基于声纹特征识别的电力变压器运维检测技术研究

向志昊，魏华

（国网铜川供电公司，陕西铜川 727031）

电力变压器是电力系统中实现电压转换、能量传输的关键设备。若变压器发生故障可能会导致大面积停电，从而引发电力系统解列崩溃，甚至造成爆炸、火灾等重大安全事故，并威胁人们的生命财产安全。因此，对电力变压器进行健康评估及运维检测具有重要意义[1-2]。

电力变压器的运行环境复杂，其运行状态受电、湿、热与机械应力等多种因素的影响[3-4]。传统的电力变压器状态监测主要通过对电压电流、温湿度、振动及热辐射等信号进行采集，再综合分析与评估其健康状态[5-6]。但电力变压器的声纹信号也蕴含着大量的运行状态信息，因此可通过对声纹特征加以分析进而及时发现其缺陷状态[7-8]。随着人工智能技术的发展，声纹识别技术已由传统的人耳声音辨识，拓展应用到照明、测井及工业自动化设备的状态识别等领域[9-11]。若将声纹识别技术应用于电力变压器的状态监测，便会增加一种有效的监测手段，进而有利于保障其安全、稳定工作。

针对此，文中利用声纹识别技术进行电力变压器状态监测，以实现对典型缺陷状态的精准识别，且进一步提升电力变压器运维检测工作的智能化水平。

1 电力变压器声纹特征构建

为了将声纹信号转为人工智能算法能够计算与分析的结构化数据，需对电力变压器声纹信号进行预处理。通常，使用梅尔频率倒谱系数（Mel Frequency Cepstral Coefficients，MFCC）来表征声纹信号的频率特征[12]。电力变压器声纹信号的MFCC 特征构建流程如图1 所示[13]。

图1 MFCC特征构建流程

1）预加重。由于变压器声纹信号中的高频部分较弱，为了使该信号在频谱上显得更为平坦，故需在原始声纹信号上叠加一个高频滤波器，则其传递函数可表示为：

式中，H(z)为高频滤波器的z传递函数；α为预加重权重，其取值范围为(0.9,1)。

2）分帧加窗。分帧加窗操作是为了将连续不平稳的声纹信号分为多段短时平稳信号，以便后续的处理操作。同时，为保证相邻声纹帧之间的连续性，相邻两段的声纹帧应存在一定的重叠部分。该操作是利用窗函数与原始声纹信号相乘，计算公式如下：

此处窗函数采用了汉明（Hamming）窗，该函数表示如下：

式中，N为汉明窗长度。

3）快速傅里叶变换（Fast Fourier Transform，FFT）。将经过预处理后的多段声纹帧时域信号利用FFT 转化为线性频谱信号，其计算公式如下：

4）Mel 滤波器组。梅尔频率倒谱系数是基于人类对声纹信号频率的感知呈对数关系而建立的对应特征提取参量体系。采用MFCC 系数对声纹信号进行处理，可减少高频信号对特征提取的干扰，从而提高对低频信号的敏锐程度。

Mel 频率与声纹信号赫兹频率的转化关系如下所示：

式中，f为实际赫兹频率；q为变换后的Mel频率。

式（5）的逆转换函数如下：

Mel 滤波器组由D个三角滤波器构成，第d个滤波器的传递函数如下：

式中，x(d)为中心频率，可表征如下：

式中，fmax和fmin分别为Mel 滤波器组滤波频率范围的上下限；fs则为电力变压器声纹信号的采样频率。

5）lg 对数能量。为提高系统对声纹信号特征提取的鲁棒性，通常先对频谱信号求平方后，再将其作为Mel 滤波器组的输入。然后对输出的Mel 频谱取对数，从而将实际线性频谱转换为对数梅尔频谱，具体计算公式如下：

6）离散余弦变换（Dual Clutch Transmission，DCT）。进一步将对数梅尔频谱进行离散余弦变换，最后再输出MFCC 系数：

7）MFCC 特征。MFCC 参数仅能反映变压器声纹信号的静态特征，为了提高系统对声纹特征的识别能力，有必要将其与声纹信息的动态特征相结合。因此，MFCC 特征矩阵通常由自身参数叠加其一阶、二阶差分参数，差分的具体计算方式定义如下：

式中，dt为一阶差分参数，Ct为MFCC 参数，T为求取导数的时间差。

2 电力变压器异常检测算法设计

该文提出了基于深度置信网络（Deep Belief Network，DBN）和支持向量数据描述（Support Vector Data Description，SVDD）的电力变压器缺陷状态识别算法，其具体流程如图2 所示。首先对电力变压器声纹信号进行预处理，并构建MFCC 声纹特征；然后将其作为DBN 网络输入，完成对深度声纹的特征提取；最后再将该特征作为SVDD 算法的输入，以实现对电力变压器缺陷状态的精准识别，从而为其运维及检测提供技术指导。

图2 基于DBN-SVDD电力变压器缺陷识别算法流程

2.1 DBN模型

DBN 模型在传统神经网络的基础上加深了网络层次，由三层受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）构成的典型DBN 模型结构如图3所示[14]。

图3 DBN模型结构

2.2 SVDD算法

SVDD 算法是一种数据处理分类方法，其与支持向量机（Support Vector Machine，SVM）算法类似[15-16]。该方法的核心思想是构建一个超球体对数据样本进行描述，并将球面作为分类界限，而位于球面上的数据样本则为支持样本。SVDD 算法通常可用于异常数据的检测与数据样本的分类。

假设有一个包含M个样本x1,x2,…,xm,…xM的数据集，其所构建超球体的球心为c，半径为R。为减少数据集中异常样本对构建超球体的影响，因此允许出现一定的偏差，故引入松弛变量ξm及惩罚权重参数λ。所构建的超球体可描述为以下寻优问题：

在式（12）的基础上引入Lagrange 因子，并构建Lagrange 函数：

式中，μm与νm为Lagrange 因子，且μm≥0、νm≥0。

在式（13）两边分别对R,c,ξm求偏导，令其等于零，则可得到：

根据式（16）与μm≥0、νm≥0 可以得到λ≥0，由此便可将式（12）转化为对偶问题：

由此可以得到超球体半径为：

其中，xq为支持样本。对于数据集内的其他样本，其与球心c的距离为：

因此，当||z-c||2≤R2时，数据样本在超球体内部；而当||z-c||2＞R2时，数据样本则在超球体外部。

3 算例分析

该文采用实验室获取电力变压器声纹信号作为数据样本，其结构如表1 所示。该样本包括7 个缺陷类别共8 000 条数据，其中20%的数据作为测试样本，剩下的数据则作为训练样本[17-19]。

表1 数据样本结构

3.1 DBN模型超参数优化

DBN 模型中的超参数对于算法的计算速度、预测准确率等性能至关重要。文中针对批尺寸（Batch Size）、学习率这两个超参数进行优化，以实现最优的缺陷识别效果。不同批尺寸下的算法性能如表2所示。

表2 不同批尺寸下的算法性能

从表中可以看出，当批尺寸为128 或256 时，算法的计算速度较快但准确率偏低；当批尺寸为32 或64 时，算法准确率均可达到100%；且当批尺寸为64时，其计算速度也较快。因此综合考虑计算速度及准确率两个方面，最终选择的批尺寸为64。不同学习率下的算法性能如表3 所示。

表3 不同学习率下的算法性能

可以看到，当学习率为0.1和0.01时，算法的训练误差较大，准确率较低；当学习率为0.001 和0.000 1时，算法准确率均达到了100.0%。且当学习率为0.001 时，算法的平均训练误差仅为2.23×10-6，小于学习率为0.000 1 的情况。综合考虑训练误差及准确率，故选择的学习率为0.001。

3.2 不同算法性能对比

为验证所提算法的准确性和有效性，该文选择SVDD 及BPN-SVDD 算法作为对照组进行了实验。前者直接将MFCC 特征作为SVDD 算法的输入，后者则采用BP 神经网络对MFCC 特征进行处理，以实现对声纹深度特征的提取。不同算法的缺陷识别结果，如表4 所示。

表4 不同算法的缺陷识别结果

由表4 可知，所提DBN-SVDD 算法对于电力变压器缺陷类型具有较好的识别率，平均识别准确率可达97.94%。而BPN-SVDD 算法平均准确率则为90.68%。这是由于BPN 模型网络的层次较浅，因此未能充分挖掘深层次的声纹特征。而当采用SVDD算法时，算法的平均准确率仅为85.03%，原因是其直接将声纹的MFCC 特征作为SVDD 算法输入，并未对声纹特征进行深度提取。

3.3 应用效果分析

为验证该文算法的实际应用效果，将其应用于某省电网电力变压器的运维检测。2021 年度共发现电压器缺陷次数达735 次，不同缺陷类型的分布如图4 所示。可以看到，绕组变形、铁芯松动和过负荷的缺陷占比较高，均超过了20%。因此在对电力变压器的运维检修中，可重点针对这三类缺陷类型展开分析。

图4 不同缺陷类型分布图

4 结束语

文中利用电力变压器声纹信息，结合人工智能算法实现了对电力变压器缺陷状态的识别。通过仿真算例表明，当批尺寸为64 且学习率为0.001 时，该算法在计算速度、训练误差与识别准确率方面均能达到最优。而与SVDD 和BPN-SVDD 算法相比，其缺陷识别准确率也更高。此外，通过在某省电网的实际应用中发现了绕组变形、铁芯松动及过负荷三类缺陷的占比较高，这对运维检修工作能够提供辅助，但所提算法仅能实现缺陷类型的识别，而无法对缺陷位置进行精准定位，这将在后续的研究中展开。