一个频段的频率范围为750 Hz，计算变压器本体噪声和故障声音每个频段的能量。可知变压器正常运行声音、金属部件与油箱内线圈底部摩擦的声音、金属部件与夹件摩擦声音的能量都主要集中在750 Hz频率范围内，平板电极放电和沿面放电声音的能量在8 250 Hz范围内，电晕放电声音的能量在18 750 Hz范围内。

BP神经网络模型以声音的能量分布作为特征向量识别不同的声音。共识别8种声音：①金属与油箱内线圈底部摩擦的声音；②金属与夹件摩擦的声音；③金属与压板摩擦的声音；④平板电极放电声音；⑤电晕放电声音；⑥沿面放电声音；⑦变压器本体噪声；⑧干扰声音。

其中，干扰声音库由6种声音组成：风声、脚步声、鸟叫声、汽车声、驱鸟器声和人声。每种声音的音频库包含450个样本，总样本数为3 600个。音频库被划分为3部分，训练集、验证集和测试集的比例为70∶15∶150，使用训练集的样本训练神经网络模型，使用验证集的样本判断模型是否发生过拟合现象，使用测试集的样本检验模型识别故障声音的效果。

实验结果分析，将BP神经网络模型识别不同声音的准确率建模成混淆矩阵进行对比，对比结果如下：第一种声音金属部件与油箱内线圈底部摩擦的声音共450个样本，全部被识别为第一种声音，识别正确率100%；第二种声音金属部件与夹件摩擦的声音有449个样本被识别为第二种声音，有一个样本被错误识别为第四种平板电极放电声音，识别率为99.8%。模型整体的识别率为93.9%。

4  研究目标

第一，研发一套变压器异常工况声纹监测算法，实现实时、并行、低功耗的变压器异常声纹监测。

第二，研发一套变压器异常工况声纹识别算法，实现多种典型异常缺陷声纹的高精度识别。

第三，建立一套变压器异常工况声纹监测系统，实现变压器实时工况分析、预警，信息查看、统计查询等功能。

5  结束语

近年来，经济和工业的发展使得我国对电力需求不断增大，超高压大电网成为电力发展新趋势。经过多年运行，变压器发生故障概率不断增加，存在发生绝缘老化、部件松动等各种故障风险，作为系统中用于电能转换的主要电力设备，数量大，运行时间长，因而产生故障的频次也较多。变压器故障产生后，更换设备会造成经济损失，电力中断引起的间接经济损失更为巨大。因此，电力变压器异常故障智能声纹监测与诊断系统研究及应用，能对变压器运行状态进行检测与智能诊断，及时消除变压器隐患，对电力系统发展具有重要意义。

参考文献：

[1] 许卫东，王林富，汪进，等.电力变压器噪声分析及控制技术研究综述[J].广东电力，2020，33（8）：86-94.

[2] 梁彧.机械设备的故障诊断与监测研究综述[J].科技与创新，2021（1）：153-154.

[3] 王小莉，薛丽.标签噪声学习算法综述[J].计算机系统应用，2021，30（1）：10-18.

[4] 李灿.大型电力变压器噪声源分析及其处理[J].电力系统装备，2019（24）：181-182.

[5] 黄汉昌.基于小波神经网络与自适应高斯基神经网络在电力系统振荡与短路模式故障识别的研究[J].电源技术应用，2014（3）：393-393.