吳昊，柴俊，安帥，夏澍

SCA-VMD在變壓器聲信號(hào)降噪中的應(yīng)用

吳昊，柴俊，安帥，夏澍

（國網(wǎng)上海市電力公司市北供電公司，上海市 靜安區(qū) 200072）

針對采集變壓器運(yùn)行聲信號(hào)時(shí)會(huì)混入噪聲的情況，提出了基于稀疏分量分析-變分模態(tài)分解(sparse component analysis-variational modal decomposition，SCA-VMD)分離變壓器運(yùn)行聲信號(hào)并降噪的方法?；谙∈杼匦缘那范ぴ捶蛛x能夠在觀測信號(hào)數(shù)目小于未知源信號(hào)數(shù)目的情況下實(shí)現(xiàn)源信號(hào)的有效分離，變分模態(tài)分解(VMD)能將一個(gè)多分量信號(hào)一次性分解為多個(gè)單分量信號(hào)。以兩路觀測信號(hào)作為輸入，利用稀疏分量分析法(SCA)分離得到變壓器運(yùn)行聲信號(hào)，再利用VMD將分離信號(hào)分解為4層本征模態(tài)函數(shù)(intrinsic mode function，IMF)分量，通過閾值濾波的方法對高頻分量和低頻分量進(jìn)行去噪處理，利用新的IMF分量重構(gòu)得到去噪信號(hào)。仿真試驗(yàn)和實(shí)際試驗(yàn)結(jié)果表明，該方法能實(shí)現(xiàn)對變壓器運(yùn)行聲信號(hào)的有效分離和去噪處理。

變壓器；降噪；變分模態(tài)分解；閾值濾波

0 引言

電力變壓器作為電力系統(tǒng)中最重要的電氣設(shè)備之一，需要確保其處于可靠的運(yùn)行狀態(tài)。變壓器在運(yùn)行中，其鐵心和繞組會(huì)產(chǎn)生振動(dòng)，經(jīng)變壓器油和箱體傳遞后向四周輻射混疊后的振聲信號(hào)。此外，當(dāng)變壓器發(fā)生局部放電時(shí)，往往發(fā)出聲信號(hào)[1-5]。變壓器的振聲信號(hào)中包含了豐富的變壓器運(yùn)行狀態(tài)信息，可以作為判斷其運(yùn)行狀態(tài)的依據(jù)[6-9]。

但聲傳感器除采集到變壓器運(yùn)行狀態(tài)聲信號(hào)外，還存在電暈聲、環(huán)境噪聲等信號(hào)，使得變壓器有效的運(yùn)行狀態(tài)信息淹沒在各種干擾當(dāng)中，難以進(jìn)行后續(xù)處理。因此，如何有效提取變壓器聲信號(hào)成為后續(xù)正確判斷變壓器故障的關(guān)鍵。變壓器聲信號(hào)噪聲可分為變壓器本體噪聲和盲源分離(blind source separation，BSS)，BSS是指在源信號(hào)和混合通道參數(shù)未知的條件下，通過觀測信號(hào)估計(jì)原信號(hào)與混合通道參數(shù)的一種方法。目前常用的有獨(dú)立分量分析法(independent component analysis，ICA)、稀疏分量分析法(sparse component analysis，SCA)。

目前對變壓器運(yùn)行狀態(tài)聲信號(hào)中環(huán)境噪聲的提取和降噪效果并不理想。為更好地將變壓器聲信號(hào)與環(huán)境噪聲分離，本文基于勢函數(shù)的SCA算法和變分模態(tài)分解(variational mode decomposition，VMD)對聲傳感器采集信號(hào)進(jìn)行去噪處理。試驗(yàn)結(jié)果證明，該方法能夠有效分離變電站運(yùn)行聲信號(hào)和環(huán)境噪聲，去噪效果良好。

1 基本原理

1.1 欠定盲源分離

信號(hào)閾值選擇貝葉斯閾值，即

IMF4分量噪聲處理如下：

1.2 基于SCA-VMD閾值去噪

本文基于SCA-VMD閾值法去噪，具體步驟如下。

1）將2路混合信號(hào)作為SCA輸入，通過漢明窗加窗分幀后進(jìn)行短時(shí)傅里葉變換，使其具有頻域稀疏特性。

2）經(jīng)欠定盲源分離得到初步去噪信號(hào)1。

3）將1利用VMD進(jìn)行4層IMF分解。

4）將IMF1高頻分量和IMF4低頻分量進(jìn)行6層小波分解。

5）利用3原則對IMF1高頻分量和IMF4低頻分量進(jìn)行濾波處理。

6）根據(jù)新的IMF1和IMF4，以及IMF2、IMF3分量進(jìn)行信號(hào)重構(gòu)。

2 仿真試驗(yàn)

2.1 信號(hào)分離

本文仿真試驗(yàn)依托Matlab2017b，仿真信號(hào)由一路變壓器運(yùn)行聲信號(hào)和2路交談?wù)Z音信號(hào)組成,均為8 kHz、16位WAV格式文件。根據(jù)變電站聲音采集的實(shí)際情況，設(shè)定混合矩陣的值，將仿真信號(hào)混合為2路觀測信號(hào)作為輸入。

試驗(yàn)中定義3路源信號(hào)分別為變壓器運(yùn)行聲信號(hào)、2路交談?wù)Z音信號(hào)，如圖1所示。

根據(jù)勢函數(shù)可以得到估計(jì)混合矩陣：

由于分離過程中對勢函數(shù)從大到小進(jìn)行排序，由于變電站聲信號(hào)呈周期性，故勢函數(shù)總是最大值，第1個(gè)分離信號(hào)總是變壓器運(yùn)行聲信號(hào)，針對分離源信號(hào)1進(jìn)行VMD濾波處理，如圖2所示。

圖2 VMD濾波處理源信號(hào)

2.2 濾波效果評(píng)價(jià)

為檢驗(yàn)方法的可行性，用相關(guān)系數(shù)評(píng)價(jià)分離方法的可靠程度。信號(hào)的信噪比越大，均方誤差越小，則信號(hào)越接近真實(shí)信號(hào)，去噪效果越好，如表1所示。

從表1可以看出，混合信號(hào)由于受2路語音信號(hào)影響，與變壓器運(yùn)行聲信號(hào)相似度較低且信噪比小。當(dāng)進(jìn)行SCA盲源分離后，相似系數(shù)明顯增大，表明分離效果顯著；由于將語音信號(hào)分離，信噪比也有一定提升。當(dāng)進(jìn)行VMD閾值濾波后，信噪比明顯增大且均方誤差很小。因此本算法可以實(shí)現(xiàn)混合信號(hào)的有效分離及去噪。

表1 算法分離去噪效果評(píng)價(jià)

3 試驗(yàn)結(jié)果分析

試驗(yàn)在某35kV變電站內(nèi)主變壓器附近，距變壓器高壓側(cè)1.5m處。試驗(yàn)所用語音頻率范圍20Hz~20kHz，靈敏度-35dB，動(dòng)態(tài)范圍>100dB。試驗(yàn)觀測信號(hào)如圖3所示。

圖3 試驗(yàn)觀測信號(hào)

試驗(yàn)中采集2段包含試驗(yàn)人員交談?wù)Z音的觀測信號(hào)作為觀測信號(hào)輸入。試驗(yàn)散點(diǎn)如圖4所示，試驗(yàn)勢能函數(shù)曲線如圖5所示，試驗(yàn)分離源信號(hào)如圖6所示。

勢能函數(shù)曲線有2個(gè)峰值，較大值對應(yīng)的分離信號(hào)包含了語音信號(hào)，較小值對應(yīng)變壓器運(yùn)行狀態(tài)聲信號(hào)。這是由于試驗(yàn)結(jié)果中未能將語音信號(hào)與變壓器運(yùn)行聲信號(hào)完全分離，而是看作一個(gè)整體作為分離源信號(hào)輸出，導(dǎo)致包含語音信號(hào)的分離信號(hào)勢能更大，因此排在了第一。但試驗(yàn)結(jié)果表明算法可以成功分離出變壓器運(yùn)行聲信號(hào)。

圖4 試驗(yàn)散點(diǎn)圖

圖5 試驗(yàn)勢能函數(shù)曲線

圖6 試驗(yàn)分離源信號(hào)

4 結(jié)論

1）通過基于稀疏特性的欠定盲源分離和VMD分解濾波方法對變壓器運(yùn)行聲信號(hào)進(jìn)行分離和去噪處理。設(shè)置合適的閾值函數(shù)對IMF進(jìn)行細(xì)節(jié)信息提取，更好地保留了變壓器運(yùn)行聲信號(hào)的高頻、低頻部分特性。

2）由仿真得出，該算法能夠?qū)崿F(xiàn)變壓器運(yùn)行聲信號(hào)的成功分離，分離得到的變壓器聲信號(hào)排在分離信號(hào)首位，再通過VMD閾值濾波實(shí)現(xiàn)去噪。采用相關(guān)系數(shù)、信噪比及均方誤差對仿真試驗(yàn)中的分離信號(hào)和去噪信號(hào)進(jìn)行評(píng)價(jià)，各參數(shù)均有明顯改善，證明算法效果較好。

3）試驗(yàn)結(jié)果中成功分離出變壓器運(yùn)行聲信號(hào)，但根據(jù)勢能函數(shù)大小排列會(huì)出現(xiàn)分離運(yùn)行聲信號(hào)不在第一位的情況，后續(xù)工作將繼續(xù)研究如何正確判斷分離信號(hào)中的變壓器運(yùn)行聲信號(hào)。

4）變壓器聲信號(hào)分離及去噪對變壓器聲信號(hào)特征提取及故障判斷有著重要意義，故所提方法有一定的應(yīng)用前景和使用價(jià)值。

[1] 鄒亮，劉晗，徐亮，等．基于改進(jìn)勢函數(shù)稀疏分量分析算法的變壓器振聲自適應(yīng)提取方法[J]．高壓電技術(shù)，2018，44(2)：507-517．

[2] 金瀟．基于聲信號(hào)的配電變壓器故障診斷方法研究[D]．武漢：武漢大學(xué)，2017．

[3] 蘇世瑋，郭盛，高偉，等.基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器振動(dòng)信號(hào)分析[J]．廣東電力，2018，31(6)：127-132．

[4] Bofill P，Zibulevsky M．Underdetermined blind source separation using sparse representations[J]．Signal Processing，2001，81(11)：2353-2362．

[5] 謝榮斌，張麗娟，靳斌，等．基于經(jīng)驗(yàn)?zāi)B(tài)分解的變壓器振動(dòng)信號(hào)盲源分離[J]．廣東電力，2018，31(2)：119-124．

[6] 王立東，張凱，王良潤．改進(jìn)小波閾值算法在電機(jī)振動(dòng)信號(hào)降噪中的應(yīng)用[J]．測量技術(shù)與儀器儀表，2015(5)：77-80．

[7] 唐貴基，王曉龍．變分模態(tài)分解方法及其在滾動(dòng)軸承早期故障診斷中的應(yīng)用[J]．振動(dòng)工程學(xué)報(bào)，2016(4)：638-648．

[8] 高超飛，劉旭，王偉，等．變壓器局放超聲傳播FEM仿真分析[J]．電網(wǎng)與清潔能源，2017，33(10)：14-22．

[9] 王立東，張凱，王良潤. 改進(jìn)小波閾值算法在電機(jī)振動(dòng)信號(hào)降噪中的應(yīng)用[J].測量技術(shù)與儀器儀表，2015(5)：77-80．

Application of SCA-VMD in Noise Reduction of Transformer Sound Signal

WU Hao, CHAI Jun, AN Shuai, XIA Shu

(State Grid Shibei Electric Power Supply Company, SMEPC, Jing’an District, Shanghai 200072, China)

A method based on sparse component analysis-variational modal decomposition (SCA-VMD) was proposed to separate transformer operation sound signal and reduce noise. The under-determined blind source separation based on sparse characteristics can realize the effective separation of source signals when the number of observed signals is less than the number of unknown source signals, and the variational modal decomposition (VMD) can decompose a multi-component signal into multiple single-component signals at one time. The two-channel observation signals were used as input, the transformer operation acoustic signals were separated by SCA, the separated signals were decomposed into four-layer intrinsic mode function(IMF) components by VMD, the high frequency components and low frequency components were denoised by the method of threshold filtering, and the denoising signals were reconstructed by the new IMF components. The results of simulation and experiment show that this method can effectively separate and de-noising the operating sound signal of transformer.

transformer;noise reduction;variational modal decomposition (VMD); threshold filtering

10.12096/j.2096-4528.pgt.19094

TM 421

國家電網(wǎng)公司科技項(xiàng)目(520914170008)。

Project Supported by Science and Technology Project of State Grid Corporation of China (520914170008).

2019-06-16。

(責(zé)任編輯 辛培裕)