基于音频识别分析的无人值守变电站设备在线监听与故障排除

殷守斌 田克强 李明 李中原 谷栋

摘 要： 为了使无人值守变电站独立高效地运行，介绍了基于音频识别的实时监控系统的理论和结构。该架构侧重于音频数据的监控和识别过程。首先，通过使用传感器的系统获取变电站的音频信号;然后将多音频数据传输到监控主机，在频谱分析和处理之后，提取MFCC特征参数作为信号特征;最后将特征参数输入正弦神经网络进行识别，可以有效、准确地识别故障的运行状态和类型。实现结果表明，该方法改进了传统的手动监测方法，大大提高了设备检测的效率。

关键词： 无人值守变电站; 音频识别; MFCC特征参数; 神经网络

中图分类号： TP393      文献标志码： A

On-line Monitoring and Troubleshooting of Unattended Substation

Equipment Based on Audio Recognition Analysis

YIN Shoubin， TIAN Keqiang， LI Ming， LI Zhongyuan， GU Dong

（State Grid Heze Power Supply Co. Ltd.， Heze 274000）

Abstract： In order to make the unattended substation operate independently and efficiently， this paper introduces the theory and structure of real-time monitoring system based on audio recognition. The architecture focuses on monitoring and identifying the process of audio data. First， the audio signal of the substation is obtained through the system using sensors; then the multi-audio data are transmitted to the monitoring host. After the spectrum analysis and processing， the MFCC characteristic parameter is extracted as a signal feature. Finally， the characteristic parameter is input into the sinusoidal neural network for identification. It can effectively and accurately identify the operational status and type of fault. The implementation results show that the method improves the traditional manual monitoring method and greatly improves the efficiency of equipment detection.

Key words： Unattended substation; Audio recognition; MFCC characteristic parameters; Neural network

0 引言

随着电网的发展和安全性要求的提升，变电站的建设正朝着无人值守的方向发展。目前无人值守的主要趋势为“五远”（远程测量，远程通信，远程控制，远程调整和远程观看），即通过远程视频监控的方式对站设备运行情况进行查看以及操作，然而设备在运行过程中的声音也能间接判断出该设备运转是否正常，由于电气设备在运行期间会产生不同类型的噪音，工程师可以根据声音强度的变化识别设备的运行状态，甚至是故障类别。例如当10 kV配电变压器正常工作时，会发出轻微均匀的“嗡嗡”声，这是核心振动的正常现象;如果发生配电变压器的异常声音，原因可能很复杂，可能存在以下几个方面[1-4]：

如果声音比平时重，则表明配电变压器过载;

如果声音比平常高，则表明电源电压过高;

那么，根据以上的故障分析，造成的原因可能如下：

当配电变压器的内芯结构松动时，会发出混乱和嘈杂的声音;

当配电变压器中存在裂纹声时，表明存在线圈或芯绝缘击穿;

当跌落保险丝或开关水龙头接触不良或其他外部电路发生故障时，也会引起配电变压器的声音变化。

为了判断配电变压器故障的具体类型，变电站值班人员通常将一侧绝缘杆放在配电变压器的油箱上，另一侧靠近耳朵进行仔细收听，该传统方法操作容易，但是不能实现与开发线程不匹配的远程在线检测。那么对于无人值守电站的建设需要通过经验分析获取检测模型。为了实现无人值守变电站设备运行状态的全面运行情况的掌握，及时发现故障设备并做出科学的决策和处理，通过音频识别的手段提升检测精度，实现设备运行状态的实时检测。

1 语音频率监测原理和系统结构

1.1 语音频率监测原理

无人值守变电站语音频率监测系统主要用于在运行过程中检测变压器，容量，电抗，GIS等主要设备的声音信号。系统组成架构，如图1所示。

在传感器数据采集、滤波、放大和AD转换之后，多声道音频信号被传输到微控制器处理器;经过处理后，音频数据传输到变电站工业个人计算机，音频频谱分析后提取音频特征参數，然后利用神经网络识别音频特征，为监控人员输出设备状态和故障类型[5-6]。

1.2 语音频率监测系统结构

无人值守设备语音监控系统的结构如图2所示。

系统硬件由声音信号采集模块（包括声音传感器，现场总线和数据采集器），故障类型识别模块（变电站主机）和人机交互组成。

首先，许多声音传感器安装在需要在变电站中监控的电气设备中（如图1所示）。数据收集器负责多通道音频数据收集，数据采集器负责从特定变电站收集多收集器的音频数据，并将其上传到变电站监控主机。然后，变电站监控主机根据设备故障类型和设备优先级共享过程多通道音频数据，对音频数据进行转换和频谱分析，从音频数据中分散特征向量，然后将特征向量输入训练好的神经网络进行识别，识别运行状态和发出此声音的设备的故障类型。

2 系统关键技术

2.1 音频数据采集器

数据采集器是实现变电站无人值守音频监控的重要组成部分，该设备负责电气设备的音频数据处理和初级识别，其内部硬件结构，如图3所示。

来自音频传感器的音频信号由数据采集器按以下程序流程处理，如图4所示。

信号处理器采用单片机的IOB7和IOB10端口通过通用IO端口设置为UART，为RS422通信提供硬件条件。UART的波特率范围为1500bps至51200bps（51.2Kbps），通信速率可以满足状态监测的要求。为了实现多机通信，每个音频数据收集器都有自己的地址，收集器的地址编码是通过单片机读取七个IO二进制码来实现的，根据该地址，数据采集器通过轮询每个数据收集器使每个子站的多机通信成为可能。

为了提升识别的效率，通过降低上层服务器对音频数据的计算和处理，采用底层底层数据处理器对收集的音频数据进行本地化预判，从而达到故障研判的实时性需求。其实现基本原则是：首先，对典型故障音频进行特征统计，并将统计结果存储在本地数据库中;然后快速比较当前音频数据的特征与故障音频数据的特征，例如，当音频信号的幅度相比噪声信号过高、过低时，可快速判断其属于故障音频。对于这些异常情况，数据采集器立即通过RS485总线将判断结果发送给数据接收器，然后通过数据采集器通知监控主机。

2.2 设备运行状态识别

设备运行状态识别作为变电站音频监控系统的核心单元，其基本识别过程如图5所示。

监控主机对上传的音频数据进行频域变换和频谱分析，然后提取音频信号的特征参数。采用MFCC（Mel Frequency Cepstrum Coefficient）[7]算法，通过下一个输入特征向量到训练的基于正弦的神经网络进行计算，识别由该音频数据表征的设备运行状态。

识别过程的关键即是Mel系数的提取，实现过程描述如下：

（1） 预处理

通过高通滤波器采样后，计算数字音频信号s（n）：H（z）=1-az-10.9     （2） 取样

通常将10-20 ms作为语音处理信号的一帧，为了避免窗口边界频谱信号泄漏，在转换到帧时，需要进行帧选择（帧之间的重叠部分进行去重处理）。通常将半帧作为帧移位，即移动半帧然后拍摄下一帧，可以避免不同帧之间过多的特征转换。

（3） 计算短时能量

短时能量定义为音量的幅度，即声音幅度的大小。可以根据这个能量值滤除语音信号的微小噪声，当帧的能量值低于设定阈值时，则可以将该帧设置为静音段。

（4） 窗口化处理

语语音在很长的范围内不断变化，没有固定的特性就无法处理。因此，为了消除每帧两侧引起的信号不一致，将每个帧替换为窗口函数，并将窗口值设置为0。根据窗口函数的频率特性，本文采用采用汉明窗口，定义如下公式所示：w（n）=0.54-0.46cos（2πn/（n-1））  （5） 快速傅里叶变换（FFT）

由于时域中语音信号的变化是快速且不稳定的，因此通常将其转换为用于观察的频域。此时，其频谱将随时间缓慢变化，因此，窗口后的帧通常通过FFT转换计算频率参数。

（6） 三角带通滤波器

每帧的频谱参数通过由一组N三角带通滤波器（N通常为20至30）组成的Mel标度滤波器。每个三角形窗口的覆盖范围汇集了人耳的临界带宽，以模拟人耳的掩蔽效应。取每个输出频带的对数并计算每个输出的对数能量，k=1，2，…，N，然后对这N个参数进行余弦变换，得到L阶Mel频率倒谱系数。

通过以上获取了Mel的参数，下一步进行音频数据的识别处理，本文采用基于正弦基函数的神经网络模型对预处理过的语音信号进行识别，识别原理如图6所示。

其中，C1（ω1），C2（ω2），…，CN（ωN）是正弦函数，分别定义如下C1（ω1）=sin（12ω1），C2（ω2）=sin（32ω2），…，Cn（ωn）=sin[（n-12）ωn）]，以MFCC提取的N个参数[ω1，ω2，…，ωN]作为神经网络的输入，并定义为向量Ω=[ω1，ω2，…，ωN]，ωi∈（0，1），由于输入向量具有16个元素，因此所选输入层和隐藏层神经元的数量为N=16。由于变压器运行状态的评估结果是确定值，输出神经元的数量选择为1，假设变压器运行状态水平大致分为10个等级，那么预期的神经输出是D（Ω）=[1， 0.9， 0.8， …， 0.1]，神经网络输出定义如下：Y（Ω）=∑Nn=1wnsin[（n-12）wn]  根据神经网络输出作为变电站故障识别的分析结果。

4 实验及结果分析

无人值守变电站音频监控系统的实验验证在XXX220 kV控制中心及50公里外的110 kV工业变电站进行，系统设备包括：2个集中站主机，4个变电站主机，16个数据采集器，接线盒，配电箱，開关机和通信电缆。控制中心主要安装集中站主机，其余主要设备安装在工业变电站。

变电站进行通过音频数据采集器进行录音，其中包含时域和频域音频信号，使用MATLAB读取音频文件以计算时域特征，运算结果如图7所示。

使用MATLAB计算主变压器音频数据的MFCC特征参数，结果如图8所示。

当变压器处于相同的运行状态时，其音频具有稳定的一致性，不同时期相同状态的MFCC特征图也表现出相似性，如图9所示。

4 总结

在变电站设备运行过程中，可以通过对设备运转声音进行音频信号分析处理，通过这种方法，进行及时有效的处理，达到故障的实时性处理。本文提出了一种精确识别音频特征的方法，并利用神经网络判断设备的故障类型，从根本上改进了传统的手工方法和电气设备故障检测水平。并且通过实验 验证了该方法在变电站故障检测过程中有较高的识别率。

参考文献

[1] 蔡利忠. 无人值班变电站电气设备智能监控系统[D]. 长春：吉林大学，2015.

[2] 贾鑫. 基于双监督信号卷积神经网络的电气设备红外故障识别研究[D].天津：天津理工大学，2018.

[3] 王丽娜. 机组电气设备在线安全评价及故障预测[D].石家庄：华北电力大学，2014.

[4] 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.

[5] 张明. 变电站主设备工况音频监控系统[D].长沙：长沙理工大学，2014.

[6] 温钱明. 500KV监控中心微机防误操作系统关键技术研究[D].南昌：南昌大学，2014.

[7] Ngodrup， Zhao D C， Droma D Q. Research on Tibetan Lhasa Dialect phonetic feature extraction technology based on LDA-MFCC[C]// International Conference on Information Science and Technology. Hangzhou， China， IEEE， 2011：369-372.

（收稿日期： 2018.12.28）

基金项目：国网山东省电力公司科技项目（SGSDHZ00JXJS1800334）

作者简介：殷守斌（1979-），男，菏澤，高级工程师，研究方向：电气工程及其自动化。

田克强（1981-），男，菏泽，高级工程师，研究方向：电子信息与科学技术。

李明（1990-），男，菏泽，工程师，研究方向：电气工程及其自动化。

李中原（1992-），男，菏泽，助理工程师，研究方向：电气工程及其自动化。

谷栋（1990-），男，菏泽，工程师，研究方向：电气工程及其自动化。文章编号：1007-757X（2020）02-0031-04