基于听觉谱特征的变压器绕组状态检测研究∗

王磊磊 张嵩阳 王 枭 张光明 王广周 王东晖

(1 国网河南省电力公司电力科学研究院 郑州 450001)

(2 上海睿深电子科技有限公司 上海 201108)

0 引言

变压器作为电力系统中电力传输与分配的核心设备，其运行的健康状况直接影响到整个电网的安全稳定运行[1−2]。变压器在运输、使用过程中出现的碰撞、挤压和长时间工作等都会导致绕组松动变形，从而影响变压器工作性能[3−5]。因此，及时有效地检测出变压器绕组松动故障，对于保证变压器和电力系统的正常运行具有重要的意义。

在变压器绕组状态监测方法中，油中溶解气体分析法(Dissolves gas analysis, DGA)是应用最早的方法之一[6−8]。其原理是采集油浸式变压器在不同工况条件下冷却油中的气体含量进行监测绕组状态[9]。富强等[10]通过分析变压器绕组状态实例证明了DGA 方法在变压器绕组状态监测中的可行性。孟建英等[11]通过变压器绕组故障综合试验方法，发现通过DGA 方法，并结合绕组电容量试验和低电压空载试验进行综合分析，可有效监测变压器绕组状态。虽然DGA 方法在变压器绕组状态监测中取得了不错的成果，但DGA 方法存在采样周期长和只适用于油浸式变压器等不足，限制了其应用范围和效率。

针对变压器DGA 方法的不足，很多学者建立了基于变压器振动信号的变压器绕组状态监测方法。程锦等[12]通过分析不同时刻变压器振动信号数据的差异以判断变压器绕组松动状态。周宇等[13]借助变压器绕组振动机理，研究了在不同预紧力状态下变压器绕组松动缺陷值与绕组预紧力之间的关系，并通过此关系实现了良好的绕组状态监测效果。李阳海等[14]通过测量不同预紧力状态下的变压器的振动信号，利用3 种常用的信号处理方法对振动信号进行预处理以提取能量熵特征，并将提取的特征用于变压器绕组状态监测，研究结果表明可以有效地检测绕组状态。虽然基于振动信号的变压器绕组状态监测方法有效地避免了DGA 方法的不足，然而在信号采集方面，需要将振动传感器与变压器壳体接触，给传感器的安装与维护带来一定不便。

变压器声信号的采集是一种非接触式测量，只需将声传感器布置在变压器周围，不会干扰变压器的正常工作，能有效地克服振动信号采集带来的不足。变压器声信号不仅采集过程简单方便，而且包含了大量的关于变压器运行状况的信息，逐渐成为近年来研究的热点。有经验的工人能够利用听觉来判别变压器是否出现异常，主要是因为听觉系统在噪声背景下的声音识别具有优异的性能。能否将听觉系统引入变压器绕组识别，以提高复杂环境下的变压器绕组识别准确率，是非常值得探索研究的内容。王丰华等[15]通过建立的基于改进梅尔频率倒谱系数和矢量量化算法的变压器声纹识别模型对变压器绕组松动状态进行检测，结果表明识别率达到90%以上。耿琪深等[16]依据人听觉系统优异的声音识别能力，提出了一种基于Gammatone 滤波器倒谱系数和鲸鱼算法优化随机森林的变压器绕组松动状态声监测方法。邵宇鹰等[17]也通过人耳听觉模型对变压器声信号进行预处理，并提取生理特征以用来对变压器绕组松动状态进行检测。上述研究进一步证明基于听觉系统的变压器状态监测方法的可行性。但上述所用模型主要基于早期的听觉模型，没有考虑耳蜗内的外毛细胞。而外毛细胞的主动放大机制对微弱声信号的感知至关重要[18]。

针对上述问题，本文提出将考虑外毛细胞的听觉外周模型运用于变压器绕组识别之中。首先，对采集的变压器声信号进行去均值和消除趋势项的处理；然后，预处理后的声信号经过听觉外周模型处理生成听觉谱，并对听觉谱提取多种统计特征；最后，将不同特征融合成为特征向量，输入到遗传算法优化的支持向量机进行煤矸识别。研究结果表明，本文所提出的基于听觉模型的煤矸识别方法实现了较高的识别准确率。

1 变压器绕组状态识别流程

变压器运行过程中，经验丰富的工人主要根据变压器产生的声音来检测变压器是否出现异常[16]。与传统的针对信号进行处理的方法不同，人耳是根据声信号的听觉特征进行状态识别的。为了将听觉系统在复杂背景噪声环境下的优越识别性能引入到变压器绕组识别中，本文提出了基于变压器声听觉谱特征的模式识别方法，具体流程如图1所示。

图1 变压器绕组松动识别流程Fig.1 The process of transformer winding looseness recognition

该识别方法主要由信号获取、特征提取和变压器绕组状态识别3 个过程组成。信号获取阶段，首先通过测试传声器采集不同程度变压器绕组松动的声信号；再将采集的声信号进行去均值和消除趋势项的预处理，以减少信号采集环境和传感器性能对所采集信号准确性的影响。特征提取阶段，将预处理后的声信号输入到听觉外周模型，经过中耳滤波器滤波、基底膜模型选频、外毛细胞模型放大和内毛细胞模型换能作用后，产生内毛细胞电压信号，实现多个特征频率听觉信号的提取，以此构成听觉谱，并在听觉谱的基础上提取多类统计特征。变压器绕组状态识别阶段，先进行单个特征的识别测试，以验证提取特征有效性；再融合不同的统计特征构成最优融合特征，使用遗传算法优化的支持向量机进行分类，以进一步提高识别准确率。

2 信号获取

2.1 信号采集试验

本文通过采集变压器绕组松动故障样本来验证所提出混合系统的有效性。测试对象是一台型号SC 800/10 的干式变压器。为了减少周围噪声对测试样本的干扰，测试地是半消声实验室。测试条件是通过控制绕组预紧力来模拟绕组不同程度的松动情况，以采集变压器在20%、60%、100%和140%预紧力工作条件下的声音样本。变压器声信号测试系统如图2 所示，参照标准GB/T 1094.10–2003《电力变压器第10部分：声级测定》，将声传感器布置在离变压器1 m 的轮廓线上[19]。测试时，变压器工作发出的声音通过声传感器传入数据采集仪中。数据采集仪和笔记本电脑之间通过采集软件相连，将采集的声音样本保存为分析软件可读的通用型文件，以便进行后续的分析处理。

图2 变压器声信号测试系统Fig.2 Transformer acoustic signal test system

2.2 预处理

信号在采集过程中，由于受到环境温度和传感器性能等影响，采集的声信号可能偏离其真实值，从而影响信号的准确性。本文使用多项式最小二乘法消除趋势项[20]。

设实际采集的声信号为x(k)，使用m阶多项式(k)拟合x(k)中的趋势项：

其中，N为采集信号的采样点数。

使x(k)与(k)的误差平方和E最小，以确定各待定系数αj：

若误差E存在极值，则应满足以下条件：

依次取E对αi的偏导，可得到m+1元线性方程组：

通过求解上述方程组可得到m+1个待定系数αj(j= 1,2,··· ,m+1)，其中m为设定的多项式阶次，设定不同的m可以得到不同的趋势项消除效果。

将采集的声信号分割为0.5 s 的长度进行分析，设置多项式阶次m= 3，经过去均值和消除趋势项后两种工况时域波形如图3所示。

图3 预处理后的时域波形Fig.3 Time domain waveform after preprocessing

3 听觉谱获取及特征提取

人耳听觉外周具有声信号前处理功能[21−22]，通过其基底膜选频特性、外毛细胞主动放大功能等对不同频带的子带声信号进行非线性增益，在背景噪声下具有强鲁棒性[23]，有利于变压器故障识别特征的提取。为此，首先采用听觉外周模型对变压器声信号进行前处理，构建听觉谱；再在听觉谱基础上进行特征提取。

3.1 听觉谱获取

利用听觉模型可以模拟人耳的听觉系统，实现对声音分析处理，得到的分析结果称为听觉谱。为实现对变压器声信号的分析处理，本文在Zilany等[21]提出的单一特征频率的听觉外周模型的基础上，建立了多特征频率的听觉外周模型，模型结构如图4 所示。该模型实现了中耳滤波器，模拟耳蜗基底膜选频特性的滤波器C1、C2，模拟外毛细胞对基底膜主动反馈功能的前馈控制路径和内毛细胞模型这5部分的建模。

指定特征频率CF 之后，将预处理后的声信号输入听觉外周模型进行处理。其具体过程如下：首先，中耳滤波器对声信号中不同频率成分进行不同程度的放大或衰减；然后，将其输入基底膜模型获取特征频率处的声压成分，并且在此过程中基底膜模型不断受到外毛细胞模型的主动反馈作用；最后，使用内毛细胞模型将声压转化电压，即可实现对给定特征频率处听觉信号的提取。该模型仅提取了单一特征频率处的听觉信号，而变压器声信号包含多个频率成分，因此需要对采集的声信号进行多特征频率分析，以构成听觉谱。由于变压器噪声信号在频域上是连续变化的，且同一临界频率带内的声音特性差别不大，所以本文采用临界频率带划分标准进行频带划分[24−27]。同时，考虑到变压器声信号在100 Hz 及其倍频上分布较大的振动能量，在划分子带噪声信号时，在子带分割点上错开该频率，以保证子带信号分割的完整性。具体子带噪声信号划分标准如表1所示，在0～6390 Hz 的频率范围内，共划分了20个特征频率。

表1 子带噪声及其对应序号Table 1 Characteristic frequencies and their corresponding serial numbers

采集的声信号经过听觉外周模型的多特征频率分析处理后获得听觉谱，不同预紧力工况下的听觉谱如图5所示。由图5可知，不同预紧力工况下的变压器声信号经过听觉外周模型处理之后，各特征频率的听觉信号具有较大差异。一方面，随着预紧力的降低，听觉信号各频带的幅值有所升高，且高频成分幅值差异较大。另一方面，听觉信号能有效捕捉不同预紧力工况下变压器声信号的时域差异。

图5 不同预紧力声信号的听觉谱Fig.5 Auditory spectrum of sound signals with different preloads

3.2 特征提取

为获得表征听觉谱的特征向量，分别计算各特征频率听觉信号的7 类统计特征，将它们融合成为特征向量称为听觉谱特征(Auditory spectrum features, ASF)。上述听觉谱共包含20 个特征频率，则这7类统计特征计算方法如下：

(1)听觉谱能量(Auditory spectrum energy,ASE)，各特征频率听觉信号的能量Ei为

式(5)中，xi(k)为第i个特征频率所对应的听觉信号，N为第i个听觉信号采样点数。归一化听觉谱能量构成特征向量ASE：

(2)听觉谱能量熵(Auditory spectrum energy entropy, ASEE)，能量熵反映了能量在特征频率内分布的均匀性和有序性，能量熵越大表示听觉信号在该特征频率内类随机性越强。各特征频率听觉信号的能量熵ASEEi为

式(7)中，Ei为第i个听觉信号的能量。

(3)听觉谱能量矩(Auditory spectrum energy moment, ASEM)，能量矩表达了各特征频率听觉信号的能量大小及其分布特点，各特征频率听觉信号的能量矩ASEMi为

式(8)中，fs为声信号采样频率，Hz。

(4)听觉谱功率熵(Auditory spectrum power entropy, ASPE)，功率熵可以对各特征频率听觉信号的频域能量的不确定性和复杂性进行量化和表征。计算方法如下：

对各特征频率的听觉信号进行傅里叶变换得Xi(.ω)并求其功率谱Pi(ω)：

(5)听觉谱偏度(Skewness)，偏度反应了各特征频率听觉信号分布的偏移方向和程度，定义为

式(11)中，µ和σ分别是听觉信号的均值和准差。

(6)听觉谱峭度(Kurtosis)，峭度是描各特征频率听觉信号的波形峰度的无量纲参数，定义：

(7)听觉谱奇异值(Auditory spectrum singular value, ASSV)，奇异值表示矩阵的固有特征，可以反映矩阵所含的信息，使用奇异值分解可以将高维的听觉谱压缩为低维的奇异值特征向量。设听觉谱A是M ×N矩阵，对其进行奇异值分解：

其中，U和VT分别是M×M和N×N的矩阵，S=diag(σ1,σ2,··· ,σr)且σ1≥σ2≥···≥σr≥0，则σ1,σ2,···,σr为听觉谱A的奇异值。

4 变压器绕组状态识别

4.1 单类特征识别试验

特征提取之后获得数据集，其中包括不同预紧力样本各100 个，将每类样本划分为70 个训练样本和30 个测试样本。由于数据集样本数目有限，因此选取适用于小样本分类问题的支持向量机作为分类器。为实现听觉谱特征的非线性分类，选取径向基函数作为核函数进行支持向量机的建模：

其中，γ为核参数，u和v为径向基函数的输入向量。支持向量机中的惩罚因子c和核参数γ使用遗传算法寻优[22]，并使用五折交叉验证确定参数，遗传算法优化的支持向量机各项参数设置如表2所示。

表2 遗传算法优化的支持向量机参数设置Table 2 Parameters setting of support vector machine optimized by genetic algorithm

为验证提取的7 类特征对垮落煤矸识别是否有效，首先使用上述支持向量机对单个特征进行分类识别试验，每类特征进行20 次试验，记录下每次试验的识别准确率并求其平均值，得到如表3 所示的单个特征平均识别准确率。

表3 单个特征的平均识别准确率Table 3 Average recognition accuracy for a single feature

由表3 可知，基于听觉谱提取的单个特征已经实现了较高的识别准确率，其中听觉谱的能量、能量熵和能量矩识别准确率均在85%以上，证明听觉谱特征为有效识别特征。

4.2 融合特征确定

为进一步提高识别准确率，本文中把这7 类特征随机融合成为特征向量，输入到支持向量机进行分类，每组特征向量进行20 次试验，记录下每次试验的识别准确率并求其平均值。经过次试验之后，得到识别准确率随融合特征数目变化曲线，如图6所示。

由图6 可知，融合特征后的煤矸识别准确率均高于单个特征的识别准确率，且随着融合的特征数目增加，识别准确率呈现先增加后减少的趋势。当融合3 类特征时，识别准确率达到最大值为97.64%，此时融合的3类特征分别为：听觉谱能量、功率熵和峭度。当融合的特征数目超过3 个之后，识别准确率开始下降，这是由于当输入特征维度增加到一定程度后，随着维度的增加，可能会引入原始听觉信号的一些次要关系、噪声和冗余信息，进而影响识别准确率。

图6 识别准确率随融合特征数目变化曲线Fig.6 Variation curve of recognition accuracy with the number of fusion features

4.3 方法对比

为验证所提方法优越性，将本文所提方法(ASF)与传统的基于时域、频域和时频域提取特征的方法进行比较。对比试验中，提取一类时域特征：峭度(Kurtosis)；一类频域特征：谱质心(Spectral centroid, SC)；两类时频域特征：基于经验模态分解的各固有模态分量的能量(Spectrum energy of intrinsic mode function based on empirical mode decomposition, SEI)、希尔伯特能谱熵(Hilbert spectral entropy, ESEH)；常用的声音识别特征：梅尔频率倒谱系数(Mel-Frequency cepstral coefficients, MFCC)、分形盒维数(Fractal box dimension, FBD)。各对比方法所使用训练集与测试集与本文所提方法相同，训练集包括两种工况样本各70 个，测试集各包括30 个，使用支持向量机进行分类，得到各种方法的识别准确率如图7所示。

图7 不同特征参数的识别准确率对比Fig.7 Comparison of recognition accuracy with different feature parameters

由图7可知，在传统特征提取方法中，时频域特征识别准确率显著高于时域和频域特征，最高达到81.43%，这是因为变压器声信号为非平稳信号，单纯的时域特征或频域特征都不能完整地表征采集信号的信息，而时频域特征可以弥补这一缺陷，从而实现了更高的识别准确率。MFCC 也实现87.14%的识别准确率，且该特征也考虑到了某些听觉特性，这也从侧面说明了听觉系统在声信号识别方面的优势。虽然上述两种特征在变压器绕组松动识别时表现出优异的性能，但是它们的识别准确率仍然低于本文所提的基于听觉谱的特征。与时频域特征相比，听觉外周模型在处理信号时体现出基底膜的选频特性，实现了信号在不同频率段的分解，类似于一种时频分析方式，因此提取的特征信息全面；与MFCC相比，听觉谱特征实现了更高的识别准确率，可能与听觉外周模型考虑了锁相特性和外毛细胞的主动放大机制等更多的听觉特性有关。

5 结论

本文提出了一种基于听觉谱特征的变压器绕组松动识别方法。通过试验测试，得到如下结论：

(1)不同预紧力工况的变压器声信号经过听觉外周模型处理后，得到听觉谱具有显著差异，高预紧力状态下的听觉谱峰值分布于低频，低预紧力状态下的听觉谱峰值分布于中高频；

(2)听觉谱特征为有效识别特征，单个听觉谱特征即可实现较高的识别准确率；通过融合听觉谱的能量、功率熵和峭度这3类特征，可将识别准确率进一步提高到97.64%；

(3)通过将本文所提方法与传统方法进行比较，发现基于听觉谱的单个特征和融合特征的识别准确率均高于传统的时域、频域和时频域特征，这证明了该方法更具有优越性。

受试验条件限制，本文的研究工作基于一台变压器，即训练数据与测试数据来自于同一台变压器。后期将在该工作的基础上，增加同型号变压器的故障模拟试验，研究所提算法在非训练同型设备上诊断性能。