无人值守变电站电力设备音频监测及故障诊断系统

, , , ,

(1.广东电网有限责任公司电力科学研究院，广州 510080； 2.中国航空工业集团公司洛阳电光设备研究所，河南 洛阳 471000)

无人值守变电站电力设备音频监测及故障诊断系统

易琳1,沈琦2,王锐1,王柯1,彭向阳1

(1.广东电网有限责任公司电力科学研究院，广州510080； 2.中国航空工业集团公司洛阳电光设备研究所，河南洛阳471000)

针对智能变电站的无人值守需求及现有故障诊断系统的不足，提出一种电力设备音频监测及故障诊断系统;根据变电站电力设备音频信号信噪比较低的特点，采用具有强鲁棒性的梅尔频率倒谱系数作为判断音频信号异常的特征参数，在此基础上根据音频特征构成多样本观测序列，并采用隐马尔科夫模型进行故障诊断，通过对比对数似然估计概率的输出值确定故障类型；该方法具有实时性较强的优势，也避免了现有故障诊断方法要求较大样本容量的缺陷；实验结果表明，该故障诊断系统具有较高的识别率和鲁棒性。

变电站; 电力设备; 故障诊断; 隐马尔科夫模型; 梅尔频率倒谱系数

0 引言

电力行业的发展日新月异，但如何确保电力系统的安全运行始终是人们关注的焦点。作为电力网络的管控执行单元，变电站的可靠性是决定电网整体可靠性的关键因素。随着智能电网战略的推进，新型变电站需具有易于管理和维护的特征，且需满足无人值守需求，因此研究电力设备的智能故障诊断技术，实现快速故障隔离以保障电网的安全运行，具有重要的工程价值[1]。然而其困难在于，现有变电站电力设备如变压器等不仅结构复杂，而且型号多样，其故障机理和特征具有高度的复杂性和一定的随机性[2]，传统阈值式诊断难以有效反映故障表现特征与故障机理之间的客观规律，较难取得理想的在线诊断效果[3]。

变电站电力设备如出现机械故障时，其振动特性或部分频段内的振动能量将发生改变，这常伴随异常的声音。此外，设备的超负荷运行或其它电路故障也会引起异常的声音变化[4]。因此，在电力设备的不同位置所测取的声音信号包含着丰富的信息，具有丰富经验的工程师也通常根据现场的异常声音判断故障。基于此原理可设计用于变电站电力设备的音频实时监测故障诊断系统，其独特优势在于仅通过声音传感器获取音频信号即可实现对设备工况的实时判断，且不影响电力系统的正常运行，具有信息量大、反应快和低成本优势，丰富了无人值守变电站的故障诊断手段，具有良好的应用前景。然而，变电站具有较强的背景噪声，非接触式测量所获取的音频信号易受传感器安装位置和其它外围设备噪声源影响，干扰信号有可能会淹没掉与设备工况相关的有效特征值，因此，对故障信号特征参数的有效提取尤为关键。此外，变电站设备型号复杂，积累的监测数据与有效故障样本较少，如何对特征参数进行处理以实现准确识别，也是亟待解决的关键问题。由于以上问题的复杂性，现有研究成果并不多见。文献[5]采用基于独立分量分析的信号分离方法处理声音源信号，提取MFCC特征参数并与专家库信号匹配，根据动态时间规整算法判断电气设备故障类型，但该方法较难实现在线故障诊断。文献[6]提出采用正弦基前向神经网络的音频识别方法，但实际工程中可能存在陷入局部极值的缺陷。

针对现有研究的不足，本文提出一种可应用于无人值守变电站电力设备的音频监测及故障诊断系统。根据工作流程，该系统可划分为信号检测、特征参数提取、状态识别及诊断决策3个环节，针对变电站电力设备音频信号信噪比较低的特点，提出采用具有强鲁棒性的MFCC参数作为判断音频异常的特征参数，在此基础上根据音频特征构成多个观测序列并用以训练HMM，对比对数似然估计概率的输出值，可判定设备故障的具体类型，从而实现在线故障检测和诊断功能，该方法的优势在于实时性较强，同时也避免了现有故障诊断方法普遍要求较大样本容量的缺陷。

1 音频监测及故障诊断系统结构

在各变电站需要进行监测的电气设备如变压器、互感器、电容器、电抗器、GIS(气体绝缘开关)等旁安装声音传感器，或采用移动巡检的方式，在巡检机器人上安装传感器，对声音信号进行实时采集，并在每个变电站内设置一个多路信号采集站，负责采集全站的多路音频数据并通过以太网传送至远方的监测中心。监测中心主要由信号处理服务器、样本截取工作站、模型库和监测子站构成。其中，信号处理服务器是故障诊断系统的核心，根据设备优先级和故障状况，负责对各站上传的多路音频信号进行处理，具体包括对音频信号的变换和频谱分析、特征参数提取，并与模型库所保存的历史音频数据及典型故障声音进行对比，判断设备运行状况和故障类型，若检测到异常信号则发出报警。样本截取工作站负责对正常信号和异常信号进行截取和建模，并存入模型库；模型库负责存储信号样本及历史数据；监测子站负责与各变电站信号采集站进行远程通信，并向各变电站工作人员提供报警信号。所设计的音频监测及故障诊断系统结构如图1所示。

图1 变电站音频监测及故障诊断系统结构

2 音频信号特征参数提取算法

对音频信号特征参数的有效提取是实现电力设备音频故障诊断系统的前提。在语音信号处理系统中，基于语音频谱导出的参数得到普遍关注，如基音频率[7-8]、功率谱、共振峰和梅尔频率倒谱系数(Mel-frequency cepstrum coefficients, MFCC)等。其中，MFCC参数来源于声音的产生和接收机制，在噪声环境下应用最为广泛。现有应用于电力系统故障分类或识别的算法主要包括基于核的判别[9]、神经网络[10]、模糊分类[11]、支持向量机[12]等，但以上方法的训练需要足够的样本容量，通常被用于处理静态模式分类，较难适用于对实时性要求较高的动态分类问题。隐马尔科夫模型(Hidden Markov Model，HMM)作为双重随机过程的有限状态自动机，其优势在于具有较强的特征分类能力，并适用于对非平稳信号进行统计分析[13-14]，且可通过较少的样本训练出可靠模型，相较神经网络等方法而言，所保留的统计信息更为丰富，具有较高的识别率。人耳的感知程度与声波频率并非简单的线性关系，内耳基础膜对接收到的信号产生自适应调节作用，Mel频率与人耳听觉特性高度吻合，适用于模拟人耳对声音的感知，且对信号性质并无依赖，具有较强的鲁棒性。MFCC参数是在Mel标度频率域提取出的倒频谱参数，Mel频率与实际频率的关系可由以下对数关系近似表示[15]：

(1)

式(1)中，f为频率。

鉴于MFCC参数的优良性能，本文采用MFCC参数作为判断变电站电力设备故障的特征参数。其参数提取步骤如下：

1)考虑短时间内故障信号的激励性质及声道形状未有显著变化，对音频信号采用短时分析技术。首先需进行预处理过程，包括预加重、分帧及加窗等环节。预加重环节可提升音频信号的高频频谱，使信号频谱平坦化，易于对音频信号进行频谱分析；分帧环节将所采集的音频信号划分为毫秒级短时段信号，根据电力设备故障信号的特性，采用重叠分段的分帧方式来保持信号连贯性及帧之间的平滑过渡；加窗环节可有效减弱截断效应，降低音频帧的坡度。此外，在处理变电站异常声音信号过程中，当变电站背景噪声对信号产生较为严重的干扰时，还需针对背景噪声进行预处理，如进行有效的端点检测等。

2)对预处理后的信号进行快速傅立叶变换(FFT)，实现信号从时域到频域的转换，并计算其模的平方，得到能量谱。

3)设计具有M个带通滤波器的滤波器组并采用三角滤波器，信号的截止频率决定该滤波器组的个数M，滤波器的中心频率在0～F/2范围内按Mel频率分布，由Mel(f)与实际线性频率f的关系计算出三角带通滤波器组Hm(k)。计算公式为：

(2)

式(2)中，f(m)为滤波器的中心频率，m<1,2,…,M。滤波器组Hm(k)满足：

(3)

则每个滤波器组输出的对数能量可表示为：

(4)

式(4)中，P[·]为音频信号经FFT变换后得到线性频谱的平方值。

(4)由于Mel频谱系数均为实数，利用离散余弦变换(DCT)，将Mel频谱系数变换到时域，得到MFCC系数为：

(5)

式(5)中，0≤n≤M-1。

3 故障信号识别技术实现

3.1 基于HMM的故障诊断系统结构

变电站电力设备故障信号的识别，究其本质而言，是一个极为复杂的模式识别问题，也是音频故障诊断系统的关键技术。对异常故障信号进行特征提取的目的仅为挖掘出可揭示故障音频本质特征的参数，实现智能诊断还必需进行分类器设计，将特征提取过程所得到的特征参数序列通过已知模型库进行模式匹配，因此，相关模式匹配算法的优劣也在很大程度上决定了故障诊断系统的准确率。本文设计的故障诊断系统结构如图2所示。

图2 故障诊断系统结构

不同变电站电力设备的型号、新旧程度均有差别，且音频信号的特点也受诸多随机因素的影响，故障信息必然包含在信号的统计规律中，因此本文采用较为成熟的统计模式识别的方法来实现故障状态判别。鉴于HMM具有较强的抗噪性能，以及在描述时变序列的统计特征方面所具有的良好数学结构，提出将HMM用于故障模型的描述，建立基于HMM的变电站电力设备音频故障模式识别系统。

离散型HMM可记为：

λ=(N,M,π,A,B)

(6)

式(6)中：N为模型中Markov链状态数目，M为每个隐状态对应的可能的观察值数目，π为初始状态概率分布矢量；A为状态转移概率矩阵；B表示观察值概率分布矩阵。利用HMM进行电力设备状态识别，首先建立能反映观察序列统计特征的HMM，然后计算未知观察序列在HMM下的输出概率值，并通过比较模型输出概率值的大小来判断设备工况，基于HMM的电力设备故障诊断算法流程如图3所示。

图3 基于HMM的电力设备故障诊断算法流程

3.2 HMM训练及识别算法

实现HMM的训练首先建立初始模型，即确定初始模型的结构和参数；然后是解决模型的参数优化问题，即在给定初始模型和训练观察序列的情况下，调整模型λ=(π,A,B)的参数，使训练序列在模型下输出的概率P(O/λ)最大。本文采用前向算法，定义前向变量αt(i)为：

αt(i)=P(O1,O2,…,Ot,qt=θi/λ)，1≤t≤T

(7)

式(7)中，αt(i)是t时刻HMM在状态i下产生观察序列(O1,O2,…,Ot)的概率。根据αt(i)的定义，按照递推关系可计算出t+1时刻HMM处于状态j并产生观察值Ot+1的概率αt+1(j)，因此当t=T时，P(O/λ)可按如下前向递推原理求出：

算法初始化计算式为：

α1(i)=πibi(O1)，1≤i≤N

(8)

递推过程为：

(9)

式(9)中，1≤t≤T-1，1≤j≤N。

前向递推公式为：

(10)

根据前向递推原理，给出观察符号序列O=O1,O2,…OT在已知模型λ=(π,A,B)下的输出概率P(O/λ)的算法步骤为：

(1)设置N×T维的二维数组变量αt(i)，获取模型参数和观察符号序列O=O1,O2,…OT；

(2)根据式(8)，计算t=1时模型在各隐状态θi下输出观察值O1的初始前向概率α1(i)；

(3)根据式(9)，计算从t时刻出发到t+1时刻模型从N个状态转移到状态θj时输出观察值Ot+1的前向概率αt+1(j)；

(4)重复(2)的递推过程，计算出t+1时刻所有N个状态下的前向概率αt+1(j)，(j=1,2,…,N)；

(5)重复(2)(3)的递推过程，直到t=T-1；

(6)取出终止状态的αT(i)进行求和即得到P(O/λ)。

4 实验结果

4.1 故障诊断方法步骤

本文实验采用了基于声音信号分析处理的故障诊断方法，故障诊断的过程大体有3个步骤：首先是信号的采集与处理，其目的是从待检设备上提取出真实可靠的信息，这里采用声音传感器进行原始数据的采集；其次是特征提取，利用信号处理技术从检测信号中提取出故障的特征信号，本文采用声音的倒谱域特征参数MFCC作为特征参数；最后是状态识别与诊断决策，它是利用特征提取后的信息对故障状态进行识别、判断和预报，这里采用在核电故障诊断方面已取得应用的隐马尔科夫模型的统计信号处理方法，前期需要建立初始模型，通过基于HMM模型的分类器，对已知类别的故障音频数据进行训练建模聚类，对未知类别的故障音频数据样本进行分类，分类过程中，当有待分类样本需要识别时，利用已经建立的HMM参数来计算每套参数产生该序列的概率值，将新样本归入概率值最大的类别中，并给出分类结果从而确定所属故障状态。

4.2 故障分类实验

实验样本为电网变电站场地巡检机器人录制的电气设备声音，样本精度为16bit，采样率为44.1 kHz，随机选取了261组数据作为训练、识别数据。其中包括87组变压器数据、86组互感器数据和88组电容器数据，经过提取MFCC参数，3种设备的每帧信号都已转换为24维的MFCC 的特征矢量。HMM训练共使用了70组变压器数据、70组互感器数据和73组电容器数据，剩下的17组变压器数据、16组互感器数据和15组电容器数据则用于模型识别，识别结果如表1所示。

表1 识别实验结果

从表1可以看出，将MFCC及其HMM结合起来进行电网声音识别，共使用48组数据，正确识别47组，识别率达到98%，而常见实验中，将语音特征参数与神经网络相结合最高识别率只达到89%左右，且所需样本较多，计算较复杂。

表2为一组变压器、互感器和电容器的输出概率测试结果。以变压器为例，把一组变压器的MFCC特征参数输入到变压器的HMM中，得到的对数输出概率为-25660，而把该数据输入到互感器和电容器的HMM中，得到的对数输出概率为-27899、-31611，分类还是较为清晰的。可见，选取的MFCC特征参数能很好地描述声音信息，而HMM模型也具有良好的声音识别效果。

表2 HMM模型测试结果

4.3 变压器故障诊断实验

变压器是变电站电力设备中的核心，根据音频监测系统提取的不同故障音频特征，对所发生的故障类型进行诊断，是监测诊断系统的关键功能。为此，在国网台州供电公司国清220 KV变电站进行测试实验，1号变压器为OSSZ10-150000/220，2号变压器为OSS9-150000/220，设备均已较为陈旧，紧贴变压器周围设置多个音频监测点，当有故障发生时，提取有效音频信号，并对其进行特征参数提取，与已验证的故障机理相结合，可监测出的典型故障类型包括：1)绕组匝间短路/分拨开关故障；2)线路接地短路；3)变压器过载严重/大负荷用户频繁启动；4)穿心螺杆松动；5)高压套管脏污或釉质脱落；6)变压器内部缺油。

应用本文算法，提取以上6类典型故障发生时的音频特征，并在模型训练之后存入模型库。并将实时釆集的待识别变压器故障音频经过采样、预处理、MFCC参数提取等步骤，得到待识别序列，然后通过本文算法来计算该序列在每个己训练模型下的概率，识别结果为最大概率所对应的故障类型。图3为典型故障样本在已训练好的故障模型下的输出概率值：

表3 典型变压器故障输出概率

由图3可知，不同故障音频在其相对应的故障模型下的对数概率值最大，而在其他模型下取值都较小，这也验证了HMM分类算法的有效性，可实现对变压器故障类型的准确判别。需要说明的是，由于变压器故障原理较为复杂，不同的故障机理可能呈现出相类似的音频特征，如故障B实际上包括变压器绕组匝间短路和分拨开关故障两类，所提取的音频特征较为类似，这也说明故障诊断本身的复杂性。

5 结论

本文提出一种适用于无人值守变电站的设备音频在线检测系统，提取MFCC作为判断音频信号异常的特征参数，采用HMM模型对故障状态进行训练，具有结构简单、易于工程实现的特点，可实现对故障设备的有效分类，还可对典型电力设备如变压器的典型故障进行识别，其诊断结果具有较高的准确性。该音频监测及故障诊断系统对于发现早期电力设备故障，快速掌握设备缺陷及其性质具有积极意义，可及时消除设备危险点，降低事故发生率，有助于电网的安全运行，是人工智能技术在电力系统中的成功应用。

[1] 李 鹏, 许爱东, 郭晓斌, 等.面向巡维中心的变电站驾驶舱架构设计与实现[J]. 南方电网技术, 2015; 9(6): 1-5.

[2] 董海鹰, 李晓楠, 姚 军. 基于粗糙集和灰关联分析的750 kV变电站故障诊断[J]. 高电压技术, 2015, 41(10): 3313-3319.

[3] 郑蕊蕊, 赵继印, 赵婷婷，等. 基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断[J]. 中国电机工程学报, 2011, 31(7): 56-63.

[4] 张 冰, 刘连光, 肖湘宁. 地磁感应电流对变压器振动、噪声的影响[J]. 高电压技术, 2009, 35(4): 900-904.

[5] 杜世斌. 基于音频特征的电气设备故障监测算法研究[D]. 济南：山东大学, 2014.

[6] 曹文明, 王耀南.基于音频识别的无人值守变电站设备在线监测[J].湖南大学学报：自然科学版,2013,40(9):48-55.

[7] Zhao X J, Shao Y, Wang D L. CASA-based robust speaker identification[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2012, 20(5): 1608-1616.

[8] Huang F, Lee T. Pitch estimation in noisy speech using accumulated peak spectrum and sparse estimation technique[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2013, 21(1): 99-109.

[9] 阮 羚, 李成华, 宿 磊，等. 基于奇异值分解的局部放电模式识别方法[J]. 电工技术学报, 2015, 30(18): 223-228.

[10] 尚海昆, 苑津莎, 王 瑜，等.基于交叉小波变换和相关系数矩阵的局部放电特征提取[J]. 电工技术学报, 2014, 29(4): 274-281.

[11] 李 赢, 舒乃秋. 基于模糊聚类和完全二叉树支持向量机的变压器故障诊断[J]. 电工技术学报, 2016, 31(4): 64-70.

[12] 汪 可，李金忠，张书琦，等. 基于时频相似度的油纸绝缘多局部放电源脉冲群分离与识别策略[J]. 电工技术学报, 2014, 29(12): 251-260.

[13] Brognaux, Drugman. HMM-Based Speech Segmentation: Improvements of Fully Automatic Approaches[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2016, 24(1): 5-15.

[14] Percybrooks, Moore, A New HMM-Based Voice Conversion Methodology Evaluated on Monolingual and Cross-Lingual Conversion Tasks[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2015, 23(12): 2298-2310.

[15] Sahidullah, Saha, A Novel Windowing Technique for Efficient Computation of MFCC for Speaker Recognition[J]. IEEE Signal Processing Letters, 2013, 20(2): 149-152.

FaultDiagnosisandConditionMonitoringofSmartSubstationEquipmentBasedonAcousticSignals

Yi Lin1, Shen Qi2, Wang Rui1, Wang Ke1, Peng Xiangyang1

(1.Electric Power Research Institute，Guangdong Power Grid Co., Ltd., Guangzhou 510080, China;2.Luoyang Institute of Electro-Optical Equipment, AVIC2, Luoyang 471000, China)

Aiming at the requirement of unattended intelligent substation and the shortcomings of existing fault diagnosis system, an audio monitoring and fault diagnosis system of power equipment is proposed. According to the low signal-to-noise ratio (SNR) of the audio signal in substation power equipment, the Mel-frequency cepstrum coefficients with strong robustness are used as the characteristic parameters to judge the audio signal anomaly. Based on the audio feature, a multi-sample observation sequence is constructed. The hidden Markov model (HMM) is used to diagnose the fault, and the fault type is identified by comparing the logarithm likelihood estimate output value. The method has the advantage of real-time and avoids the limitation of the existing fault diagnosis method which requires large sample size. The experimental result shows that the proposed fault diagnosis system has high recognition rate and robustness.

electric substations; electric power equipment; fault diagnosis; hidden Markov model; Mel-frequency cepstrum coefficients

2017-01-13；

2017-05-18。

易 琳(1986-)，工程师，博士，主要从事电力智能巡检技术及应用。

1671-4598(2017)11-0009-04

10.16526/j.cnki.11-4762/tp.2017.11.003

TP273

A