基于CNN的变压器异常状态声纹识别方法研究

李传珠

（海南金盘智能科技股份有限公司）

0 引言

在电力电网当中，变压器是最为重要的一个部件，具有结构复杂、成本高等特征，若是发生故障，不但很难恢复，还会造成巨大的经济损失，所以，有效识别变压器的异常状态至关重要［1］。变压器在运行的过程当中，在机械应力与电磁力等的作用下，其内部结构会产生振动而发声，同时产生包含大量关键信息的声信号，利用这些声信号，能够有效判断变压器的各种异常运行状态。其中，直流偏磁是最为常见的一种变压器异常运行状态，当变压器励磁绕组当中产生直流分量时，会使变压器铁心出现相应的直流磁通，继而导致铁心磁通出现半波饱和而失衡的现象，并增加了励磁电流畸变后谐波的含量，大幅度提升铁心的温度，最终导致变压器的振动噪音扩大。一旦产生直流偏磁现象，变压器的绝缘会受到破坏，缩短其使用寿命［2］。相比于正常运行状态而言，在直流偏磁的状态下，变压器的声纹特性具有明显的差异性，所以，采取声纹识别方法来判断变压器的直流偏磁异常状态具有一定的可行性。

1 直流偏磁对变压器的影响

1.1 产生大量谐波

变压器一旦产生直流偏磁的问题，就会导致其工作区域的部分磁化曲线向饱和区域当中进行偏移。变压器正常运行时，其绕组励磁电感为常数，而当在直流偏磁状态下运行时，其励磁电感会随着励磁电流的变化而发生变化，影响电压的稳定性，增加励磁电流当中的谐波含量。

1.2 增加铜耗和铁耗

直流偏磁会增加变压器当中的励磁电流，从而间接增加变压器的铜耗。同时，一旦励磁电流流入饱和区域当中，就会急剧增加变压器的漏磁，从而导致变压器油箱出现涡流损耗的情况，并且绕组当中的直流分量会不断加大，最终增加变压器的铁耗。

1.3 增大噪声

变压器当中的绕组与铁心振动会导致其产生噪声。变压器在直流偏磁运行状态下，其工作磁通会相应的增加，从而增大变压器的铁心磁致伸缩率，使铁心振动频率加剧，最终增强其声音信号。以下为变压器铁心的振动加速度计算公式：

其中，a表示铁心振动的加速度；ΔL表示磁致伸缩导致铁心尺寸发生改变的具体量；L表示铁心的具体尺寸；Ni表示绕组匝数；S表示铁心主磁通垂直通过铁心表面的具体面积；Bs表示铁心硅钢片在饱和状态下的磁通密度；εs表示硅钢片饱和磁致伸缩率；U0则表示电压幅值。

根据式（1）可以得知，在直流偏磁的现象下，改变了变压器铁心的振动特征，使其振动信号当中产生大量高次频率分量，同时，随着直流分量的不断增加，这些频率分量也会增加。所以，在直流偏磁现象下，变压器的声信号特性与其在正常状态下存在着较大的差异，故能够采取声纹识别对变压器的直流偏磁现象进行有效的判断。

2 直流偏磁试验描述

选取2台500kV变压器作为试验对象，将麦克风放置于变压器外1m左右。变压器直流偏磁试验电路如图1所示。

图1 变压器直流偏磁试验图

其中，T1与T2表示并联的测试变压器；T3表示调压器；uAC表示外加电压源；E表示直流源；R表示可调电阻；C表示保护电容。

两台变压器在额定电压条件下进行并联空载运行，利用高压侧反向串联将变压器二次侧感应电压消除掉，对滑动变阻器进行调节，以此使引入其中的直流电流发生变化。为了防止出现麦克风所收集的声信号为两台变压器综合声音的情况，在采集过程当中，将其中一台变压器做隔音处理。在本试验当中，采取10240Hz的采样频率及WAV的录制格式，分别采集了0A、1A以及1.8A直流电流的声音信号，具体结果如图2～4所示。

图2 直流电流为0A时的声信号频谱图

图3 直流电流为1A时的声信号频谱图

图4 直流电流为3A时的声信号频谱图

对三种情况下的声音信号频谱图进行比较发现，直流偏磁改变了变压器的频谱分布特征。首先，高次频率分量急剧增加，并随着直流分量的增加而增加；其次，比正常工况下的低频信号占比更小。

3 基于CNN的变压器声纹识别方法分析

3.1 CNN声纹识别算法框架

在当前的深度学习网络架构当中，应用最为广泛的就是卷积神经网络（Convolutional Neural Networks，CNN），其常用于局域空间特征提取，在自然语言识别以及图像处理方面效果显著［3］。

CNN声纹识别模型结构如图5所示，其描述了基于CNN的变压器声纹识别算法框架。将所有输入的声音样本求取特征系数，并转化成为二维特征图，按照具体的比例将其分为验证集与训练集，通过训练集塑造分类模型。在训练出一定数量的模型后，逐个利用这些模型来预测验证集当中的数据，将所有模型的具体识别率详细记录，从而比较出最佳模型，最后测试其识别分类的具体性能。

图5 CNN声纹识别模型结构图

3.2 试验验数据处理

在开展神经网络的训练之前，先要处理好声音信号。首先，分别对直流偏磁在0A、1A、1.8A直流电流信号时的音频文件进行切割，将其转化为多个3s的音频文件，并采取MFCC和CFCC对声信号进行特征提取。继而将其随机平均分为训练集与测试集，分别用于训练模型与测试模型。为了防止出现过拟合现象，在本试验当中的声信号样本，都必须要进行随机排序之后才可以用于训练与测试。

3.3 CNN结构搭建

在对声信号数据集的特征与大小进行充分分析的基础上，设计出了可对变压器直流偏磁声信号进行有效识别分类的CNN网络结构，具体如图6所示。

图6 CNN网络结构

在CNN当中，其卷积过程当中的特征捕捉能力由卷积核的大小所决定。卷积核越大，其感知能力越强，但无限制地增加卷积核的尺寸，不但需要大量的成本，且所提升的网络识别性能是有限的。越小的卷积核越能够感知到更加细微的特征差异，且所需参数与计算量也更小。所以，本设计当中的卷积核选择3×3的尺寸，采用最大池化方法，也就是将3×3范围中的最大数据作为最终的输出结果。为了防止出现过拟合现象，在最终的全连接层当中实施Dropout操作，将部分神经元去掉，从而使网络结构更加稳定。

3.4 结果与分析

根据以上步骤，利用MFCC与CFCC特征参数，分别识别变压器直流偏磁声信号，比较分析两个参数的识别准确率，具体见表。

表 MFCC与CFCC识别准确率对比

由表可知，相比于MFCC特征参数，CFCC特征参数的识别准确率更高。在各个直流偏磁声信号当中，识别效果最好的为1.8A。大量研究表明，CFCC参数在人的语音识别方面效果更加明显，且抗噪声能力更强［4］。但是，变压器的声纹信号与人声存在较大的差异，在噪声环境下，MFCC参数与CFCC参数对变压器异常状态的识别能力的研究有待进一步加强。

4 结束语

本文利用直流偏磁试验对0A、1A、1.8A直流电流状态下变压器的声信号进行了采集，通过具体的频谱图显示可知，变压器一旦出现直流偏磁的情况，会改变其声纹特性，所以，通过声纹特性来识别变压器的直流偏磁现象具有可行性。继而构建了基于CNN的声纹识别模型，根据直流偏磁试验声音的特征，采用了最佳卷积核、测试集以及训练集，并对三种直流偏磁状态下变压器的声纹信号进行了识别，结果表明，MFCC特征参数与CFCC特征参数的识别准确率都较高，而CFCC参数的识别效果相对更佳。