基于聽覺譜特征的變壓器繞組狀態(tài)檢測研究?

王磊磊 張嵩陽 王 梟 張光明 王廣周 王東暉

(1 國網(wǎng)河南省電力公司電力科學(xué)研究院 鄭州 450001)

(2 上海睿深電子科技有限公司 上海 201108)

0 引言

變壓器作為電力系統(tǒng)中電力傳輸與分配的核心設(shè)備，其運行的健康狀況直接影響到整個電網(wǎng)的安全穩(wěn)定運行[1?2]。變壓器在運輸、使用過程中出現(xiàn)的碰撞、擠壓和長時間工作等都會導(dǎo)致繞組松動變形，從而影響變壓器工作性能[3?5]。因此，及時有效地檢測出變壓器繞組松動故障，對于保證變壓器和電力系統(tǒng)的正常運行具有重要的意義。

在變壓器繞組狀態(tài)監(jiān)測方法中，油中溶解氣體分析法(Dissolves gas analysis, DGA)是應(yīng)用最早的方法之一[6?8]。其原理是采集油浸式變壓器在不同工況條件下冷卻油中的氣體含量進(jìn)行監(jiān)測繞組狀態(tài)[9]。富強等[10]通過分析變壓器繞組狀態(tài)實例證明了DGA 方法在變壓器繞組狀態(tài)監(jiān)測中的可行性。孟建英等[11]通過變壓器繞組故障綜合試驗方法，發(fā)現(xiàn)通過DGA 方法，并結(jié)合繞組電容量試驗和低電壓空載試驗進(jìn)行綜合分析，可有效監(jiān)測變壓器繞組狀態(tài)。雖然DGA 方法在變壓器繞組狀態(tài)監(jiān)測中取得了不錯的成果，但DGA 方法存在采樣周期長和只適用于油浸式變壓器等不足，限制了其應(yīng)用范圍和效率。

針對變壓器DGA 方法的不足，很多學(xué)者建立了基于變壓器振動信號的變壓器繞組狀態(tài)監(jiān)測方法。程錦等[12]通過分析不同時刻變壓器振動信號數(shù)據(jù)的差異以判斷變壓器繞組松動狀態(tài)。周宇等[13]借助變壓器繞組振動機理，研究了在不同預(yù)緊力狀態(tài)下變壓器繞組松動缺陷值與繞組預(yù)緊力之間的關(guān)系，并通過此關(guān)系實現(xiàn)了良好的繞組狀態(tài)監(jiān)測效果。李陽海等[14]通過測量不同預(yù)緊力狀態(tài)下的變壓器的振動信號，利用3 種常用的信號處理方法對振動信號進(jìn)行預(yù)處理以提取能量熵特征，并將提取的特征用于變壓器繞組狀態(tài)監(jiān)測，研究結(jié)果表明可以有效地檢測繞組狀態(tài)。雖然基于振動信號的變壓器繞組狀態(tài)監(jiān)測方法有效地避免了DGA 方法的不足，然而在信號采集方面，需要將振動傳感器與變壓器殼體接觸，給傳感器的安裝與維護(hù)帶來一定不便。

變壓器聲信號的采集是一種非接觸式測量，只需將聲傳感器布置在變壓器周圍，不會干擾變壓器的正常工作，能有效地克服振動信號采集帶來的不足。變壓器聲信號不僅采集過程簡單方便，而且包含了大量的關(guān)于變壓器運行狀況的信息，逐漸成為近年來研究的熱點。有經(jīng)驗的工人能夠利用聽覺來判別變壓器是否出現(xiàn)異常，主要是因為聽覺系統(tǒng)在噪聲背景下的聲音識別具有優(yōu)異的性能。能否將聽覺系統(tǒng)引入變壓器繞組識別，以提高復(fù)雜環(huán)境下的變壓器繞組識別準(zhǔn)確率，是非常值得探索研究的內(nèi)容。王豐華等[15]通過建立的基于改進(jìn)梅爾頻率倒譜系數(shù)和矢量量化算法的變壓器聲紋識別模型對變壓器繞組松動狀態(tài)進(jìn)行檢測，結(jié)果表明識別率達(dá)到90%以上。耿琪深等[16]依據(jù)人聽覺系統(tǒng)優(yōu)異的聲音識別能力，提出了一種基于Gammatone 濾波器倒譜系數(shù)和鯨魚算法優(yōu)化隨機森林的變壓器繞組松動狀態(tài)聲監(jiān)測方法。邵宇鷹等[17]也通過人耳聽覺模型對變壓器聲信號進(jìn)行預(yù)處理，并提取生理特征以用來對變壓器繞組松動狀態(tài)進(jìn)行檢測。上述研究進(jìn)一步證明基于聽覺系統(tǒng)的變壓器狀態(tài)監(jiān)測方法的可行性。但上述所用模型主要基于早期的聽覺模型，沒有考慮耳蝸內(nèi)的外毛細(xì)胞。而外毛細(xì)胞的主動放大機制對微弱聲信號的感知至關(guān)重要[18]。

針對上述問題，本文提出將考慮外毛細(xì)胞的聽覺外周模型運用于變壓器繞組識別之中。首先，對采集的變壓器聲信號進(jìn)行去均值和消除趨勢項的處理；然后，預(yù)處理后的聲信號經(jīng)過聽覺外周模型處理生成聽覺譜，并對聽覺譜提取多種統(tǒng)計特征；最后，將不同特征融合成為特征向量，輸入到遺傳算法優(yōu)化的支持向量機進(jìn)行煤矸識別。研究結(jié)果表明，本文所提出的基于聽覺模型的煤矸識別方法實現(xiàn)了較高的識別準(zhǔn)確率。

1 變壓器繞組狀態(tài)識別流程

變壓器運行過程中，經(jīng)驗豐富的工人主要根據(jù)變壓器產(chǎn)生的聲音來檢測變壓器是否出現(xiàn)異常[16]。與傳統(tǒng)的針對信號進(jìn)行處理的方法不同，人耳是根據(jù)聲信號的聽覺特征進(jìn)行狀態(tài)識別的。為了將聽覺系統(tǒng)在復(fù)雜背景噪聲環(huán)境下的優(yōu)越識別性能引入到變壓器繞組識別中，本文提出了基于變壓器聲聽覺譜特征的模式識別方法，具體流程如圖1所示。

圖1 變壓器繞組松動識別流程Fig.1 The process of transformer winding looseness recognition

該識別方法主要由信號獲取、特征提取和變壓器繞組狀態(tài)識別3 個過程組成。信號獲取階段，首先通過測試傳聲器采集不同程度變壓器繞組松動的聲信號；再將采集的聲信號進(jìn)行去均值和消除趨勢項的預(yù)處理，以減少信號采集環(huán)境和傳感器性能對所采集信號準(zhǔn)確性的影響。特征提取階段，將預(yù)處理后的聲信號輸入到聽覺外周模型，經(jīng)過中耳濾波器濾波、基底膜模型選頻、外毛細(xì)胞模型放大和內(nèi)毛細(xì)胞模型換能作用后，產(chǎn)生內(nèi)毛細(xì)胞電壓信號，實現(xiàn)多個特征頻率聽覺信號的提取，以此構(gòu)成聽覺譜，并在聽覺譜的基礎(chǔ)上提取多類統(tǒng)計特征。變壓器繞組狀態(tài)識別階段，先進(jìn)行單個特征的識別測試，以驗證提取特征有效性；再融合不同的統(tǒng)計特征構(gòu)成最優(yōu)融合特征，使用遺傳算法優(yōu)化的支持向量機進(jìn)行分類，以進(jìn)一步提高識別準(zhǔn)確率。

2 信號獲取

2.1 信號采集試驗

本文通過采集變壓器繞組松動故障樣本來驗證所提出混合系統(tǒng)的有效性。測試對象是一臺型號SC 800/10 的干式變壓器。為了減少周圍噪聲對測試樣本的干擾，測試地是半消聲實驗室。測試條件是通過控制繞組預(yù)緊力來模擬繞組不同程度的松動情況，以采集變壓器在20%、60%、100%和140%預(yù)緊力工作條件下的聲音樣本。變壓器聲信號測試系統(tǒng)如圖2 所示，參照標(biāo)準(zhǔn)GB/T 1094.10–2003《電力變壓器第10部分：聲級測定》，將聲傳感器布置在離變壓器1 m 的輪廓線上[19]。測試時，變壓器工作發(fā)出的聲音通過聲傳感器傳入數(shù)據(jù)采集儀中。數(shù)據(jù)采集儀和筆記本電腦之間通過采集軟件相連，將采集的聲音樣本保存為分析軟件可讀的通用型文件，以便進(jìn)行后續(xù)的分析處理。

圖2 變壓器聲信號測試系統(tǒng)Fig.2 Transformer acoustic signal test system

2.2 預(yù)處理

信號在采集過程中，由于受到環(huán)境溫度和傳感器性能等影響，采集的聲信號可能偏離其真實值，從而影響信號的準(zhǔn)確性。本文使用多項式最小二乘法消除趨勢項[20]。

設(shè)實際采集的聲信號為x(k)，使用m階多項式(k)擬合x(k)中的趨勢項：

其中，N為采集信號的采樣點數(shù)。

使x(k)與(k)的誤差平方和E最小，以確定各待定系數(shù)αj：

若誤差E存在極值，則應(yīng)滿足以下條件：

依次取E對αi的偏導(dǎo)，可得到m+1元線性方程組：

通過求解上述方程組可得到m+1個待定系數(shù)αj(j= 1,2,··· ,m+1)，其中m為設(shè)定的多項式階次，設(shè)定不同的m可以得到不同的趨勢項消除效果。

將采集的聲信號分割為0.5 s 的長度進(jìn)行分析，設(shè)置多項式階次m= 3，經(jīng)過去均值和消除趨勢項后兩種工況時域波形如圖3所示。

圖3 預(yù)處理后的時域波形Fig.3 Time domain waveform after preprocessing

3 聽覺譜獲取及特征提取

人耳聽覺外周具有聲信號前處理功能[21?22]，通過其基底膜選頻特性、外毛細(xì)胞主動放大功能等對不同頻帶的子帶聲信號進(jìn)行非線性增益，在背景噪聲下具有強魯棒性[23]，有利于變壓器故障識別特征的提取。為此，首先采用聽覺外周模型對變壓器聲信號進(jìn)行前處理，構(gòu)建聽覺譜；再在聽覺譜基礎(chǔ)上進(jìn)行特征提取。

3.1 聽覺譜獲取

利用聽覺模型可以模擬人耳的聽覺系統(tǒng)，實現(xiàn)對聲音分析處理，得到的分析結(jié)果稱為聽覺譜。為實現(xiàn)對變壓器聲信號的分析處理，本文在Zilany等[21]提出的單一特征頻率的聽覺外周模型的基礎(chǔ)上，建立了多特征頻率的聽覺外周模型，模型結(jié)構(gòu)如圖4 所示。該模型實現(xiàn)了中耳濾波器，模擬耳蝸基底膜選頻特性的濾波器C1、C2，模擬外毛細(xì)胞對基底膜主動反饋功能的前饋控制路徑和內(nèi)毛細(xì)胞模型這5部分的建模。

指定特征頻率CF 之后，將預(yù)處理后的聲信號輸入聽覺外周模型進(jìn)行處理。其具體過程如下：首先，中耳濾波器對聲信號中不同頻率成分進(jìn)行不同程度的放大或衰減；然后，將其輸入基底膜模型獲取特征頻率處的聲壓成分，并且在此過程中基底膜模型不斷受到外毛細(xì)胞模型的主動反饋作用；最后，使用內(nèi)毛細(xì)胞模型將聲壓轉(zhuǎn)化電壓，即可實現(xiàn)對給定特征頻率處聽覺信號的提取。該模型僅提取了單一特征頻率處的聽覺信號，而變壓器聲信號包含多個頻率成分，因此需要對采集的聲信號進(jìn)行多特征頻率分析，以構(gòu)成聽覺譜。由于變壓器噪聲信號在頻域上是連續(xù)變化的，且同一臨界頻率帶內(nèi)的聲音特性差別不大，所以本文采用臨界頻率帶劃分標(biāo)準(zhǔn)進(jìn)行頻帶劃分[24?27]。同時，考慮到變壓器聲信號在100 Hz 及其倍頻上分布較大的振動能量，在劃分子帶噪聲信號時，在子帶分割點上錯開該頻率，以保證子帶信號分割的完整性。具體子帶噪聲信號劃分標(biāo)準(zhǔn)如表1所示，在0～6390 Hz 的頻率范圍內(nèi)，共劃分了20個特征頻率。

表1 子帶噪聲及其對應(yīng)序號Table 1 Characteristic frequencies and their corresponding serial numbers

采集的聲信號經(jīng)過聽覺外周模型的多特征頻率分析處理后獲得聽覺譜，不同預(yù)緊力工況下的聽覺譜如圖5所示。由圖5可知，不同預(yù)緊力工況下的變壓器聲信號經(jīng)過聽覺外周模型處理之后，各特征頻率的聽覺信號具有較大差異。一方面，隨著預(yù)緊力的降低，聽覺信號各頻帶的幅值有所升高，且高頻成分幅值差異較大。另一方面，聽覺信號能有效捕捉不同預(yù)緊力工況下變壓器聲信號的時域差異。

圖5 不同預(yù)緊力聲信號的聽覺譜Fig.5 Auditory spectrum of sound signals with different preloads

3.2 特征提取

為獲得表征聽覺譜的特征向量，分別計算各特征頻率聽覺信號的7 類統(tǒng)計特征，將它們?nèi)诤铣蔀樘卣飨蛄糠Q為聽覺譜特征(Auditory spectrum features, ASF)。上述聽覺譜共包含20 個特征頻率，則這7類統(tǒng)計特征計算方法如下：

(1)聽覺譜能量(Auditory spectrum energy,ASE)，各特征頻率聽覺信號的能量Ei為

式(5)中，xi(k)為第i個特征頻率所對應(yīng)的聽覺信號，N為第i個聽覺信號采樣點數(shù)。歸一化聽覺譜能量構(gòu)成特征向量ASE：

(2)聽覺譜能量熵(Auditory spectrum energy entropy, ASEE)，能量熵反映了能量在特征頻率內(nèi)分布的均勻性和有序性，能量熵越大表示聽覺信號在該特征頻率內(nèi)類隨機性越強。各特征頻率聽覺信號的能量熵ASEEi為

式(7)中，Ei為第i個聽覺信號的能量。

(3)聽覺譜能量矩(Auditory spectrum energy moment, ASEM)，能量矩表達(dá)了各特征頻率聽覺信號的能量大小及其分布特點，各特征頻率聽覺信號的能量矩ASEMi為

式(8)中，fs為聲信號采樣頻率，Hz。

(4)聽覺譜功率熵(Auditory spectrum power entropy, ASPE)，功率熵可以對各特征頻率聽覺信號的頻域能量的不確定性和復(fù)雜性進(jìn)行量化和表征。計算方法如下：

對各特征頻率的聽覺信號進(jìn)行傅里葉變換得Xi(.ω)并求其功率譜Pi(ω)：

(5)聽覺譜偏度(Skewness)，偏度反應(yīng)了各特征頻率聽覺信號分布的偏移方向和程度，定義為

式(11)中，μ和σ分別是聽覺信號的均值和準(zhǔn)差。

(6)聽覺譜峭度(Kurtosis)，峭度是描各特征頻率聽覺信號的波形峰度的無量綱參數(shù)，定義：

(7)聽覺譜奇異值(Auditory spectrum singular value, ASSV)，奇異值表示矩陣的固有特征，可以反映矩陣所含的信息，使用奇異值分解可以將高維的聽覺譜壓縮為低維的奇異值特征向量。設(shè)聽覺譜A是M ×N矩陣，對其進(jìn)行奇異值分解：

其中，U和VT分別是M×M和N×N的矩陣，S=diag(σ1,σ2,··· ,σr)且σ1≥σ2≥···≥σr≥0，則σ1,σ2,···,σr為聽覺譜A的奇異值。

4 變壓器繞組狀態(tài)識別

4.1 單類特征識別試驗

特征提取之后獲得數(shù)據(jù)集，其中包括不同預(yù)緊力樣本各100 個，將每類樣本劃分為70 個訓(xùn)練樣本和30 個測試樣本。由于數(shù)據(jù)集樣本數(shù)目有限，因此選取適用于小樣本分類問題的支持向量機作為分類器。為實現(xiàn)聽覺譜特征的非線性分類，選取徑向基函數(shù)作為核函數(shù)進(jìn)行支持向量機的建模：

其中，γ為核參數(shù)，u和v為徑向基函數(shù)的輸入向量。支持向量機中的懲罰因子c和核參數(shù)γ使用遺傳算法尋優(yōu)[22]，并使用五折交叉驗證確定參數(shù)，遺傳算法優(yōu)化的支持向量機各項參數(shù)設(shè)置如表2所示。

表2 遺傳算法優(yōu)化的支持向量機參數(shù)設(shè)置Table 2 Parameters setting of support vector machine optimized by genetic algorithm

為驗證提取的7 類特征對垮落煤矸識別是否有效，首先使用上述支持向量機對單個特征進(jìn)行分類識別試驗，每類特征進(jìn)行20 次試驗，記錄下每次試驗的識別準(zhǔn)確率并求其平均值，得到如表3 所示的單個特征平均識別準(zhǔn)確率。

表3 單個特征的平均識別準(zhǔn)確率Table 3 Average recognition accuracy for a single feature

由表3 可知，基于聽覺譜提取的單個特征已經(jīng)實現(xiàn)了較高的識別準(zhǔn)確率，其中聽覺譜的能量、能量熵和能量矩識別準(zhǔn)確率均在85%以上，證明聽覺譜特征為有效識別特征。

4.2 融合特征確定

為進(jìn)一步提高識別準(zhǔn)確率，本文中把這7 類特征隨機融合成為特征向量，輸入到支持向量機進(jìn)行分類，每組特征向量進(jìn)行20 次試驗，記錄下每次試驗的識別準(zhǔn)確率并求其平均值。經(jīng)過次試驗之后，得到識別準(zhǔn)確率隨融合特征數(shù)目變化曲線，如圖6所示。

由圖6 可知，融合特征后的煤矸識別準(zhǔn)確率均高于單個特征的識別準(zhǔn)確率，且隨著融合的特征數(shù)目增加，識別準(zhǔn)確率呈現(xiàn)先增加后減少的趨勢。當(dāng)融合3 類特征時，識別準(zhǔn)確率達(dá)到最大值為97.64%，此時融合的3類特征分別為：聽覺譜能量、功率熵和峭度。當(dāng)融合的特征數(shù)目超過3 個之后，識別準(zhǔn)確率開始下降，這是由于當(dāng)輸入特征維度增加到一定程度后，隨著維度的增加，可能會引入原始聽覺信號的一些次要關(guān)系、噪聲和冗余信息，進(jìn)而影響識別準(zhǔn)確率。

圖6 識別準(zhǔn)確率隨融合特征數(shù)目變化曲線Fig.6 Variation curve of recognition accuracy with the number of fusion features

4.3 方法對比

為驗證所提方法優(yōu)越性，將本文所提方法(ASF)與傳統(tǒng)的基于時域、頻域和時頻域提取特征的方法進(jìn)行比較。對比試驗中，提取一類時域特征：峭度(Kurtosis)；一類頻域特征：譜質(zhì)心(Spectral centroid, SC)；兩類時頻域特征：基于經(jīng)驗?zāi)B(tài)分解的各固有模態(tài)分量的能量(Spectrum energy of intrinsic mode function based on empirical mode decomposition, SEI)、希爾伯特能譜熵(Hilbert spectral entropy, ESEH)；常用的聲音識別特征：梅爾頻率倒譜系數(shù)(Mel-Frequency cepstral coefficients, MFCC)、分形盒維數(shù)(Fractal box dimension, FBD)。各對比方法所使用訓(xùn)練集與測試集與本文所提方法相同，訓(xùn)練集包括兩種工況樣本各70 個，測試集各包括30 個，使用支持向量機進(jìn)行分類，得到各種方法的識別準(zhǔn)確率如圖7所示。

圖7 不同特征參數(shù)的識別準(zhǔn)確率對比Fig.7 Comparison of recognition accuracy with different feature parameters

由圖7可知，在傳統(tǒng)特征提取方法中，時頻域特征識別準(zhǔn)確率顯著高于時域和頻域特征，最高達(dá)到81.43%，這是因為變壓器聲信號為非平穩(wěn)信號，單純的時域特征或頻域特征都不能完整地表征采集信號的信息，而時頻域特征可以彌補這一缺陷，從而實現(xiàn)了更高的識別準(zhǔn)確率。MFCC 也實現(xiàn)87.14%的識別準(zhǔn)確率，且該特征也考慮到了某些聽覺特性，這也從側(cè)面說明了聽覺系統(tǒng)在聲信號識別方面的優(yōu)勢。雖然上述兩種特征在變壓器繞組松動識別時表現(xiàn)出優(yōu)異的性能，但是它們的識別準(zhǔn)確率仍然低于本文所提的基于聽覺譜的特征。與時頻域特征相比，聽覺外周模型在處理信號時體現(xiàn)出基底膜的選頻特性，實現(xiàn)了信號在不同頻率段的分解，類似于一種時頻分析方式，因此提取的特征信息全面；與MFCC相比，聽覺譜特征實現(xiàn)了更高的識別準(zhǔn)確率，可能與聽覺外周模型考慮了鎖相特性和外毛細(xì)胞的主動放大機制等更多的聽覺特性有關(guān)。

5 結(jié)論

本文提出了一種基于聽覺譜特征的變壓器繞組松動識別方法。通過試驗測試，得到如下結(jié)論：

(1)不同預(yù)緊力工況的變壓器聲信號經(jīng)過聽覺外周模型處理后，得到聽覺譜具有顯著差異，高預(yù)緊力狀態(tài)下的聽覺譜峰值分布于低頻，低預(yù)緊力狀態(tài)下的聽覺譜峰值分布于中高頻；

(2)聽覺譜特征為有效識別特征，單個聽覺譜特征即可實現(xiàn)較高的識別準(zhǔn)確率；通過融合聽覺譜的能量、功率熵和峭度這3類特征，可將識別準(zhǔn)確率進(jìn)一步提高到97.64%；

(3)通過將本文所提方法與傳統(tǒng)方法進(jìn)行比較，發(fā)現(xiàn)基于聽覺譜的單個特征和融合特征的識別準(zhǔn)確率均高于傳統(tǒng)的時域、頻域和時頻域特征，這證明了該方法更具有優(yōu)越性。

受試驗條件限制，本文的研究工作基于一臺變壓器，即訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)來自于同一臺變壓器。后期將在該工作的基礎(chǔ)上，增加同型號變壓器的故障模擬試驗，研究所提算法在非訓(xùn)練同型設(shè)備上診斷性能。