基于多维时频特征的变压器故障声纹识别方法研究

唐冬来,李擎宇,龚奕宇,钟 声,陈泽宇,聂 潇

(1.四川思极科技有限公司,四川 成都 610047;2.国网四川省电力公司,四川 成都 610041)

0 引言

主变压器是变电站的核心设备,承担着变换电压、分配电能的任务。主变压器的安全、可靠运行对保障电网的安全、稳定运行具有积极意义[1]。主变压器设计复杂,尤其是新型换流变压器处于质量完善期,故障率高,若发生变压器故障将造成停电损失[2]。引发变压器故障的原因较多,而变压器故障状态采集技术能力偏低[3-5],关键隐患不能实时预警。

变压器故障识别方法主要分为停电检测和在线检测两类。停电检测法将变压器停电后,采用吊芯法观测绕组是否发生形变,或采用电容量测试法、短路阻抗法、频率响应曲线法来判断变压器是否存在故障[6-7]。但上述方法需停电试验,检验耗时长,不能及时发现变压器故障隐患。在线检测法通过变压器局部放电、变压器油溶解气体分析(dissolved gas analysis,DGA)等方法进行检查[8-9]。但上述方法仅对套管、油箱等故障识别率高,对绕组故障的识别效果差。

为解决变压器绕组故障检查难度大、识别准确率低的问题,本文提出了一种基于多维时频特征的变压器故障声纹识别方法。该方法对变压器声纹的声压、高频能量比重、奇偶次谐波幅值比等的时频特征进行了关联分析,从多个维度印证变压器是否存在故障,消除了单一维度辨识变压器故障的误差,提高了变压器故障辨识的准确性。

1 变压器故障声纹识别框架

基于多维时频特征的变压器故障声纹识别框架分为变压器声纹特征提取、变压器标准声纹比对和变压器故障声纹缺陷辨识三部分。变压器故障声纹识别流程如图1所示。

图1 变压器故障声纹识别流程图

由图1可知,在变压器声纹特征提取环境,通过安装在变压器机械结构连接处的振动传感器采集变压器的声音数据,并采用分帧法分离噪声数据后,进行变压器声纹特征提取。在变压器标准声纹比对环节,利用变压器交接试验和正常运行数据形成典型的变压器声纹库,并将其与当前的变压器声纹数据进行比对,以判断当前声纹是否存在异常。若存在异常,则为变压器故障声纹。在变压器故障声纹缺陷辨识环节,首先对变压器多维度的声纹时频域进行分析,然后计算各维度的信息熵值,最后形成变压器故障声纹辨识结果。

2 变压器故障声纹识别模型

2.1 变压器声纹特征提取

振动传感器将变压器运行的工程机械振动参量转换为电信号,并对其进行测量,从而获得变压器运行的机械振动特征。振动传感器的频率监测范围为5 Hz～30 kHz[10]。为确保变压器振动信号获取准确,在变压器多个机械连接处安装接触式振动传感器进行声纹提取。提取到的变压器声纹Ba为:

(1)

式中:na为变压器所安装的振动传感器数量;bsi为不同的振动传感器采集的变压器机械振动信号。

变压器振动传感器所提取到的信号主要包括变压器噪声、风机噪声、电晕噪声和环境噪声。其中,变压器噪声为50 Hz整数倍的稳定信号,频率范围在2 kHz内;风机噪声为2 kHz内的全频段信号;电晕噪声为宽频的短时脉冲信号;环境噪声为20 Hz～20 kHz的全频段信号。

通过傅里叶变换将振动传感器中的声音信号转换为频域信号Fa:

(2)

式中:τ为周期函数的时间;x(τ)为τ的周期函数;d为函数;σ(τ-t)为傅里叶变换中的窗函数;e-2πjkt为傅里叶变换中的复变函数。

变压器噪声数据分离采用分帧方式。在分帧后,两帧之间的噪声信号会存在重叠的情况。变压器噪声帧数Ga为:

(3)

式中:nc为变压器噪声数据的总长度;oa为分帧的长度;c为两帧信号之间的重叠率。

变压器噪声数据分离后的振动信号Fb为:

Fb={f1,f2,…,fnb}

(4)

式中:nb为变压器振动数据中50 Hz整数倍的上限;f1和f2分别为变压器振动数据中50 Hz的1倍与2倍。

梅尔频谱系数(Mel frequency cestrum coefficient,MFCC)是声纹识别领域的典型方法[11],具有声纹识别准确率高的优点。因此,本文采用MFCC提取变压器声纹特征。梅尔转换频率Ma为:

(5)

式中:d′为变压器振动频率。

经过滤波得到的变压器声纹Mb为:

(6)

式中:nd为傅里叶变换的点数;Gbi为不同的傅里叶变换后的变压器振动数据;δi为不同的声纹提取滤波器参数。

2.2 变压器标准声纹比对

变压器全生命周期声纹是变压器从出厂试验到退运的全过程的声纹数据。变压器全生命周期声纹包括变压器出厂试验声纹、交接试验声纹、正常运行声纹、设备异常带电检测声纹、故障停电检测声纹和故障试验声纹。

首先,将当前的变压器声纹与出厂试验声纹、交接试验声纹、正常运行声纹进行比较,以判断当前声纹与变压器正常声纹的失真度。若当前声纹与上述声纹的失真度大,则说明变压器存在故障。其次,将当前声纹与设备异常带电检测声纹、故障停电检测声纹和故障试验声纹进行比较,以判断当前声纹与异常声纹的失真度。若当前声纹与异常声纹的失真度小,则说明变压器存在故障。

矢量量化(vector quantization,VQ)是一种基于香农理论的信号相关性量化方法[12]。该方法将多个标量数据构建成矢量数据,并在矢量空间整体量化,从而实现矢量之间的失真比对。

变压器标准声纹比对平均失真率Ha为:

(7)

式中:ng为变压器训练矢量集的个数;d(xi,yi)为不同训练集的向量x与y之间的距离。

本文分别统计当前变压器声纹与变压器全寿命周期正常失真度Hb与异常声纹失真度Hc。

(8)

式中:Δf1为出厂试验声纹;Δf2为交接试验声纹;Δf3为正常运行声纹;Δf4为设备异常带电检测声纹;Δf5为故障停电检测声纹;Δf6为故障试验声纹。

在变压器声纹正常工作的情况下,Hb≤Ha

2.3 变压器故障声纹缺陷辨识

变压器振动传播路径如图2所示。

图2 变压器振动传播路径图

由图2可知,变压器的振动传播路径不发生变化时,振动信号发生变化较小。当变压器出现故障时,变压器机械状态改变,振动信号发生变化。

变压器绕组故障主要包括绕组永久变形、绝缘劣化和绝缘损坏三种类型。绕组永久变形为绕组发生倾斜、扭曲、位移、塌陷和鼓包等问题。绝缘劣化为绕组的抗短路能力不足、匝间出现绝缘老化。绝缘损坏为长时间绕组变形和绝缘劣化后出现的绝缘破坏。上述变压器绕组故障均会导致变压器声纹出现变化。

由于不同电压等级、不同生产厂商的变压器在不同负载、绕组形变等运行工况下的变压器声纹特征差异较大,本文依据变压器行业协会的典型设置选取多维时频特征进行分析。多维时频特征指标如表1所示。

表1 多维时频特征指标

熵权法是一种系统指标权重评估方法。该方法通过熵值的大小来判断指标的离散层度。若离散层度越大,则熵值越小、指标的权重越大。因此,本文采用熵权法进行变压器声纹多维度时频特征分析。变压器声纹多维时频联合分析的信息熵R(za,zb,zc,zd)为:

R(za,zb,zc,zd)=R(za)+R(zb)+R(zc)+R(zd)+R(za|zb|zc|zd)

(9)

式中:R(za)、R(zb)、R(zc)、R(zd)分别为变压器声纹声强级、高频能量比重、奇偶次谐波幅值比、频谱成分的信息熵;R(za|zb|zc|zd)为上述四个信息熵的交叉部分。

通过多维时频特征的信息熵值,即可判断变压器绕组故障。

3 算例分析

3.1 场景与参数设定

本文采用基于多维时频特征的变压器故障声纹识别方法,在某省电科院的35 kV、110 kV、220 kV、500 kV变电站仿真环境中进行试验验证。本文采用安装在变压器油枕机械连接处的振动传感器进行声纹数据采集,并通过消息队列遥测传输(message queuing telemetry transport,MQTT)协议将数据无线传输至变电站物联网关,并经隔离装置将声纹信号传输至变电站声纹分析服务器。声纹分析服务器的处理器采用INTEL XEON E5-2690,运行主频率为2.9 GHz,处理器核心数为8,线程数为16。服务器内存为128 GB,服务器硬盘为20 TB。本文方法采用Python搭建,用于比对的方法为文献[13]中的数据融合方法和文献[14]中的振动信号支持向量机(support rector machines,SVM)分类方法。上述两种对比方法在变电站故障声纹识别中广泛使用。

3.2 算例运行分析

①变压器噪声提取分析。

变压器噪声提取分析是为了评估傅里叶变换和分帧提取变压器噪声的有效性。振动传感器中的电晕、风机和环境噪声过滤得越干净,则变压器噪声提取越准确。变压器频域分离数据如图3所示。

图3 变压器频域分离数据

由图3可知,通过变压器噪声数据提取,可有效分离变压器噪声数据和电晕、风机、环境干扰数据。

②变压器绕组故障识别准确率。

变压器绕组故障识别准确率是衡量本文方法性能的核心指标之一。该指标的计算方法为:首先,采用GB/T 1094.1—2003标准测定变压器厂商提供的标准仿真变压器绕组异常声音信号,并将其作为标准的故障仿真信号;然后,将算法识别结果与故障仿真信号进行比对,两者一致即为识别准确。其比值为变压器绕组故障识别准确率。

本文分别对35 kV、110 kV、220 kV、500 kV变电站各发送1 000组变压器绕组异常信号,并分别采用本文方法与数据融合方法、振动信号SVM分类方法比较变压器绕组故障识别准确率。变压器绕组故障识别准确率如表2所示。

表2 变压器绕组故障识别准确率

由表2可知,本文方法的变压器绕组平均故障识别准确率为95.9%,高于数据融合方法(84.9%)和振动信号SVM分类方法(91.1%)。

③变压器绕组故障识别时间。

变压器绕组故障识别时间是衡量本文方法性能的核心指标之一,其值为发生仿真信号的开始时间与结束时间之差。

本文分别对35 kV、110 kV、220 kV、500 kV变电站各发送1 000组变压器绕组异常信号,并分别采用本文方法与数据融合方法、振动信号SVM分类方法比较变压器绕组故障识别时间。变压器绕组故障识别时间如表3所示。

表3 变压器绕组故障识别时间

由表3可知,本文方法的变压器绕组平均单次识别时间为2.7 s,高于数据融合方法(10.4 s)和振动信号SVM分类方法(7.3 s)。

4 结论

为解决变压器绕组故障检查难度大、识别准确率低的问题,本文提出了一种基于多维时频特征的变压器故障声纹识别方法。该方法通过傅里叶变换与分帧法提取变压器噪声数据,并采用多维时频特征对变压器绕组故障声纹进行识别,提高了识别准确性。某省电科院的仿真试验验证了该方法的有效性。