基于声纹电力在线监控系统的电厂电力设备运行状态研究

肖毓增 杨胜仪 陈文清 林东彪

（福建华电福瑞能源发展有限公司池潭水力发电厂）

0 引言

池潭水电厂位于闽西北泰宁县池潭村，是金溪流域梯级开发的第一级水电站，电厂于1980年10月建成投产，是福建电网的骨干电厂。

本项目研究适用于大型电力变压器声纹信号采集的在线监测传感器，开展现场运行环境下声纹语料样本收集，记录不同结构形式、负荷状态、温度环境等因素下的声纹信号，建立设备正常运行状态下的标准声纹库，实现变压器音频信号的特征提取，构建基于声学指纹的大型变压器异常识别模型；提出考虑设备运行工况下的声纹识别和缺陷预警方法，开发“端-边-云”一体化的主变压器声纹在线监测及故障诊断系统，并在典型应用场景进行试点应用，提高在线监测系统主动预警和智能决策水平。

近年来，随着电厂设备不停电检测技术（带电检测、在线监测）的不断完善，部分以前必须通过例行停电试验获取的设备关键状态量，现在可以通过不停电手段获取，大幅度减少停电时间［1］。同时可以提高关键状态量获取的及时性，有利于提前发现设备隐患。考虑到供电可靠性及检修、试验人员的作业安全以及检修成本和运检人员的承载力，基于不停电检测的状态检修将更适应未来智能运检工作的需要［2］。

通过不停电检测工作的开展，发现了大量设备潜伏性缺陷，现有检测方法及检测维度对变压器绕组变形、直流偏磁等直接或间接引发的设备机械缺陷不能及时做响应，它们的检测和诊断方法也越来越受到公司各单位的重视；而与此同时，声音、振动作为机械信息的直接载体，其特征量的状态识别技术在军工领域、桥梁监测、爆破实施、航空航天、铁路监测等领域都有广泛应用，而该技术的成熟和推广为上述电厂主设备的状态评价与机械缺陷的诊断提供了有效的技术手段［3-4］。

人工智能技术的发展又给基于声纹检测的电厂主设备智能诊断提供了前所未有的机遇。基于深度学习的信号识别模式相比传统的信息处理模式拥有更多层的非线性变换，更适合解决电力设备中复杂的非线性问题；在表达和建模能力上更加强大，能灵活高效地处理海量复杂声纹信息的同时，提供更加准确和智能的判断结果。

项目依据国家有关标准以及国网公司相关规范，充分利用和整合现有资源，在设计、建设过程中充分考虑日后运维的便利性和成本。在设计中遵循先进性原则实施。

1 声纹学习的涵义

终端层：部署声纹采集装置，实现变压器运行声纹的高精度采集。

边缘层：将主变压器声纹指纹大数据中心的算法模型下沉到变电站，并通过接口实时调用声纹采集装置采集的音频信息，进行声纹初步诊断，同时边缘智能服务提供公共的接口，向边缘物联代理平台等其他业务系统实时提供诊断信息，也可将初步诊断信息实时传输至声纹数据中心。

云平台层：开展算法的训练迭代和标准样本库的建设，同时提供声纹识别算法的应用能力，同时提供变压器状态信息等可视化界面。

2 系统架构及功能

（1）将变压站产生的噪声信号进行预处理，在对噪声信号进行分帧时，为保证相邻两帧信号间的连续性，考虑重叠的信号分帧关系可表示为：

其中，M为帧数；n为噪声信号长度；L为帧长；b为重叠率。

（2）预处理后信号需进行离散傅里叶变换，对每个分帧信号先施加汉明窗再变换，以增加信号两端连续性，从而减小傅里叶变换造成的失真现象。

（3）提取MFCC特征向量，基于Mel频率域的倒谱系数，根据分帧信号分别求取特征向量，组成特征向量组，其中，Mel频率是根据人听觉感知特性变换的频率域：B（h）＝2595 lg（1h／700）。

（4）通过分帧信号对应的特征向量，从而得到信号滤波后得到的相应参数：

其中，p为滤波器个数，mi为信号经滤波后可得到p个参数，N为FFT点数；X（k）为预处理后分帧信号的FFT；Hi（k）为滤波器参数。

其中，f［i］为三角滤波器中心频率。

（5）计算得到mi后，对其取对数，并进行离散余弦变换，计算得到的c（i）即为分帧信号的MFCC特征向量；

（6）在分析变压器的噪声信号时，PCA算法对计算得到的高维MFCC特征向量，进行降维精简，PCA算法如下：

1）设有e个特征向量组成矩阵G，每个特征向量的维数为h，则G可以表示为：

2）计算G的相关矩阵R，为：

据此计算出相关矩阵R的特征值λ1，λ2，…，λh和对应的特征向量u1，u2，…，uh。

3）计算方差贡献率ηi和累计方差贡献率η（l），为：

通过上述算法得到声纹监测故障类型属于何种数据故障模型。

本发明的技术效果在于：声纹电力在线监控系统集AI+物联网+5G为一体，响应了国网提出的泛在电力物联网的号召，并且提供了电力设备在线检测的新的有力手段，目前可以对变压器，开关柜，电抗器母线等主要设备提供24h在线检测，主要对变压器的各种故障状态及时预警，并实时显示在监控中心大屏幕和巡检人员的手机APP上，对非正常状态的故障现象进行人工智能的深度学习，为运检人员提供设备全生命周期的变化监测曲线，为正确运检决策做出辅助研判，提高工作效率，提升信息化管理水平。

3 软件架构

边缘计算网关：边缘计算网关内接受来自采集器的音频数据，推入队列，并执行如图1所示流程。

图1 边缘计算网关流程

分析服务端：通过RESTApi接收到音频文件和网关信息后，执行流程如图2所示。

图2 分析服务端流程

4 软件部署

边缘计算网关软件部署如图3所示。

图3 边像计算网关软件部署

图4 分析服务端运行环境

分析服务端运行环境图如4所示。

研究主流声学传感器的感知机理，比较不同传感器的灵敏度、频率响应、输出阻抗、动态范围等性能参数，提出适用于强电磁干扰环境下的声学传感器选型建议；研究声学传感阵列差异化分布模式，比对传感器不同布置方案、网络节点不同分配模式下的采集效果差异；研究掌握多目标声源下的有效声音增强技术和降噪算法，优化前端信号处理技术，获取目标主音源高质量声学指纹信息［5］。

根据声学传感器选型建议和现场实测环境需求，确定声学传感器类型、数量、放置方式和网络分配方案；集成多目标声源下的有效声音增强技术和降噪算法，完成采集装置硬件设计和软件开发环境部署，优化软件系统信号采集、数据存储、数据分析等功能模块；提升采集装置性能指标，在现场运行环境开展采集装置功能验证［6-8］。

声纹监测系统算法及故障模型具体如下。

（1）传感器部署方案研究。

拾音器采用磁吸式安装，根据变压器底部矩形长3短1均匀布置。采集器与拾音器之间用音频线连接，音频线与电源线同步布线，如图5所示。

图5 传感器部署方案

（2）声纹监测系统算法。

我司推出的Cm fmc2.0引擎电力版基于MFCC特征向量进行加权降维优化，并应用矢量量化算法对变压器噪声信号进行识别，获得较高的识别准确率和效率，系统准确率达到95%以上。变压器声纹识别方法识别流程如图6所示。

图6 变压器声纹识别流程

在声纹识别中，由于语音信号具有短时稳定性，为准确提取其特征向量需对信号进行预处理，变压器稳态噪声信号同样具有短时稳定性，也需进行信号预处理，但变压器噪声信号与语音信号特性不同，因此预处理方法也不同。

5 结束语

随着我国电厂建设运行的发展，电力设备运行管理水平提高，在智能化技术应用中深度学习算法体现出了较大的优势，将其与电力设备运行管理结合起来可发挥出有效的作用。可借助声纹监测系统算法来进行电力设备运行状态检测，比如工业诊断拾音器平台为基础的技术进行变压器绕组变形、直流偏磁等直接或间接引发的设备机械缺陷等在线检测，还可应用嵌入式平台来实现目标。通过对声纹监测系统算法的有效应用，可使电厂的电力设备运行得到全面的保障。