基于物联网的变压器内部机械声纹振动状态自动监测方法

摘 要：针对现行方法监测精度无法得到保证、监测效果不佳的问题，提出基于物联网的变压器内部机械声纹振动状态自动监测方法。先采用物联网技术对声纹振动信号进行采集与传输，然后利用可变形振型法（ODS）对声纹振动信号进行修正，并采用幅值相角波动性判别法对声纹振动信号中的背景噪声进行识别和去除，最后通过声纹振动频谱分析，提取基频比例、高低频比、50 Hz奇偶次倍频比共3个声纹特征，设定预警门限，对声纹振动状态进行识别与预警监测。实验证明，该设计方法的灵敏度超过97%，误警率不超过1%，在变压器内部机械声纹振动状态自动化监测领域具有良好的应用前景。

关键词：物联网；变压器；机械声纹；振动状态；自动监测；幅值相角波动性判别法

中图分类号：TP29；TM41 文献标识码：A 文章编号：2095-1302（2025）02-00-03

0 引 言

变压器内部异常振动可能导致设备内部的螺丝松动，进而影响设备的正常运行。因此，对于变压器内部机械声纹振动问题，采取定期监测、加强维护和保养等措施非常重要，可及时发现并处理设备内部的异常情况，确保变压器的正常运行和安全性能。然而，由于变压器内部机械的复杂性和运行环境的多样性，对其运行状态的监测和维护一直是一个难题。传统的变压器监测方法主要依赖于人工巡检和定期维护，这种方法不仅效率低下，而且难以发现潜在的故障。因此，开发一种能够实时监测变压器内部机械状态的方法显得尤为重要。在该背景下，本文提出了基于物联网的变压器内部机械声纹振动状态自动监测方法。

1 基于物联网的变压器内部机械声纹振动信号采集与传输

根据实际需求，此次采用型号为KHFA-A4F54的振动传感器，将振动传感器安装在监测点上[1]。为了避免基于物联网的振动信号采集受到局部声源过大的影响，振动传感器的安装位置需与变压器本体保持一定距离[2]。选取n个备选监测点，采用Pearson相关系数对备选监测点进行分析，可以表示为：

（1）

式中：P表示备选监测点声纹信号频谱与变压器内部机械等效声纹频谱的Pearson相关系数；Xi表示备选监测点声纹信号频谱；X0i表示变压器内部机械等效声纹频谱[3-4]。Pearson相关系数越高，则表示两个声纹频谱越相似，根据实际情况设定阈值，选取Pearson相关系数大于阈值的监测点位，将振动传感器安装在点位上，设定振动传感器声纹振动信号测量频率范围为25 Hz～15 kHz，采集变压器内部机械声纹振动信号[5]。根据IEC 60651标准，利用ZigBee将采集的声纹振动信号传输到数据服务器上，用于后续声纹振动状态的识别与监测。

2 变压器内部机械声纹修正及去噪

在对变压器内部机械振动信号进行采样时，必须同步获取各监测点的声纹振动信号，但由于振动传感器数量的限制，仅能同时获得有限监测点的信号。为获取所有声源的同步数据，利用ODS在声纹振动信号采样中引入相位校正法，对声纹振动信号进行校正。该方法以某一监测点为参考信号，并记录其他各监测点与参考信号间的相位关系，待所有测量工作结束后，以参考监测点的锚定相位为基准，对所有监测点进行相位校正。

此外，变压器声纹振动信号的获取不可避免地会受到暂态扰动和稳态扰动的影响，针对其声纹振动特征的提取，可通过规避暂态干扰片段的方法来规避暂态干扰，但变压器大多采用风冷系统，风机噪声为稳态扰动，必然会混入采集的声纹振动信号中，所以，在对其特征进行分析之前，必须先去除噪声，以消除稳态扰动的影响[6]。采用幅值相角波动性判别法对声纹振动信号中的背景噪声进行识别和去除。针对声纹振动信号经短时傅里叶变换后各频率点的幅值和相位变化规律，实现对变压器本体和风机噪声点的准确识别。在此基础上，基于以上波动特征，获得变压器声纹振动主导的频率点集合，并将二者的交集作为变压器声纹振动的主要频率点集，其余点作为风机和外界噪声的频率点集。最后，通过对混合信号的快速傅里叶变换，进行频谱分析，可以获得变压器本体的频谱分布。声纹振动频率临近频点的幅值方差平均值表示为：

（2）

式中：a表示声纹振动频率临近频点的幅值方差平均值；δ表示频率的方差；w表示频点临近区域范围。接下来，计算声纹振动频率临近频点的相角波动量平均值：

（3）

式中：B表示声纹振动频率临近频点的相角波动量平均值；η表示频率的相角波动量。将采样信号频率的幅值方差、相角波动量与两者对应的平均值a、B比较，如果幅值方差和相角波动量大于它们的平均值，则判定该频率为噪声频率，去除该频率信号，从而去除信号噪声。

3 变压器内部机械声纹振动特征提取及预警监测

根据变压器内部机械声纹振动频谱分析，提取声纹振动特征。变压器内部机械声纹振动分为稳态和瞬态两种，两种状态的声纹振动可以用基频比例、高低频比、50 Hz奇偶次倍频比3个特征区分。基频比例是指基频在振动总频率中所占的比例，根据声纹振动频谱信息，计算出基频比例：

（4）

式中：d表示声纹振动基频比例；X表示基频；Xf表示声纹振动总频率。高低频比是指声纹振动高频与低频的比例，

50 Hz奇偶次倍频比是指声纹振动50 Hz奇次倍频与偶次倍频的比例，以上两个特征用公式表示为：

（5）

式中：z表示声纹振动高低频比；Xd、Xg分别表示声纹振动低频、高频处的分量幅值；h表示声纹振动50 Hz奇偶次倍频比；s表示频率；Xj、Xo分别表示声纹振动奇次倍频与偶次倍频的分量幅值。为了识别声纹振动状态，对每个特征设定阈值。变压器的直流偏磁使得其他频率点的振幅大幅增大，从而降低了基波频率的比例，所以应注意基频比例的分布下限。为剔除少数离群点，选择1%的分割线作为基频比例预警门限。在发生铁芯或绕组机械松驰、直流偏磁等情况下，变压器均可使其频率分布向高频段偏移，因此，高低频比分布的上限应引起重视。为了剔除少数离群点，选择99%的分割线作为高低频比预警门限。变压器的直流偏置将导致

50 Hz的高次谐波增加。为了剔除少数离群点，选择99%的分位线作为50 Hz奇偶次倍频比预警门限。将提取的声纹振动特征与预警门限对比，如果超出预警门限，则监测结果为声纹振动状态异常，做出预警响应；反之，监测结果为声纹振动状态正常，以此实现基于物联网的变压器内部机械声纹振动状态自动监测[7-8]。

4 实验论证

4.1 实验准备与设计

本次研究针对某电力公司管辖的1 000 kV变压器展开现场内部机械声纹振动状态监测。变压器型号为KHFA-AS7G7，LV额定电流为1 443.34 A，频率特性为45.55 Hz，属于低频，联结组别为Dyn12。根据现场实际情况，布设了3个监测点，准备了3台无线传感器，对变压器内部机械声纹振动状态自动监测80 h，共采集到1 000个声纹振动样本。按照上文监测流程对变压器内部机械声纹振动信号进行处理、降噪、分析，提取声纹振动特征。实验随机选取8个样本，得到变压器内部机械声纹振动特征，见表1。

根据声纹振动特征，确定声纹振动状态，并对异常状态进行预警。本次实验共识别到564个异常声纹振动状态样本，以此为基础，开展测试。

4.2 实验结果与讨论

本文选取灵敏度和误警率作为方法性能评价指标。灵敏度值越高，则说明方法监测精度越高，即能够找出更多的正样本。误警率表示被错误监测为正样本的实例数量占所有被监测为正样本的实例数量的比例。误警率越低，说明模型对于负样本的预测能力越强，即能够减少不必要的报警。为使实验数据具有一定说明性，将基于机器视觉的监测方法和基于CNN的监测方法与本文方法对比。变压器内部机械声纹振动状态监测误警率如图1所示。变压器内部机械声纹振动状态监测灵敏度见表2。

在图1和表2中，3种方法在灵敏度和误警率方面均表现出明显差异。从灵敏度方面来看，本文设计方法的灵敏度超过97%，而基于机器视觉的监测方法灵敏度最高仅为82.46%，基于CNN的监测方法灵敏度最高仅为78.62%，因此在该方面本文设计方法优于主流方法；从误警率方面来看，本文设计方法的误警率最高仅为0.31%，基于机器视觉的监测方法误警率最高可以达到3.47%，基于CNN的监测方法误警率最高可以达到4.67%，因此在误警率方面本文设计方法也优于主流方法。通过以上分析，证明了无论是在灵敏度方面还是在误警率方面，本文设计方法均具有绝对的优势，可行性与可靠性较高，可以实现对变压器内部机械声纹振动状态的自动精准监测[9-10]。

5 结 语

本文提出了一种基于物联网的变压器内部机械声纹振动状态自动监测方法，这是一种具有广阔应用前景和重要价值的先进技术。通过该方法可以更好地保障电力系统的稳定性和安全性，提高变压器的维护效率和经济效益，为电力行业的智能化转型提供有力支持。虽然本次研究取得了一定的成果，但是在内容方面还存在不足。在未来的研究中，将进一步深入探讨基于物联网的变压器内部机械声纹振动状态自动监测方法的关键技术和应用前景；将研究更先进的传感器技术和数据处理算法，以提高监测的准确性和可靠性；同时，将研究该方法如何应用于实际的电力系统中，并根据实际运行情况对该方法进行优化和改进，为变压器内部机械声纹振动状态自动监测提供理论支撑。

参考文献

[1]齐子豪，仝杰，张中浩，等.基于多粒度知识特征和Transformer网络的电力变压器故障声纹辨识方法[J/OL].中国电机工程学报，1-13[2024-01-18].http：//kns.cnki.net/kcms/detail/11.2107.TM. 20231204.1422.004.html.

[2]唐冬来，李擎宇，龚奕宇，等.基于多维时频特征的变压器故障声纹识别方法研究[J].自动化仪表，2023，44（11）：11-14.

[3]刘云鹏，王博闻，李欢，等.结合载纤绕组形变测量法的大型变压器绕组多次短路冲击暂态声纹特征[J].中国电机工程学报，2022，42（1）：434-447.

[4]李楠，马宏忠，段大卫，等.基于多传感器融合声纹特征图谱的变压器铁芯松动故障诊断方法[J].振动与冲击，2023，42（15）：129-137.

[5]刘云鹏，来庭煜，刘嘉硕，等.特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法[J].电工技术学报，2023，38（5）：1375-1389.

[6]崔佳嘉，马宏忠.基于改进MFCC和3D-CNN的变压器铁芯松动故障声纹识别模型[J].电机与控制学报，2022，26（12）：150-160.

[7]向志昊，魏华.基于声纹特征识别的电力变压器运维检测技术研究[J].电子设计工程，2023，31（20）：114-118.

[8]肖毓增，付新华，杨胜仪，等.声纹识别在电厂设备状态监测中的运用[J].物联网技术，2022，12（10）：4-7.

[9]李楠，马宏忠，张玉良，等.基于特征筛选和改进深度森林的变压器内部机械状态声纹识别[J].电机与控制应用，2022，49（9）：57-65.

[10]周梦茜.电力变压器局部放电超声信号的声纹识别方法研究[D].北京：华北电力大学（北京），2021.

作者简介：丁 燕（1983—），女，河南开封人，硕士，副教授，研究方向为电气自动化技术。

收稿日期：2024-01-18 修回日期：2024-03-01