, , , ,

(1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州 510080； 2.中國航空工業(yè)集團(tuán)公司洛陽電光設(shè)備研究所，河南 洛陽 471000)

無人值守變電站電力設(shè)備音頻監(jiān)測(cè)及故障診斷系統(tǒng)

易琳1,沈琦2,王銳1,王柯1,彭向陽1

(1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州510080； 2.中國航空工業(yè)集團(tuán)公司洛陽電光設(shè)備研究所，河南洛陽471000)

針對(duì)智能變電站的無人值守需求及現(xiàn)有故障診斷系統(tǒng)的不足，提出一種電力設(shè)備音頻監(jiān)測(cè)及故障診斷系統(tǒng);根據(jù)變電站電力設(shè)備音頻信號(hào)信噪比較低的特點(diǎn)，采用具有強(qiáng)魯棒性的梅爾頻率倒譜系數(shù)作為判斷音頻信號(hào)異常的特征參數(shù)，在此基礎(chǔ)上根據(jù)音頻特征構(gòu)成多樣本觀測(cè)序列，并采用隱馬爾科夫模型進(jìn)行故障診斷，通過對(duì)比對(duì)數(shù)似然估計(jì)概率的輸出值確定故障類型；該方法具有實(shí)時(shí)性較強(qiáng)的優(yōu)勢(shì)，也避免了現(xiàn)有故障診斷方法要求較大樣本容量的缺陷；實(shí)驗(yàn)結(jié)果表明，該故障診斷系統(tǒng)具有較高的識(shí)別率和魯棒性。

變電站; 電力設(shè)備; 故障診斷; 隱馬爾科夫模型; 梅爾頻率倒譜系數(shù)

0 引言

電力行業(yè)的發(fā)展日新月異，但如何確保電力系統(tǒng)的安全運(yùn)行始終是人們關(guān)注的焦點(diǎn)。作為電力網(wǎng)絡(luò)的管控執(zhí)行單元，變電站的可靠性是決定電網(wǎng)整體可靠性的關(guān)鍵因素。隨著智能電網(wǎng)戰(zhàn)略的推進(jìn)，新型變電站需具有易于管理和維護(hù)的特征，且需滿足無人值守需求，因此研究電力設(shè)備的智能故障診斷技術(shù)，實(shí)現(xiàn)快速故障隔離以保障電網(wǎng)的安全運(yùn)行，具有重要的工程價(jià)值[1]。然而其困難在于，現(xiàn)有變電站電力設(shè)備如變壓器等不僅結(jié)構(gòu)復(fù)雜，而且型號(hào)多樣，其故障機(jī)理和特征具有高度的復(fù)雜性和一定的隨機(jī)性[2]，傳統(tǒng)閾值式診斷難以有效反映故障表現(xiàn)特征與故障機(jī)理之間的客觀規(guī)律，較難取得理想的在線診斷效果[3]。

變電站電力設(shè)備如出現(xiàn)機(jī)械故障時(shí)，其振動(dòng)特性或部分頻段內(nèi)的振動(dòng)能量將發(fā)生改變，這常伴隨異常的聲音。此外，設(shè)備的超負(fù)荷運(yùn)行或其它電路故障也會(huì)引起異常的聲音變化[4]。因此，在電力設(shè)備的不同位置所測(cè)取的聲音信號(hào)包含著豐富的信息，具有豐富經(jīng)驗(yàn)的工程師也通常根據(jù)現(xiàn)場(chǎng)的異常聲音判斷故障。基于此原理可設(shè)計(jì)用于變電站電力設(shè)備的音頻實(shí)時(shí)監(jiān)測(cè)故障診斷系統(tǒng)，其獨(dú)特優(yōu)勢(shì)在于僅通過聲音傳感器獲取音頻信號(hào)即可實(shí)現(xiàn)對(duì)設(shè)備工況的實(shí)時(shí)判斷，且不影響電力系統(tǒng)的正常運(yùn)行，具有信息量大、反應(yīng)快和低成本優(yōu)勢(shì)，豐富了無人值守變電站的故障診斷手段，具有良好的應(yīng)用前景。然而，變電站具有較強(qiáng)的背景噪聲，非接觸式測(cè)量所獲取的音頻信號(hào)易受傳感器安裝位置和其它外圍設(shè)備噪聲源影響，干擾信號(hào)有可能會(huì)淹沒掉與設(shè)備工況相關(guān)的有效特征值，因此，對(duì)故障信號(hào)特征參數(shù)的有效提取尤為關(guān)鍵。此外，變電站設(shè)備型號(hào)復(fù)雜，積累的監(jiān)測(cè)數(shù)據(jù)與有效故障樣本較少，如何對(duì)特征參數(shù)進(jìn)行處理以實(shí)現(xiàn)準(zhǔn)確識(shí)別，也是亟待解決的關(guān)鍵問題。由于以上問題的復(fù)雜性，現(xiàn)有研究成果并不多見。文獻(xiàn)[5]采用基于獨(dú)立分量分析的信號(hào)分離方法處理聲音源信號(hào)，提取MFCC特征參數(shù)并與專家?guī)煨盘?hào)匹配，根據(jù)動(dòng)態(tài)時(shí)間規(guī)整算法判斷電氣設(shè)備故障類型，但該方法較難實(shí)現(xiàn)在線故障診斷。文獻(xiàn)[6]提出采用正弦基前向神經(jīng)網(wǎng)絡(luò)的音頻識(shí)別方法，但實(shí)際工程中可能存在陷入局部極值的缺陷。

針對(duì)現(xiàn)有研究的不足，本文提出一種可應(yīng)用于無人值守變電站電力設(shè)備的音頻監(jiān)測(cè)及故障診斷系統(tǒng)。根據(jù)工作流程，該系統(tǒng)可劃分為信號(hào)檢測(cè)、特征參數(shù)提取、狀態(tài)識(shí)別及診斷決策3個(gè)環(huán)節(jié)，針對(duì)變電站電力設(shè)備音頻信號(hào)信噪比較低的特點(diǎn)，提出采用具有強(qiáng)魯棒性的MFCC參數(shù)作為判斷音頻異常的特征參數(shù)，在此基礎(chǔ)上根據(jù)音頻特征構(gòu)成多個(gè)觀測(cè)序列并用以訓(xùn)練HMM，對(duì)比對(duì)數(shù)似然估計(jì)概率的輸出值，可判定設(shè)備故障的具體類型，從而實(shí)現(xiàn)在線故障檢測(cè)和診斷功能，該方法的優(yōu)勢(shì)在于實(shí)時(shí)性較強(qiáng)，同時(shí)也避免了現(xiàn)有故障診斷方法普遍要求較大樣本容量的缺陷。

1 音頻監(jiān)測(cè)及故障診斷系統(tǒng)結(jié)構(gòu)

在各變電站需要進(jìn)行監(jiān)測(cè)的電氣設(shè)備如變壓器、互感器、電容器、電抗器、GIS(氣體絕緣開關(guān))等旁安裝聲音傳感器，或采用移動(dòng)巡檢的方式，在巡檢機(jī)器人上安裝傳感器，對(duì)聲音信號(hào)進(jìn)行實(shí)時(shí)采集，并在每個(gè)變電站內(nèi)設(shè)置一個(gè)多路信號(hào)采集站，負(fù)責(zé)采集全站的多路音頻數(shù)據(jù)并通過以太網(wǎng)傳送至遠(yuǎn)方的監(jiān)測(cè)中心。監(jiān)測(cè)中心主要由信號(hào)處理服務(wù)器、樣本截取工作站、模型庫和監(jiān)測(cè)子站構(gòu)成。其中，信號(hào)處理服務(wù)器是故障診斷系統(tǒng)的核心，根據(jù)設(shè)備優(yōu)先級(jí)和故障狀況，負(fù)責(zé)對(duì)各站上傳的多路音頻信號(hào)進(jìn)行處理，具體包括對(duì)音頻信號(hào)的變換和頻譜分析、特征參數(shù)提取，并與模型庫所保存的歷史音頻數(shù)據(jù)及典型故障聲音進(jìn)行對(duì)比，判斷設(shè)備運(yùn)行狀況和故障類型，若檢測(cè)到異常信號(hào)則發(fā)出報(bào)警。樣本截取工作站負(fù)責(zé)對(duì)正常信號(hào)和異常信號(hào)進(jìn)行截取和建模，并存入模型庫；模型庫負(fù)責(zé)存儲(chǔ)信號(hào)樣本及歷史數(shù)據(jù)；監(jiān)測(cè)子站負(fù)責(zé)與各變電站信號(hào)采集站進(jìn)行遠(yuǎn)程通信，并向各變電站工作人員提供報(bào)警信號(hào)。所設(shè)計(jì)的音頻監(jiān)測(cè)及故障診斷系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 變電站音頻監(jiān)測(cè)及故障診斷系統(tǒng)結(jié)構(gòu)

2 音頻信號(hào)特征參數(shù)提取算法

對(duì)音頻信號(hào)特征參數(shù)的有效提取是實(shí)現(xiàn)電力設(shè)備音頻故障診斷系統(tǒng)的前提。在語音信號(hào)處理系統(tǒng)中，基于語音頻譜導(dǎo)出的參數(shù)得到普遍關(guān)注，如基音頻率[7-8]、功率譜、共振峰和梅爾頻率倒譜系數(shù)(Mel-frequency cepstrum coefficients, MFCC)等。其中，MFCC參數(shù)來源于聲音的產(chǎn)生和接收機(jī)制，在噪聲環(huán)境下應(yīng)用最為廣泛?，F(xiàn)有應(yīng)用于電力系統(tǒng)故障分類或識(shí)別的算法主要包括基于核的判別[9]、神經(jīng)網(wǎng)絡(luò)[10]、模糊分類[11]、支持向量機(jī)[12]等，但以上方法的訓(xùn)練需要足夠的樣本容量，通常被用于處理靜態(tài)模式分類，較難適用于對(duì)實(shí)時(shí)性要求較高的動(dòng)態(tài)分類問題。隱馬爾科夫模型(Hidden Markov Model，HMM)作為雙重隨機(jī)過程的有限狀態(tài)自動(dòng)機(jī)，其優(yōu)勢(shì)在于具有較強(qiáng)的特征分類能力，并適用于對(duì)非平穩(wěn)信號(hào)進(jìn)行統(tǒng)計(jì)分析[13-14]，且可通過較少的樣本訓(xùn)練出可靠模型，相較神經(jīng)網(wǎng)絡(luò)等方法而言，所保留的統(tǒng)計(jì)信息更為豐富，具有較高的識(shí)別率。人耳的感知程度與聲波頻率并非簡(jiǎn)單的線性關(guān)系，內(nèi)耳基礎(chǔ)膜對(duì)接收到的信號(hào)產(chǎn)生自適應(yīng)調(diào)節(jié)作用，Mel頻率與人耳聽覺特性高度吻合，適用于模擬人耳對(duì)聲音的感知，且對(duì)信號(hào)性質(zhì)并無依賴，具有較強(qiáng)的魯棒性。MFCC參數(shù)是在Mel標(biāo)度頻率域提取出的倒頻譜參數(shù)，Mel頻率與實(shí)際頻率的關(guān)系可由以下對(duì)數(shù)關(guān)系近似表示[15]：

(1)

式(1)中，f為頻率。

鑒于MFCC參數(shù)的優(yōu)良性能，本文采用MFCC參數(shù)作為判斷變電站電力設(shè)備故障的特征參數(shù)。其參數(shù)提取步驟如下：

1)考慮短時(shí)間內(nèi)故障信號(hào)的激勵(lì)性質(zhì)及聲道形狀未有顯著變化，對(duì)音頻信號(hào)采用短時(shí)分析技術(shù)。首先需進(jìn)行預(yù)處理過程，包括預(yù)加重、分幀及加窗等環(huán)節(jié)。預(yù)加重環(huán)節(jié)可提升音頻信號(hào)的高頻頻譜，使信號(hào)頻譜平坦化，易于對(duì)音頻信號(hào)進(jìn)行頻譜分析；分幀環(huán)節(jié)將所采集的音頻信號(hào)劃分為毫秒級(jí)短時(shí)段信號(hào)，根據(jù)電力設(shè)備故障信號(hào)的特性，采用重疊分段的分幀方式來保持信號(hào)連貫性及幀之間的平滑過渡；加窗環(huán)節(jié)可有效減弱截?cái)嘈?yīng)，降低音頻幀的坡度。此外，在處理變電站異常聲音信號(hào)過程中，當(dāng)變電站背景噪聲對(duì)信號(hào)產(chǎn)生較為嚴(yán)重的干擾時(shí)，還需針對(duì)背景噪聲進(jìn)行預(yù)處理，如進(jìn)行有效的端點(diǎn)檢測(cè)等。

2)對(duì)預(yù)處理后的信號(hào)進(jìn)行快速傅立葉變換(FFT)，實(shí)現(xiàn)信號(hào)從時(shí)域到頻域的轉(zhuǎn)換，并計(jì)算其模的平方，得到能量譜。

3)設(shè)計(jì)具有M個(gè)帶通濾波器的濾波器組并采用三角濾波器，信號(hào)的截止頻率決定該濾波器組的個(gè)數(shù)M，濾波器的中心頻率在0～F/2范圍內(nèi)按Mel頻率分布，由Mel(f)與實(shí)際線性頻率f的關(guān)系計(jì)算出三角帶通濾波器組Hm(k)。計(jì)算公式為：

(2)

式(2)中，f(m)為濾波器的中心頻率，m<1,2,…,M。濾波器組Hm(k)滿足：

(3)

則每個(gè)濾波器組輸出的對(duì)數(shù)能量可表示為：

(4)

式(4)中，P[·]為音頻信號(hào)經(jīng)FFT變換后得到線性頻譜的平方值。

(4)由于Mel頻譜系數(shù)均為實(shí)數(shù)，利用離散余弦變換(DCT)，將Mel頻譜系數(shù)變換到時(shí)域，得到MFCC系數(shù)為：

(5)

式(5)中，0≤n≤M-1。

3 故障信號(hào)識(shí)別技術(shù)實(shí)現(xiàn)

3.1 基于HMM的故障診斷系統(tǒng)結(jié)構(gòu)

變電站電力設(shè)備故障信號(hào)的識(shí)別，究其本質(zhì)而言，是一個(gè)極為復(fù)雜的模式識(shí)別問題，也是音頻故障診斷系統(tǒng)的關(guān)鍵技術(shù)。對(duì)異常故障信號(hào)進(jìn)行特征提取的目的僅為挖掘出可揭示故障音頻本質(zhì)特征的參數(shù)，實(shí)現(xiàn)智能診斷還必需進(jìn)行分類器設(shè)計(jì)，將特征提取過程所得到的特征參數(shù)序列通過已知模型庫進(jìn)行模式匹配，因此，相關(guān)模式匹配算法的優(yōu)劣也在很大程度上決定了故障診斷系統(tǒng)的準(zhǔn)確率。本文設(shè)計(jì)的故障診斷系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 故障診斷系統(tǒng)結(jié)構(gòu)

不同變電站電力設(shè)備的型號(hào)、新舊程度均有差別，且音頻信號(hào)的特點(diǎn)也受諸多隨機(jī)因素的影響，故障信息必然包含在信號(hào)的統(tǒng)計(jì)規(guī)律中，因此本文采用較為成熟的統(tǒng)計(jì)模式識(shí)別的方法來實(shí)現(xiàn)故障狀態(tài)判別。鑒于HMM具有較強(qiáng)的抗噪性能，以及在描述時(shí)變序列的統(tǒng)計(jì)特征方面所具有的良好數(shù)學(xué)結(jié)構(gòu)，提出將HMM用于故障模型的描述，建立基于HMM的變電站電力設(shè)備音頻故障模式識(shí)別系統(tǒng)。

離散型HMM可記為：

λ=(N,M,π,A,B)

(6)

式(6)中：N為模型中Markov鏈狀態(tài)數(shù)目，M為每個(gè)隱狀態(tài)對(duì)應(yīng)的可能的觀察值數(shù)目，π為初始狀態(tài)概率分布矢量；A為狀態(tài)轉(zhuǎn)移概率矩陣；B表示觀察值概率分布矩陣。利用HMM進(jìn)行電力設(shè)備狀態(tài)識(shí)別，首先建立能反映觀察序列統(tǒng)計(jì)特征的HMM，然后計(jì)算未知觀察序列在HMM下的輸出概率值，并通過比較模型輸出概率值的大小來判斷設(shè)備工況，基于HMM的電力設(shè)備故障診斷算法流程如圖3所示。

圖3 基于HMM的電力設(shè)備故障診斷算法流程

3.2 HMM訓(xùn)練及識(shí)別算法

實(shí)現(xiàn)HMM的訓(xùn)練首先建立初始模型，即確定初始模型的結(jié)構(gòu)和參數(shù)；然后是解決模型的參數(shù)優(yōu)化問題，即在給定初始模型和訓(xùn)練觀察序列的情況下，調(diào)整模型λ=(π,A,B)的參數(shù)，使訓(xùn)練序列在模型下輸出的概率P(O/λ)最大。本文采用前向算法，定義前向變量αt(i)為：

αt(i)=P(O1,O2,…,Ot,qt=θi/λ)，1≤t≤T

(7)

式(7)中，αt(i)是t時(shí)刻HMM在狀態(tài)i下產(chǎn)生觀察序列(O1,O2,…,Ot)的概率。根據(jù)αt(i)的定義，按照遞推關(guān)系可計(jì)算出t+1時(shí)刻HMM處于狀態(tài)j并產(chǎn)生觀察值Ot+1的概率αt+1(j)，因此當(dāng)t=T時(shí)，P(O/λ)可按如下前向遞推原理求出：

算法初始化計(jì)算式為：

α1(i)=πibi(O1)，1≤i≤N

(8)

遞推過程為：

(9)

式(9)中，1≤t≤T-1，1≤j≤N。

前向遞推公式為：

(10)

根據(jù)前向遞推原理，給出觀察符號(hào)序列O=O1,O2,…OT在已知模型λ=(π,A,B)下的輸出概率P(O/λ)的算法步驟為：

(1)設(shè)置N×T維的二維數(shù)組變量αt(i)，獲取模型參數(shù)和觀察符號(hào)序列O=O1,O2,…OT；

(2)根據(jù)式(8)，計(jì)算t=1時(shí)模型在各隱狀態(tài)θi下輸出觀察值O1的初始前向概率α1(i)；

(3)根據(jù)式(9)，計(jì)算從t時(shí)刻出發(fā)到t+1時(shí)刻模型從N個(gè)狀態(tài)轉(zhuǎn)移到狀態(tài)θj時(shí)輸出觀察值Ot+1的前向概率αt+1(j)；

(4)重復(fù)(2)的遞推過程，計(jì)算出t+1時(shí)刻所有N個(gè)狀態(tài)下的前向概率αt+1(j)，(j=1,2,…,N)；

(5)重復(fù)(2)(3)的遞推過程，直到t=T-1；

(6)取出終止?fàn)顟B(tài)的αT(i)進(jìn)行求和即得到P(O/λ)。

4 實(shí)驗(yàn)結(jié)果

4.1 故障診斷方法步驟

本文實(shí)驗(yàn)采用了基于聲音信號(hào)分析處理的故障診斷方法，故障診斷的過程大體有3個(gè)步驟：首先是信號(hào)的采集與處理，其目的是從待檢設(shè)備上提取出真實(shí)可靠的信息，這里采用聲音傳感器進(jìn)行原始數(shù)據(jù)的采集；其次是特征提取，利用信號(hào)處理技術(shù)從檢測(cè)信號(hào)中提取出故障的特征信號(hào)，本文采用聲音的倒譜域特征參數(shù)MFCC作為特征參數(shù)；最后是狀態(tài)識(shí)別與診斷決策，它是利用特征提取后的信息對(duì)故障狀態(tài)進(jìn)行識(shí)別、判斷和預(yù)報(bào)，這里采用在核電故障診斷方面已取得應(yīng)用的隱馬爾科夫模型的統(tǒng)計(jì)信號(hào)處理方法，前期需要建立初始模型，通過基于HMM模型的分類器，對(duì)已知類別的故障音頻數(shù)據(jù)進(jìn)行訓(xùn)練建模聚類，對(duì)未知類別的故障音頻數(shù)據(jù)樣本進(jìn)行分類，分類過程中，當(dāng)有待分類樣本需要識(shí)別時(shí)，利用已經(jīng)建立的HMM參數(shù)來計(jì)算每套參數(shù)產(chǎn)生該序列的概率值，將新樣本歸入概率值最大的類別中，并給出分類結(jié)果從而確定所屬故障狀態(tài)。

4.2 故障分類實(shí)驗(yàn)

實(shí)驗(yàn)樣本為電網(wǎng)變電站場(chǎng)地巡檢機(jī)器人錄制的電氣設(shè)備聲音，樣本精度為16bit，采樣率為44.1 kHz，隨機(jī)選取了261組數(shù)據(jù)作為訓(xùn)練、識(shí)別數(shù)據(jù)。其中包括87組變壓器數(shù)據(jù)、86組互感器數(shù)據(jù)和88組電容器數(shù)據(jù)，經(jīng)過提取MFCC參數(shù)，3種設(shè)備的每幀信號(hào)都已轉(zhuǎn)換為24維的MFCC 的特征矢量。HMM訓(xùn)練共使用了70組變壓器數(shù)據(jù)、70組互感器數(shù)據(jù)和73組電容器數(shù)據(jù)，剩下的17組變壓器數(shù)據(jù)、16組互感器數(shù)據(jù)和15組電容器數(shù)據(jù)則用于模型識(shí)別，識(shí)別結(jié)果如表1所示。

表1 識(shí)別實(shí)驗(yàn)結(jié)果

從表1可以看出，將MFCC及其HMM結(jié)合起來進(jìn)行電網(wǎng)聲音識(shí)別，共使用48組數(shù)據(jù)，正確識(shí)別47組，識(shí)別率達(dá)到98%，而常見實(shí)驗(yàn)中，將語音特征參數(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合最高識(shí)別率只達(dá)到89%左右，且所需樣本較多，計(jì)算較復(fù)雜。

表2為一組變壓器、互感器和電容器的輸出概率測(cè)試結(jié)果。以變壓器為例，把一組變壓器的MFCC特征參數(shù)輸入到變壓器的HMM中，得到的對(duì)數(shù)輸出概率為-25660，而把該數(shù)據(jù)輸入到互感器和電容器的HMM中，得到的對(duì)數(shù)輸出概率為-27899、-31611，分類還是較為清晰的。可見，選取的MFCC特征參數(shù)能很好地描述聲音信息，而HMM模型也具有良好的聲音識(shí)別效果。

表2 HMM模型測(cè)試結(jié)果

4.3 變壓器故障診斷實(shí)驗(yàn)

變壓器是變電站電力設(shè)備中的核心，根據(jù)音頻監(jiān)測(cè)系統(tǒng)提取的不同故障音頻特征，對(duì)所發(fā)生的故障類型進(jìn)行診斷，是監(jiān)測(cè)診斷系統(tǒng)的關(guān)鍵功能。為此，在國網(wǎng)臺(tái)州供電公司國清220 KV變電站進(jìn)行測(cè)試實(shí)驗(yàn)，1號(hào)變壓器為OSSZ10-150000/220，2號(hào)變壓器為OSS9-150000/220，設(shè)備均已較為陳舊，緊貼變壓器周圍設(shè)置多個(gè)音頻監(jiān)測(cè)點(diǎn)，當(dāng)有故障發(fā)生時(shí)，提取有效音頻信號(hào)，并對(duì)其進(jìn)行特征參數(shù)提取，與已驗(yàn)證的故障機(jī)理相結(jié)合，可監(jiān)測(cè)出的典型故障類型包括：1)繞組匝間短路/分撥開關(guān)故障；2)線路接地短路；3)變壓器過載嚴(yán)重/大負(fù)荷用戶頻繁啟動(dòng)；4)穿心螺桿松動(dòng)；5)高壓套管臟污或釉質(zhì)脫落；6)變壓器內(nèi)部缺油。

應(yīng)用本文算法，提取以上6類典型故障發(fā)生時(shí)的音頻特征，并在模型訓(xùn)練之后存入模型庫。并將實(shí)時(shí)釆集的待識(shí)別變壓器故障音頻經(jīng)過采樣、預(yù)處理、MFCC參數(shù)提取等步驟，得到待識(shí)別序列，然后通過本文算法來計(jì)算該序列在每個(gè)己訓(xùn)練模型下的概率，識(shí)別結(jié)果為最大概率所對(duì)應(yīng)的故障類型。圖3為典型故障樣本在已訓(xùn)練好的故障模型下的輸出概率值：

表3 典型變壓器故障輸出概率

由圖3可知，不同故障音頻在其相對(duì)應(yīng)的故障模型下的對(duì)數(shù)概率值最大，而在其他模型下取值都較小，這也驗(yàn)證了HMM分類算法的有效性，可實(shí)現(xiàn)對(duì)變壓器故障類型的準(zhǔn)確判別。需要說明的是，由于變壓器故障原理較為復(fù)雜，不同的故障機(jī)理可能呈現(xiàn)出相類似的音頻特征，如故障B實(shí)際上包括變壓器繞組匝間短路和分撥開關(guān)故障兩類，所提取的音頻特征較為類似，這也說明故障診斷本身的復(fù)雜性。

5 結(jié)論

本文提出一種適用于無人值守變電站的設(shè)備音頻在線檢測(cè)系統(tǒng)，提取MFCC作為判斷音頻信號(hào)異常的特征參數(shù)，采用HMM模型對(duì)故障狀態(tài)進(jìn)行訓(xùn)練，具有結(jié)構(gòu)簡(jiǎn)單、易于工程實(shí)現(xiàn)的特點(diǎn)，可實(shí)現(xiàn)對(duì)故障設(shè)備的有效分類，還可對(duì)典型電力設(shè)備如變壓器的典型故障進(jìn)行識(shí)別，其診斷結(jié)果具有較高的準(zhǔn)確性。該音頻監(jiān)測(cè)及故障診斷系統(tǒng)對(duì)于發(fā)現(xiàn)早期電力設(shè)備故障，快速掌握設(shè)備缺陷及其性質(zhì)具有積極意義，可及時(shí)消除設(shè)備危險(xiǎn)點(diǎn)，降低事故發(fā)生率，有助于電網(wǎng)的安全運(yùn)行，是人工智能技術(shù)在電力系統(tǒng)中的成功應(yīng)用。

[1] 李 鵬, 許愛東, 郭曉斌, 等.面向巡維中心的變電站駕駛艙架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)[J]. 南方電網(wǎng)技術(shù), 2015; 9(6): 1-5.

[2] 董海鷹, 李曉楠, 姚 軍. 基于粗糙集和灰關(guān)聯(lián)分析的750 kV變電站故障診斷[J]. 高電壓技術(shù), 2015, 41(10): 3313-3319.

[3] 鄭蕊蕊, 趙繼印, 趙婷婷，等. 基于遺傳支持向量機(jī)和灰色人工免疫算法的電力變壓器故障診斷[J]. 中國電機(jī)工程學(xué)報(bào), 2011, 31(7): 56-63.

[4] 張 冰, 劉連光, 肖湘寧. 地磁感應(yīng)電流對(duì)變壓器振動(dòng)、噪聲的影響[J]. 高電壓技術(shù), 2009, 35(4): 900-904.

[5] 杜世斌. 基于音頻特征的電氣設(shè)備故障監(jiān)測(cè)算法研究[D]. 濟(jì)南：山東大學(xué), 2014.

[6] 曹文明, 王耀南.基于音頻識(shí)別的無人值守變電站設(shè)備在線監(jiān)測(cè)[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版,2013,40(9):48-55.

[7] Zhao X J, Shao Y, Wang D L. CASA-based robust speaker identification[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2012, 20(5): 1608-1616.

[8] Huang F, Lee T. Pitch estimation in noisy speech using accumulated peak spectrum and sparse estimation technique[J]. IEEE Transactions on Audio, Speech, & Language Processing, 2013, 21(1): 99-109.

[9] 阮 羚, 李成華, 宿 磊，等. 基于奇異值分解的局部放電模式識(shí)別方法[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(18): 223-228.

[10] 尚海昆, 苑津莎, 王 瑜，等.基于交叉小波變換和相關(guān)系數(shù)矩陣的局部放電特征提取[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(4): 274-281.

[11] 李 贏, 舒乃秋. 基于模糊聚類和完全二叉樹支持向量機(jī)的變壓器故障診斷[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(4): 64-70.

[12] 汪 可，李金忠，張書琦，等. 基于時(shí)頻相似度的油紙絕緣多局部放電源脈沖群分離與識(shí)別策略[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(12): 251-260.

[13] Brognaux, Drugman. HMM-Based Speech Segmentation: Improvements of Fully Automatic Approaches[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2016, 24(1): 5-15.

[14] Percybrooks, Moore, A New HMM-Based Voice Conversion Methodology Evaluated on Monolingual and Cross-Lingual Conversion Tasks[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2015, 23(12): 2298-2310.

[15] Sahidullah, Saha, A Novel Windowing Technique for Efficient Computation of MFCC for Speaker Recognition[J]. IEEE Signal Processing Letters, 2013, 20(2): 149-152.

FaultDiagnosisandConditionMonitoringofSmartSubstationEquipmentBasedonAcousticSignals

Yi Lin1, Shen Qi2, Wang Rui1, Wang Ke1, Peng Xiangyang1

(1.Electric Power Research Institute，Guangdong Power Grid Co., Ltd., Guangzhou 510080, China;2.Luoyang Institute of Electro-Optical Equipment, AVIC2, Luoyang 471000, China)

Aiming at the requirement of unattended intelligent substation and the shortcomings of existing fault diagnosis system, an audio monitoring and fault diagnosis system of power equipment is proposed. According to the low signal-to-noise ratio (SNR) of the audio signal in substation power equipment, the Mel-frequency cepstrum coefficients with strong robustness are used as the characteristic parameters to judge the audio signal anomaly. Based on the audio feature, a multi-sample observation sequence is constructed. The hidden Markov model (HMM) is used to diagnose the fault, and the fault type is identified by comparing the logarithm likelihood estimate output value. The method has the advantage of real-time and avoids the limitation of the existing fault diagnosis method which requires large sample size. The experimental result shows that the proposed fault diagnosis system has high recognition rate and robustness.

electric substations; electric power equipment; fault diagnosis; hidden Markov model; Mel-frequency cepstrum coefficients

2017-01-13；

2017-05-18。

易 琳(1986-)，工程師，博士，主要從事電力智能巡檢技術(shù)及應(yīng)用。

1671-4598(2017)11-0009-04

10.16526/j.cnki.11-4762/tp.2017.11.003

TP273

A